Method Article

Wiedza o sztucznej inteligencji w praktyce pielęgniarskiej: meta-analiza percepcji, postawy i intencji

DOI:

10.3791/70892

⸱

May 29th, 2026

 , 
1Department of Hematology, Zhoushan Hospital

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ta metaanaliza analizowała różnice w postrzeganiu pielęgniarek, postawach i intencjach dotyczących wykorzystania sztucznej inteligencji (AI) w opiece nad pacjentem. Pielęgniarki, które znały sposób wykorzystania AI w praktyce pielęgniarskiej, miały znacznie lepsze postrzeganie, postawy i intencje niż te, które tego nie znały.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ta metaanaliza miała na celu ocenę różnic w postrzeganiu, postawie i intencji dotyczących wykorzystania AI w opiece nad pacjentem między pielęgniarkami, którzy mają wiedzę o tym, jak AI jest stosowana w praktyce pielęgniarskiej, a bez niej.

Przeprowadziliśmy metaanalizę z wykorzystaniem modelu ciągłego wyniku, z metodami o stałym lub losowym efektach, aby oszacować różnicę średnią (MD) oraz 95% przedziały ufności (CI) dla każdego wyniku. Wybraliśmy 9 badań z udziałem 3648 pielęgniarek do tej metaanalizy. Pielęgniarki, które znają sposób wykorzystania AI w praktyce pielęgniarskiej, miały znacząco wyższą percepcję (łączona surowa MD, 1,43; 95% CI, 0,86–1,99, s. < 0,001), postawę (MD, 1,80; 95% CI, 0,81–2,78, s. < 0,001) oraz intencję (MD, 2,89; 95% CI, 1,61–4,16, s. < 0,001) w porównaniu z tymi, którzy nie wiedzą, jak AI jest wykorzystywana w praktyce pielęgniarskiej. Jednak heterogeniczność była bardzo wysoka dla wszystkich wyników (I2 = 91–98%), co wskazuje na znaczne różnice między badaniami. Jednakże, ponieważ wyniki te były mierzone za pomocą instrumentów o bardzo zróżnicowanych zakresach skali (np. skale od 5 do 100 punktów), połączony surowy MD nie stanowi spójnej różnicy bezwzględnej. Głównym wynikiem jest spójny kierunek efektu we wszystkich badaniach (pozytywny), a nie konkretne wartości MD.

Pielęgniarki, które znają sposób wykorzystania AI w praktyce pielęgniarskiej, zgłaszają bardziej pozytywne postrzeganie, postawy i intencje niż te, które tego nie wiedzą. Jednak ze względu na wysoką heterogeniczność, zmienność skali i przekrojowe wzory, te wyniki są jedynie hipotezami. Roszczenia przyczynowe nie są uzasadnione.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Szczególnie w sektorze opieki zdrowotnej sztuczna inteligencja stała się kluczową technologią przełomową. Procesy pracy w opiece zdrowotnej, wyniki kliniczne i opieka nad pacjentem są rewolucjonizowane przez sztuczną inteligencję:1. Pielęgniarstwo ma na celu zapewnienie współczującej, opartej na dowodach opieki w środowiskach klinicznych2. Pielęgniarki muszą być gotowe na korzystanie z każdej technologii, która poprawia ogólne wyniki leczenia pacjentów, ponieważ są pracownikami pierwszej linii służby zdrowia. Sztuczna inteligencja prawdopodobnie zostanie zintegrowana z praktyką pielęgniarską. Aby zapewnić pomyślne wdrożenie sztucznej inteligencji w sektorze opieki zdrowotnej, konieczne jest ocenenie gotowości pielęgniarek do jej zastosowania3. Ponieważ sztuczna inteligencja ma potencjał do rozwoju opieki zdrowotnej poprzez precyzyjne, indywidualne i kreatywne rozwiązania, jej znaczenie jest coraz bardziej dostrzegane4. Dzięki ogromnemu potencjałowi do poprawy wyników klinicznych i zwiększenia efektywności w placówkach opieki zdrowotnej, środowisko medyczne z entuzjazmem integruje sztuczną inteligencję na wczesnych etapach adaptacji5. Jednak pomimo rosnącego zainteresowania, istnieje niewiele badań nad poglądami interesariuszy na temat zastosowania sztucznej inteligencji w opiece zdrowotnej6. Zainteresowanie wdrożeniem AI w opiece zdrowotnej różni się w zależności od interesariuszy. Pomimo pozornych korzyści, istnieje wiele przeszkód we wdrażaniu sztucznej inteligencji w opiece zdrowotnej, w tym obawy dotyczące prywatności danych, trudności z zgodnością z przepisami oraz dylematy etyczne7. Naukowcy muszą zniwelować lukę wiedzy dotyczącą perspektyw pielęgniarek na temat wdrażania sztucznej inteligencji, aby zapewnić akceptację opieki opartej na dowodach w tym kontekście8. Aby wypełnić tę lukę, niniejsza metaanaliza wyraźnie porównuje pielęgniarki, które deklarują, że wiedzą, jak AI jest wykorzystywana w praktyce pielęgniarskiej, z tymi, które tego nie wiedzą, w różnych dziedzinach postrzegania, postawy i intencji dotyczących AI w opiece nad pacjentem. Badania muszą bardziej skupić się na rewolucyjnym potencjale sztucznej inteligencji do zwiększenia wydajności i opracowywania nowych systemów dostarczania, a także uwzględniać alternatywne punkty widzenia dotyczące jej zastosowania5. Niepewność co do właściwego zastosowania sztucznej inteligencji oraz problemy z jakością danych są kolejnymi przeszkodami w jej wdrożeniu w branży opieki zdrowotnej9. Według ocen ekonomicznych sztuczna inteligencja poprawia jakość medyczną i umożliwia opłacalne metody, szczególnie w złożonych dziedzinach, takich jak okulistyka10. Rozwiązanie przeszkód w wdrażaniu sztucznej inteligencji jest kluczowe, aby zapewnić pełną realizację wszystkich jej zalet. Podniesienie kwalifikacji pracowników, kwestie etyczne oraz wyzwanie skutecznego wykorzystania technologii sztucznej inteligencji w praktycznych kontekstach to tylko niektóre z przeszkód wspomnianych we wcześniejszych badaniach11. Wszystkie te przeszkody mają bezpośredni wpływ na to, jak personel medyczny jest przygotowany do przystosowania się do sztucznej inteligencji. Dzięki technikom takim jak rozmyte systemy eksperckie, sieci bayesowskie, sztuczne sieci neuronowe oraz hybrydowe inteligentne systemy stosowane w warunkach klinicznych w celu poprawy świadczenia opieki, sztuczna inteligencja staje się coraz bardziej integrowana z branżą opieki zdrowotnej12. Dodatkowo rozwijane są zaawansowane systemy, takie jak systemy sztucznej inteligencji uczącej się głęboko, które mogą automatyzować procesy i wykrywać choroby13. W rezultacie efekty sztucznej inteligencji w branży opieki zdrowotnej będą widoczne w różnych dziedzinach i mają ogromny potencjał do poprawy leczenia klinicznego, przewidywania ryzyka oraz usprawnienia całego procesu14. Integracja sztucznej inteligencji stanowi poważne przeszkody dla pielęgniarek, w tym kwestie etyczne, konieczność adaptacji do nowych technologii oraz potencjalny wpływ na obowiązki pielęgniarskie15. Pielęgniarki muszą zdobyć wiedzę i umiejętności niezbędne do właściwego korzystania z narzędzi sztucznej inteligencji, gdy ich użycie rośnie16. Według badań inteligencja emocjonalna zwiększa interakcje pielęgniarek ze sztuczną inteligencją, wpływając tym samym zarówno na jakość opieki nad pacjentem, jak i na zdolność pielęgniarek do adaptacji do jej zastosowania17. Kluczowym czynnikiem, który może wpływać na to, jak pielęgniarki postrzegają i angażują się w AI, jest ich dotychczasowa wiedza na temat tego, jak AI jest faktycznie wykorzystywana w praktyce pielęgniarskiej. Bez podstawowego zrozumienia konkretnych funkcji AI — takich jak wsparcie decyzyjne kliniczne, analityka predykcyjna czy automatyczne monitorowanie — pielęgniarki mogą formułować opinie na podstawie dezinformacji lub braku ekspozycji. Z kolei pielęgniarki posiadające praktyczną wiedzę o roli AI w praktyce pielęgniarskiej mogą wykazywać bardziej przychylne nastawienie, większą postrzeganą użyteczność oraz silniejsze zamiary wdrażania narzędzi AI. Dlatego wybraliśmy "wiedzę o tym, jak sztuczna inteligencja jest wykorzystywana w praktyce pielęgniarskiej" jako główną zmienną ekspozycji, aby sprawdzić, czy ta konkretna forma wiedzy wiąże się z istotnymi różnicami w postrzeganiu, postawach i intencjach. Dlatego przeprowadziliśmy metaanalizę, aby ocenić percepcje, postawy i intencje pielęgniarek wobec wykorzystania sztucznej inteligencji w opiece nad pacjentem. Badanie zamyka istotne luki w literaturze dotyczącej postaw, umiejętności i wiedzy potrzebnej do zastosowania sztucznej inteligencji w opiece nad pacjentem. Badanie przedstawia plany zwiększenia integracji sztucznej inteligencji w pielęgniarstwie poprzez ocenę gotowości pielęgniarek i wskazanie kluczowych obszarów do poprawy.

Konkretnie, ta metaanaliza została zaprojektowana w celu porównania trzech rezultatów — percepcji, postawy i intencji wobec AI w opiece nad pacjentem — między dwoma grupami pielęgniarek: tymi, którzy deklarują, że wiedzą, jak AI jest wykorzystywana w praktyce pielęgniarskiej, oraz tymi, którzy tego nie wiedzą.

Głównym celem tego badania było sprawdzenie, w jaki sposób pielęgniarki dyplomowane są przygotowane do wykorzystania sztucznej inteligencji w procedurach opieki nad pacjentem.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Projekt badania:

Badanie to było przeglądem systematycznym i metaanalizą przeprowadzoną zgodnie z wytycznymi Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). Wypełniona lista kontrolna PRISMA 2020 jest udostępniona jako Plik Uzupełniający 1. Protokół miał na celu ilościową syntezę dowodów na temat percepcji, postaw i intencji pielęgniarek dotyczących wykorzystania sztucznej inteligencji (AI) w opiece nad pacjentem, porównując osoby posiadające wcześniejszą wiedzę o AI z osobami bez18 roku życia. Rysunek 1 ilustruje proces wyboru badań.

Kryteria kwalifikacyjne
Badania zostały wybrane na podstawie następujących ram PICOS19:

Populacja (P): Zarejestrowane pielęgniarki lub menedżerowie pielęgniarstwa dowolnej specjalizacji klinicznej lub środowiska.

Interwencja (I)/Ekspozycja: posiadanie wiedzy, szkolenia lub świadomości na temat stosowania AI w praktyce pielęgniarskiej.

Porównanie (C): Pielęgniarki lub studenci pielęgniarstwa, którzy zgłaszają, że nie wiedzą, jak AI jest wykorzystywana w praktyce pielęgniarskiej.

Wyniki (O): Ilościowe miary percepcji, postawy lub intencji wobec AI w opiece nad pacjentem, podawane jako średnie wyniki z odchyleniami standardowymi (SD) lub dane przeliczalne na takie wartości.

Projekt badania (S): Badania obserwacyjne (przekrojowe lub kohortowe) oraz badania oparte na ankietach. Badania interwencyjne (np. randomizowane badania kontrolowane) zostały wykluczone, ponieważ ekspozycja — wiedza o tym, jak AI jest wykorzystywana w praktyce pielęgniarskiej — jest istniejącą cechą, a nie randomizowaną interwencją.

Kryteria wykluczenia:

Z tego badania wykluczono badania jakościowe, artykuły przeglądowe, felietony, listy, streszczenia konferencji bez pełnych danych oraz literaturę nierecenzowaną. Badania niedostarczające porównawczych danych ilościowych (np. średnia, SD, wielkość próby) dla obu grup (z wiedzą o AI vs. bez nich) zostały wykluczone. Badania, w których populacja nie była wyłącznie lub głównie pielęgniarkami (np. mieszane grupy pracowników służby zdrowia bez danych o pielęgniarkach), również zostały wykluczone. Żadne badania nie zostały wykluczone ze względu na język.

Źródła informacji i strategia wyszukiwania

Systematyczne wyszukiwanie przeprowadzono w pięciu elektronicznych bazach od ich powstania do 31 lipca 2025roku: PubMed, Cochrane Library, Embase, OVID i Google Scholar.
Strategia wyszukiwania łączyła kontrolowane słownictwo (np. terminy MeSH) oraz słowa kluczowe w swobodnym tekście związane z trzema kluczowymi pojęciami: (1) pielęgniarki, (2) sztuczna inteligencja oraz (3) percepcja/postawa. Operatory Boole'a "AND" i "OR" zostały użyte do łączenia terminów wewnątrz i pomiędzy pojęciami. Przykładowa strategia wyszukiwania dla PubMed przedstawiona jest w Tabeli 1. Listy referencyjne wszystkich uwzględnionych badań i odpowiednich przeglądów zostały ręcznie przejrzane, aby zidentyfikować dodatkowe kwalifikujące się publikacje21. Poniżej przedstawiono pełne, powtarzalne ciągi wyszukiwania dla każdej bazy danych. Składnia była dostosowana do wymaganego formatu każdej bazy danych, w tym odpowiednich tagów pól, kontrolowanego słownictwa (MeSH, EMTREE) oraz operatorów boolowskich. Nie wprowadzono żadnych ograniczeń językowych ani datowych. Przeszukanie przeprowadzono 31 lipca 2025 roku.

Proces wyboru studiów

Proces wyboru badania przebiegał według diagramu przepływu PRISMA (patrz Rysunek 1). Wszystkie pobrane rekordy zostały zaimportowane do EndNote X9 (Clarivate Analytics) w celu deduplikacji. Dwóch niezależnych recenzentów sprawdziło tytuły i streszczenia pod kątem kryteriów kwalifikacyjnych. Badania uznane przez któregokolwiek z recenzentów były przechodzione do pełnej recenzji tekstów. Ci sami dwaj recenzenci niezależnie ocenili pełne teksty wybranych badań. Spory na każdym etapie rozwiązywano poprzez dyskusję i konsensus. Nie było potrzeby trzeciego recenzenta. Ostateczna lista badań spełniających wszystkie kryteria została uzgodniona w drodze konsensusu.

Ekstrakcja i zarządzanie danymi22

Opracowano ustandaryzowany, pilotażowy formularz ekstrakcji danych w arkuszu kalkulacyjnym. Obaj recenzenci niezależnie wyodrębnili dane z każdego z włączonych badań. Wyodrębnione dane obejmowały cechy badania, szczegóły populacji, definicję narażenia oraz dane dotyczące wyników.

Charakterystyka badania: Pierwszy autor, rok publikacji, kraj, projekt badania oraz wielkość próby.

Szczegóły populacji: typ pielęgniarki (np. kliniczna, studentka, menedżerka), środowisko kliniczne, średni wiek, rozkład płci.

Definicja ekspozycji: Jak "wiedza o wykorzystaniu AI w praktyce pielęgniarskiej" była definiowana i mierzona (np. konkretny kurs szkoleniowy, samoocena znajomości w skali Likerta).

Dane wyników: Dla każdego istotnego wyniku (percepcja, postawa, intencja) wyodrębniono średni wynik, odchylenie standardowe (SD) oraz wielkość próby (n) zarówno dla grup "znających się na AI", jak i "nieznających AI". Jeśli średnie i odchylenia standardowe (SD) nie były raportowane bezpośrednio, były one obliczane na podstawie dostępnych statystyk metodami opisanymi w Cochrane Handbook for Systematic Reviews of Interventions (wersja 6.4)19. Konkretnie:

Z median i zakresów międzykwartylowych (IQR): Metoda Wan i in. (2014)23 została użyta do oszacowania średnich i SD.

Na podstawie 95% przedziałów ufności (CI) i wielkości próby: SD były wstecznie obliczane według wzoru: SD = √n × (górna granica CI – dolna granica CI) / (2 × 1,96).

Na podstawie wartości p i wielkości próby: SD-y były szacowane metodą opisaną w podręczniku Cochrane (sekcja 6.5.2.3), gdy dostępne były statystyki t-statystyki lub dokładne wartości p.

Spośród 9 włączonych badań, trzy wymagały konwersji danych, ponieważ średnie i SDs nie były podawane w formacie wymaganym do metaanalizy:

Badanie [Autor, Rok]: Zgłaszane mediany i IQR; przekształcone metodą Wan i in.23 .

Badanie [Autor, rok]: Zgłoszono tylko 95% CI; Dane SD przeliczone wstecz.

Badanie [Autor, Rok]: Przedstawiono średnie bez SD, ale podano wartości p do porównań grupowych; SD-oszacowane na podstawie wartości p.

Pozostałe 6 badań bezpośrednio podawało średnie i SD, nie wymagając konwersji. Wszystkie wartości przeliczone zostały zweryfikowane przez dwóch niezależnych recenzentów.

Ocena ryzyka błędu (jakość)24

Jakość metodologiczna uwzględnionych badań obserwacyjnych została oceniona niezależnie przez dwóch recenzentów, korzystając z listy krytycznej oceny Joanny Briggs Institute (JBI) dla analitycznych badań przekrojowych25. Narzędzie to ocenia takie dziedziny jak reprezentatywność próby, pomiar ekspozycji i efektów, zakłócenia oraz analiza statystyczna. Każdy element oceniano jako "Tak", "Nie", "Niejasny" lub "Nieprzydatny". Ogólna ocena jakości badania (Wysoka, Umiarkowana, Niska) została przypisana na podstawie konsensusu. Spory zostały rozwiązane zgodnie z opisaniem powyżej.

Synteza danych i analiza statystyczna

Miara efektu: Główną miarą efektu była różnica średnich (MD) z 95% przedziałem ufności (CI). MD > 0 wskazywał na wyższy wynik (np. bardziej pozytywne nastawienie) w grupie posiadającej wiedzę o AI.

Model metaanalizy: Do wszystkich analiz pierwotnych zastosowano model efektów losowych ze względu na przewidywaną heterogeniczność kliniczną i metodologiczną w różnych badaniach. Model efektu losowego zastosowano również jako analizę czułości26,27.

Ocena heterogeniczności: Statystyczna heterogeniczność została zmierzona za pomocą statystyki I2 . I2 wartości 25%, 50% i 75% interpretowano odpowiednio jako niską, umiarkowaną i wysoką heterogeniczność. Konsultowano również test Q Cochrana (p < 0,10, wskazujący na istotną heterogeniczność).

Analiza podgrup i wrażliwości: Planowane analizy podgrupowe nie były wykonalne ze względu na ograniczoną liczbę badań (<10) na wynik. Analizy czułości przeprowadzono poprzez przejście na model o stałym efekcie. Planowano analizy wrażliwości mające na celu ocenę wiarygodności szacunków połączonych, w tym wykluczenie badań ocenionych jako niskiej jakości oraz przejście na model o stałym efekcie. Przeprowadzono analizę czułości, wyłączającą dwa badania ocenione jako niskiej jakości (wynik JBI ≤4)27,28. Szacunki połączonych efektów dla pozostałych siedmiu badań (n = 3 161) były podobne do głównej analizy dla wszystkich wyników, a wszystkie powiązania pozostały statystycznie istotne (p < 0,001). Dlatego wszystkie 9 badań zostało zachowanych w analizie podstawowej. Ponieważ wykluczenie tych badań nie zmieniło istotnie wyników, zostały one zachowane w analizie podstawowej, aby zmaksymalizować wielkość próby i uogólnialność.

Ocena błędu publikacji: Planowano wizualną inspekcję wykresów lejków pod kątem asymetrii dla wyników, w tym badań ≥10. Ponieważ wszystkie wyniki obejmowały mniej niż 10 badań, formalne testy, takie jak test regresji Eggera, są niedostatecznie skuteczne i zazwyczaj nie są zalecane. Jednak test regresji eksploracyjnej Eggera został przeprowadzony dla wyniku, w którym przeprowadzono największą liczbę badań (postawa, n = 9) jako analizę post-hoc. Wyniki należy interpretować z dużą ostrożnością ze względu na niską moc statystyczną.

Oprogramowanie: Wszystkie analizy statystyczne zostały przeprowadzone przy użyciu oprogramowania Review Manager (RevMan), wersja 5.4 (The Cochrane Collaboration, Kopenhaga, Dania).

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Po przeanalizowaniu 2245 istotnych publikacji, 9 badań opublikowanych w latach 2021–2025 spełniło kryteria włączenia26,27,28,29,30,31,32,33,34. Tabela 2 podsumowuje wyniki tych badań. Łącznie przebadanych ...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W obecnej metaanalizie przebadanych było 9 badań z udziałem 3648 pielęgniarek: 26,27,28,29,30,31,32,33,34. Ta metaanaliza porównała pielęgniarki, które deklarują wiedzę, jak AI jest wykorzystywana w praktyce pielęgniarski...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy deklarują, że nie mają ze sobą rywalizujących interesów.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Biblioteka CochraneBiblioteka Cochranehttps://www.cochranelibrary.com/
EmbaseEmbasehttps://www.embase.com/landing?status=grey
EndNote X9Clarivate Analyticshttps://support.clarivate.com/Endnote/s/?language=en_USOprogramowanie do zarządzania referencjami do deduplikacji i organizacji cytowań
Google ScholarGooglehttps://scholar.google.com/
Lista kontrolna krytycznej oceny Joanny Briggs Institute (JBI)Instytut Joanny Briggshttps://jbi.global/critical-appraisal-toolsNarzędzie oceny jakości dla analitycznych badań przekrojowych
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/en-usTworzenie formularzy ekstrakcji danych; zarządzanie danymi; Konwersja statystyk
OWIDIUSOWIDIUShttps://www.ovid.com/
Szablon diagramu przepływu PRISMA 2020Grupa robocza PRISMAhttps://www.prisma-statement.org/prisma-2020-flow-diagramSzablon do diagramu przepływu wyboru badania 
PubMedNarodowe Instytuty Zdrowiahttps://pubmed.ncbi.nlm.nih.gov/
Kierownik przeglądów (RevMan)  Współpraca CochraneWersja 5.4Oprogramowanie do przygotowywania i utrzymywania przeglądów Cochrane; Wykorzystywane do metaanalizy (pooling, wykresy leśne, heterogeniczność, analizy wrażliwości).

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Dave, M., Patel, N. Artificial intelligence in healthcare and education. Br Dent J. 234 (10), 761-764 (2023).
  2. Malenfant, S., Jaggi, P., Hayden, K. A., Sinclair, S. Compassion in healthcare: An updated scoping review of the literature. BMC Palliat Care. 21 (1), 80(2022).
  3. Davenport, T., Kalakota, R. The potential for artificial intelligence in healthcare. Future Healthc J. 6 (2), 94-98 (2019).
  4. Wubineh, B. Z., Deriba, F. G., Woldeyohannis, M. M. Exploring the opportunities and challenges of implementing artificial intelligence in healthcare: A systematic literature review. Urol Oncol. 42 (3), 48-56 (2024).
  5. Alharbi, M. T., Almutiq, M. M. Prediction of dental implants using machine learning algorithms. J Healthc Eng. 2022 (1), 7307675(2022).
  6. Richardson, J. P., et al. Patient apprehensions about the use of artificial intelligence in healthcare. NPJ Digit Med. 4 (1), 140(2021).
  7. Petersson, L., et al. Challenges to implementing artificial intelligence in healthcare: A qualitative interview study with healthcare leaders in Sweden. BMC Health Serv Res. 22 (1), 850(2022).
  8. Stai, B., et al. Public perceptions of artificial intelligence and robotics in medicine. J Endourol. 34 (10), 1041-1048 (2020).
  9. Godbole, N. S., Lamb, J. Using data science & big data analytics to make healthcare green. 12th International Conference & Expo on Emerging Technologies for a Smarter World (CEWIT), Melville, NY, USA, , CEWIT. (2015).
  10. Ruamviboonsuk, P., Chantra, S., Seresirikachorn, K., Ruamviboonsuk, V., Sangroongruangsri, S. Economic evaluations of artificial intelligence in ophthalmology. Asia Pac J Ophthalmol. 10 (3), 307-316 (2021).
  11. Ali, O., et al. A systematic literature review of artificial intelligence in the healthcare sector: Benefits, challenges, methodologies, and functionalities. J Innov Knowl. 8 (1), 100333(2023).
  12. Amisha,, Malik, P., Pathania, M., Rathaur, V. K. Overview of artificial intelligence in medicine. J Fam Med Prim Care. 8 (7), 2328-2331 (2019).
  13. Wang, F., Casalino, L. P., Khullar, D. Deep learning in medicine–promise, progress, and challenges. JAMA Intern Med. 179 (3), 293-294 (2019).
  14. Huang, K., Jiao, Z., Cai, Y., Zhong, Z. Artificial intelligence-based intelligent surveillance for reducing nurses' working hours in nurse–patient interaction: A two-wave study. J Nurs Manag. 30 (8), 3817-3826 (2022).
  15. Johnson, E. A., Dudding, K. M., Carrington, J. M. When to err is inhuman: An examination of the influence of artificial intelligence-driven nursing care on patient safety. Nurs Inq. 31 (1), e12583(2024).
  16. Stokes, F., Palmer, A. Artificial intelligence and robotics in nursing: Ethics of caring as a guide to dividing tasks between AI and humans. Nurs Philos. 21 (4), e12306(2020).
  17. Lina, M., Qin, G., Yang, L. Mediating effects of emotional intelligence on the relationship between empathy and humanistic care ability in nursing students: A cross-sectional descriptive study. Medicine. 101 (46), e31673(2022).
  18. Liberati, A., et al. The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate health care interventions: Explanation and elaboration. J Clin Epidemiol. 62 (10), e1-e34 (2009).
  19. Higgins, J. P. Cochrane Handbook for Systematic Reviews of Interventions Version 6.0. , John Wiley & Sons. Chichester, UK. (2019).
  20. Higgins, J. P., Thompson, S. G., Deeks, J. J., Altman, D. G. Measuring inconsistency in meta-analyses. BMJ. 327 (7414), 557-560 (2003).
  21. Stroup, D. F., et al. Meta-analysis of observational studies in epidemiology: A proposal for reporting. JAMA. 283 (15), 2008-2012 (2000).
  22. Gupta, A., et al. Obesity is independently associated with increased risk of hepatocellular cancer-related mortality. Am J Clin Oncol. 41 (9), 874-881 (2018).
  23. Wan, X., et al. Estimating the sample mean and standard deviation from the sample size, median, range and/or interquartile range. BMC Med Res Methodol. 14, 135(2014).
  24. Cochrane Methods Bias. ROB 2: A revised Cochrane risk-of-bias tool for randomized trials. , Available from: https://methods.cochrane.org/bias/resources/rob-2-revised-cochrane-risk-bias-tool-randomized-trials (2020).
  25. Moola, S., et al. Systematic Reviews of Etiology and Risk. JBI Manual for Evidence Synthesis. , JBI. (2020).
  26. Shinners, L., et al. Exploring healthcare professionals' perceptions of artificial intelligence: Piloting the Shinners artificial intelligence perception tool. Digit Health. 8, 20552076221078110(2022).
  27. Labrague, L. J., et al. Factors influencing student nurses' readiness to adopt artificial intelligence (AI) in their studies and their perceived barriers to accessing AI technology: A cross-sectional study. Nurse Educ Today. 130, 105945(2023).
  28. Kamlah, A. -O., et al. Readiness and acceptance of nursing students regarding AI-based health care technology on the training of nursing skills in Saudi Arabia: Cross-sectional study. JMIR Nurs. 8 (1), e71653(2025).
  29. Elsayed, W. A., Sleem, W. F. Nurse managers' perception and attitudes toward using artificial intelligence technology in health settings. Assiut Sci Nurs J. 9 (24), 182-192 (2021).
  30. Al-Sabawy, M. R. Artificial intelligence in nursing: a study on nurses’ perceptions and readiness. 1st International and 6th Scientific Conference of Kirkuk Health Directorate, , (2023).
  31. Al Omari, O., et al. Demographic factors, knowledge, attitude and perception and their association with nursing students' intention to use artificial intelligence (AI): A multicentre survey across 10 Arab countries. BMC Med Educ. 24 (1), 1456(2024).
  32. Eminoğlu, A., Çelikkanat, Ş Assessment of the relationship between executive nurses' leadership self-efficacy and medical artificial intelligence readiness. Int J Med Inform. 184, 105386(2024).
  33. Alhassan, M. F. The relationship between nurse's perspectives and nurse's attitude toward artificial intelligence. Helwan Int J Nurs Res Pract. 4 (10), 150-166 (2025).
  34. Atalla, A. D. G., et al. Embracing artificial intelligence in nursing: Exploring the relationship between artificial intelligence-related attitudes, creative self-efficacy, and clinical reasoning competency among nurses. BMC Nurs. 24 (1), 661(2025).
  35. Lukić, A., et al. First-year nursing students' attitudes towards artificial intelligence: Cross-sectional multi-center study. Nurse Educ Pract. 71, 103735(2023).
  36. Dominik, J. Artificial intelligence in healthcare. Int J Clin Med Res. 3 (2), 22-23 (2025).
  37. Sebastian, V. Future of artificial intelligence applications in joint trauma. Int J Clin Med Res. 3 (1), 11-12 (2025).
  38. Define, C. Future directions of diagnostic and therapeutic strategies specific to subtypes of small cell lung cancer. Int J Clin Med Res. 3 (1), 18-21 (2025).
  39. Taie, E. S. Artificial intelligence as an innovative approach for investment in the future of healthcare in Egypt. Clin Nurs Stud. 8 (3), 1-10 (2020).
  40. Abou Hashish, E. A., Alnajjar, H. Digital proficiency: Assessing knowledge, attitudes, and skills in digital transformation, health literacy, and artificial intelligence among university nursing students. BMC Med Educ. 24 (1), 508(2024).
  41. Celik, I. Exploring the determinants of artificial intelligence (AI) literacy: Digital divide, computational thinking, cognitive absorption. Telemat Inform. 83, 102026(2023).
  42. Sindermann, C., et al. Assessing the attitude towards artificial intelligence: Introduction of a short measure in German, Chinese, and English language. KI Kunstl Intell. 35 (1), 109-118 (2021).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Artificial Intelligence NursingNursing Practice AINurse Perception AINurse Attitude AINurse Intention AIMeta Analysis NursingPatient Care AIAI Knowledge NursesCross Sectional StudiesContinuous Outcome Model

Related Articles