Method Article

Знания искусственного интеллекта в сестринской практике: мета-анализ восприятия, отношения и намерения

DOI:

10.3791/70892

⸱

May 29th, 2026

 , 
1Department of Hematology, Zhoushan Hospital

In This Article

Summary

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

Этот мета-анализ изучал различия в восприятии, установках и намерениях медсестёр относительно использования искусственного интеллекта (ИИ) в уходе за пациентами. Медсёстры, которые знали, как используется ИИ в сестринской практике, имели значительно более высокие восприятия, установки и намерения, чем те, кто не знал.

Abstract

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

Этот мета-анализ был направлен на оценку различий в восприятии, отношении и намерениях относительно использования ИИ при уходе за пациентами между медсёстрами, которые имеют и не имеющие знания о том, как ИИ применяется в сестринской практике.

Мы провели мета-анализ с использованием модели непрерывного исхода с методами фиксированных или случайных эффектов для оценки средней разницы (MD) и 95% доверительных интервалов (CI) для каждого результата. Для этого метаанализа мы отобрали 9 исследований с 3648 медсёстрами. Медсёстры, которые знают, как используется ИИ в сестринской практике, имели значительно более высокое восприятие (объединённый исходный ДИ, 1,43; 95% ДИ, 0,86–1,99, p < 0,001), отношение (MD, 1,80; 95% CI, 0,81–2,78, p < 0,001) и намерения (MD, 2,89; 95% CI, 1,61–4,16, p < 0,001) по сравнению с теми, кто не знает, как ИИ используется в сестринской практике. Однако гетерогенность была очень высокой для всех исходов (I2 = 91–98%), что указывает на значительную вариацию между исследованиями. Однако, поскольку эти результаты измерялись с помощью инструментов с сильно различающимися диапазонами шкалы (например, от 5 до 100 точек), объединённый исходный MD не представляет собой единой абсолютной разницы. Основным результатом является единое направление эффекта во всех исследованиях (положительный), а не конкретные значения MD.

Медсёстры, которые знают, как используется ИИ в сестринской практике, сообщают о более благоприятных восприятиях, установках и намерениях, чем те, кто не знает. Однако из-за высокой гетерогенности, вариаций масштабов и поперечного сечения эти результаты являются лишь гипотезами. Причинно-следственные претензии не оправданы.

Introduction

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

Особенно в сфере здравоохранения искусственный интеллект стал ключевой прорывной технологией. Рабочие процессы в здравоохранении, клинические результаты и предоставление ухода за пациентами переживают революцию благодаря искусственному интеллекту1. Сестринское дело стремится предоставлять сострадательную, основанную на доказательствах помощь во всех клинических условиях2. Медсёстры должны быть готовы внедрять любые технологии, которые улучшают общие результаты лечения пациентов, поскольку они являются медицинскими специалистами на передовой. Искусственный интеллект, вероятно, будет интегрирован в практику сестринского дела. Для успешного внедрения искусственного интеллекта в секторе здравоохранения необходимо оценить готовность медсестёр к его внедрению3. Поскольку искусственный интеллект обладает потенциалом продвигать здравоохранение с помощью точных, индивидуализированных и креативных решений, его значимость всё больше признаётся4. Благодаря огромному потенциалу для улучшения клинических результатов и повышения эффективности в медицинских учреждениях, медицинское сообщество с энтузиазмом интегрирует искусственный интеллект на ранних этапах адаптации5. Однако, несмотря на растущий интерес, существует мало исследований по взглядам заинтересованных сторон на применение искусственного интеллекта в здравоохранении6. Интерес к внедрению ИИ в здравоохранении варьируется у разных заинтересованных сторон. Несмотря на очевидные преимущества, существует ряд препятствий для внедрения искусственного интеллекта в здравоохранение, включая опасения по поводу конфиденциальности данных, трудности с соблюдением нормативных требований и этические дилеммы7. Исследователям необходимо преодолеть разрыв в знаниях относительно взглядов медсестёр на внедрение искусственного интеллекта, чтобы обеспечить принятие доказательной помощи в этом контексте8. Чтобы восполнить этот пробел, текущий метаанализ явно сравнивает медсестёр, которые сообщают о знании использования ИИ в сестринской практике, с теми, кто не знает, в областях восприятия, отношения и намерений в отношении ИИ в уходе за пациентами. Исследования должны больше сосредотачиваться на революционном потенциале искусственного интеллекта для увеличения производительности и разработки новых систем доставки, а также учитывать альтернативные точки зрения относительно его применения5. Неопределённость относительно правильного применения искусственного интеллекта и проблемы с качеством данных являются дополнительными препятствиями для его внедрения в здравоохранении9. Согласно экономическим оценкам, искусственный интеллект улучшает качество медицинских услуг и обеспечивает экономичные методы, особенно в сложных областях, таких как офтальмология10. Преодоление препятствий на пути внедрения искусственного интеллекта крайне важно для полного раскрытия всех его преимуществ. Повышение квалификации рабочей силы, этические вопросы и сложность успешного использования технологий искусственного интеллекта в практических контекстах — лишь некоторые из препятствий, отмеченных в предыдущих исследованиях11. Все эти препятствия напрямую влияют на то, насколько готов медицинский персонал адаптироваться к искусственному интеллекту. С помощью таких методов, как нечеткие экспертные системы, байесовские сети, искусственные нейронные сеть и гибридные интеллектуальные системы, используемые в клинических условиях для улучшения оказания медицинской помощи, искусственный интеллект всё больше интегрируется в отрасль здравоохранения12. Кроме того, разрабатываются сложные системы, такие как системы искусственного интеллекта с глубоким обучением, которые могут автоматизировать процессы и выявлять заболевания13. В результате влияние искусственного интеллекта в здравоохранении будет проявляться в различных дисциплинах и обладает огромным потенциалом для улучшения клинического лечения, прогнозирования рисков и оптимизации всего процесса14. Интеграция искусственного интеллекта представляет собой значительные препятствия для медсестёр, включая этические вопросы, необходимость адаптации к новым технологиям и возможное влияние на обязанности медсестры15. Медсёстры должны приобретать знания и навыки, необходимые для правильного использования инструментов искусственного интеллекта по мере их развития16. Согласно исследованиям, эмоциональный интеллект улучшает взаимодействие медсестёр с искусственным интеллектом, что влияет как на качество ухода за пациентами, так и на способность медсестёр адаптироваться к его использованию17. Ключевым фактором, который может влиять на то, как медсёстры воспринимают и взаимодействуют с ИИ, являются их существующие знания о том, как ИИ действительно применяется в сестринской практике. Без базового понимания конкретных функций ИИ — таких как поддержка клинических решений, предиктивная аналитика или автоматизированный мониторинг — медсёстры могут формировать мнения, основываясь на дезинформации или отсутствии доступа. В то же время медсёстры, обладающие практическими знаниями роли ИИ в сестринской практике, могут проявлять более благоприятное отношение, большую воспринимаемую полезность и более решительные намерения внедрять инструменты ИИ. Поэтому мы выбрали «знания о том, как искусственный интеллект используется в сестринской практике», в качестве основной переменной воздействия, чтобы проверить, связана ли эта конкретная форма знаний с существенными различиями в восприятии, установках и намерениях. Поэтому мы провели мета-анализ для оценки восприятия, установок и намерений медсестёр относительно использования искусственного интеллекта в уходе за пациентами. Исследование устраняет важные пробелы в литературе относительно установок, способностей и знаний, необходимых для применения искусственного интеллекта в условиях ухода за пациентами. В исследовании представлены планы по усилению интеграции искусственного интеллекта в сестринское дело путём оценки готовности медсестёр и выявления критически важных областей для улучшения.

В частности, этот мета-анализ был разработан для сравнения трёх результатов — восприятия, отношения и намерения по отношению к ИИ в уходе за пациентами — между двумя группами медсестёр: теми, кто сообщает, что знают, как ИИ используется в сестринской практике, и теми, кто не знает.

Главная цель этого исследования заключалась в том, чтобы выяснить, насколько дипломированные медсестры готовы использовать искусственный интеллект в процедурах ухода за пациентами.

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

Protocol

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

Дизайн исследования:

Это исследование было систематическим обзором и метаанализом, проведёнными в соответствии с рекомендациями Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). Завершённый чек-лист PRISMA 2020 предоставлен в виде дополнительного файла 1. Протокол был направлен на количественный синтез данных о восприятии, отношении и намерениях медсестёр относительно использования искусственного интеллекта (ИИ) в уходе за пациентами, сравнивая тех, кто ранее знает ИИ, с теми, у кого нет18 лет. Рисунок 1 иллюстрирует процесс отбора исследования.

Критерии допуска
Исследования были отобраны на основе следующей структурыPICOS 19:

Население (P): Зарегистрированные медсёстры или менеджеры медсестёр любой клинической специальности или учреждения.

Вмешательство (I)/Экспозиция: Знания, обучение или осведомлённость об использовании ИИ в сестринской практике.

Сравнение (C): медсёстры или студенты, которые сообщают, что не знают, как используется ИИ в сестринской практике.

Результаты (O): количественные показатели восприятия, отношения или намерения по отношению к ИИ в уходе за пациентами, отражаемые как средние показатели со стандартными отклонениями (SD) или данные, конвертируемые в такие.

Дизайн исследования (S): наблюдательные исследования (поперечные или когортные) и исследования на основе опросов. Интервенционные исследования (например, рандомизированные контролируемые исследования) были исключены, поскольку экспозиция интереса — знание о том, как ИИ используется в сестринской практике — является уже существующей характеристикой, а не рандомизированным вмешательством.

Критерии исключения:

Качественные исследования, обзорные статьи, редакционные статьи, письма, аннотации конференций без полных данных и нерецензируемая литература были исключены из этого исследования. Исследования, не предоставляющие сравнительных количественных данных (например, средний показатель, размер выборки) для обеих групп (с знаниями ИИ и без них), были исключены. Также были исключены исследования, в которых население не состояло исключительно или преимущественно из медсестёр (например, смешанные группы медицинских работников без отдельных данных о медсёстрах). Ни одно исследование не было исключено на основании языка.

Источники информации и стратегия поиска

С момента их создания до 31 июля 2025 года был проведен систематический поиск по пяти электронным базамданных: PubMed, Cochrane Library, Embase, OVID и Google Scholar.
Стратегия поиска объединяла контролируемый словарный запас (например, термины MeSH) и ключевые слова свободного текста, связанные с тремя основными понятиями: (1) медсёстры, (2) искусственный интеллект и (3) восприятие/отношение. Булевые операторы «AND» и «OR» использовались для связи терминов внутри и между понятиями. Пример стратегии поиска по PubMed приведён в Таблице 1. Списки литературы всех включённых исследований и соответствующих обзоров были вручную проверены для выявления дополнительных подходящихпубликаций 21. Полные воспроизводимые поисковые строки для каждой базы данных приведены ниже. Синтаксис адаптировался под необходимый формат каждой базы данных, включая соответствующие поля, контролируемый словарь (MeSH, EMTREE) и булевые операторы. Ограничения по языку или дате не применялись. Поиск был проведён 31 июля 2025 года.

Процесс отбора исследования

Процесс отбора исследования следовал схеме потока PRISMA (см. рисунок 1). Все полученные записи импортировались в EndNote X9 (Clarivate Analytics) для дедупликации. Два независимых рецензента отбирали заголовки и аннотации по критериям отбора. Исследования, признанные потенциально релевантными любым из рецензентов, переходили к полнотекстовому рассмотрению. Те же два рецензента независимо оценивали полные тексты короткого списка исследований. Разногласия на любом этапе разрешались через обсуждение и консенсус. Третий рецензент не требовался. Окончательный список исследований, соответствующих всем критериям, был согласован консенсусом.

Извлечение и управление данными22

Стандартизированная пилотная форма извлечения данных была разработана в виде таблицы. Два рецензента независимо извлекли данные из каждого из включённых исследований. Извлеченные данные включали характеристики исследований, данные о популяции, определение воздействия и данные о результатах.

Характеристики исследования: первый автор, год публикации, страна, дизайн исследования и размер выборки.

Данные о популяции: тип медсестры (например, клиническая, студентка, менеджер), клиническая среда, средний возраст, распределение по полу.

Определение экспозиции: Как были определены и измерены «знания об использовании ИИ в сестринской практике» (например, конкретный курс обучения, самооценка знакомства по шкале Ликерта).

Данные о результатах: Для каждого релевантного результата (восприятие, отношение, намерение) были извлечены средний балл, стандартное отклонение (SD) и размер выборки (n) для групп «ИИ-знающих» и «не-ИИ». Если средние и стандартные отклонения (SD) не сообщались напрямую, они рассчитывались на основе доступной статистики с использованием методов, описанных в Руководстве Кокрана по систематическим обзорам вмешательств (версия 6.4)19. В частности:

Из медиан и межквартильных диапазонов (IQR): Метод Wan et al. (2014)23 использовался для оценки средних и SD.

Из 95% доверительных интервалов (CI) и размеров выборки: SD вычислялись по формуле: SD = √n × (верхний предел CI – нижний предел CI) / (2 × 1,96).

Из p-значений и размеров выборки: SD оценивались с использованием метода, описанного в Руководстве Кокрейна (раздел 6.5.2.3), когда были доступны t-статистика или точные p-значения.

Из 9 включённых исследований три требовали конвертации данных, поскольку средние значения и SD не были представлены в формате, необходимом для мета-анализа:

Исследование [Автор, год]: Зарегистрированные медианы и IQR; конвертировано с помощью метода Wan et al.23 .

Исследование [Автор, год]: Зарегистрировано только 95% ДИ; Подсчёт SD назад.

Исследование [Автор, год]: Сообщено средние значения без SD, но содержали p-значения для сравнения групп; SD, оцениваемые из p-значений.

Оставшиеся 6 исследований напрямую сообщали средние значения и SD и не требовали конвертации. Все конвертированные значения были проверены двумя независимыми рецензентами.

Оценка риска смещения (качество) 24

Методологическое качество включённых наблюдательных исследований было независимо оценено двумя рецензентами с использованием критического контрольного списка Института Джоанны Бриггс (JBI) для аналитических кросс-секционныхисследований 25. Этот инструмент оценивает такие области, как репрезентативность выборки, измерение воздействия и результатов, замешательство и статистический анализ. Каждый пункт оценивался как «Да», «Нет», «Неясно» или «Не применимо». Общая оценка качества исследования (Высокий, Умеренный, Низкий) была присвоена на основе консенсуса. Разногласия разрешались, как описано выше.

Синтез данных и статистический анализ

Показатель эффекта: Основной мерой эффекта была средняя разница (MD) с 95% доверительным интервалом (CI). MD > 0 указывал на более высокий балл (например, более позитивное отношение) в группе с знаниями ИИ.

Мета-аналитическая модель: Для всех первичных анализов использовалась модель случайных эффектов из-за предполагаемой клинической и методологической гетерогенности между исследованиями. Модель случайного эффекта также применялась в качестве анализачувствительности 26,27.

Оценка гетерогенности: Статистическая гетерогенность была количественно измерена с помощью статистикиI2 . Значения I2 в 25%, 50% и 75% интерпретировались как низкая, умеренная и высокая гетерогенность соответственно. Также был проконсультирован Q-тест Кокрана (p < 0,10, указывающий на значительную гетерогенность).

Анализ подгрупп и чувствительности: Планируемые анализы подгрупп оказались невозможны из-за ограниченного количества исследований (<10) на один результат. Анализ чувствительности проводился путём перехода на модель с фиксированным эффектом. Были запланированы анализы чувствительности для оценки устойчивости объединённых оценок, включая исключение исследований, оценённых как низкое качество, и переход на модель с фиксированным эффектом. Был проведён анализ чувствительности, исключённый из двух исследований, оценённый как низкое качество (балл JBI ≤4)27,28. Объединённые оценки эффекта для оставшихся семи исследований (n = 3 161) были схожи с основным анализом для всех исходов, и все ассоциации оставались статистически значимыми (p < 0,001). Таким образом, все 9 исследований были сохранены в первичном анализе. Поскольку исключение этих исследований существенно не изменило результаты, они были сохранены в первичном анализе для максимизации размера выборки и обобщаемости.

Оценка смещения публикаций: Для результатов, включая исследования ≥10, было запланировано визуальное осмотр графиков воронок на предмет асимметрии. Поскольку все результаты включали менее 10 исследований, формальные тесты, такие как регрессионный тест Эггера, являются недостаточно мощными и обычно не рекомендуются. Однако для результата с наибольшим количеством исследований (отношение, n = 9) был проведён исследовательский регрессионный тест Эггера в качестве пост-хок анализа. Результаты следует интерпретировать с крайней осторожностью из-за низкой статистической мощности.

Программное обеспечение: Все статистические анализы проводились с использованием программного обеспечения Review Manager (RevMan), версии 5.4 (The Cochrane Collaboration, Копенгаген, Дания).

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

Results

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

После изучения 2245 соответствующих публикаций 9 исследований, опубликованных в период с 2021 по 2025 годы, соответствовали критериямвключения 26, 27, 28, 29, 30, 31, 32, 33, 34. Т...

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

Discussion

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

В текущем мета-анализе было изучено 9 исследований с участием 3648 медсестёр: 26, 27, 28, 29, 30, 31, 32, 33, 34. В этом мета-анализе сравнивались медсестры, которые сообщают, что знают, к...

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

Disclosures

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

Авторы заявляют, что у них нет конкурирующих интересов.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Библиотека КокрейнБиблиотека Кокрейнhttps://www.cochranelibrary.com/
EmbaseEmbasehttps://www.embase.com/landing?status=grey
EndNote X9Clarivate Analyticshttps://support.clarivate.com/Endnote/s/?language=en_USПрограммное обеспечение для управления ссылками для дедупликации и организации цитирования
Google ScholarGooglehttps://scholar.google.com/
Критический контрольный список Института Джоанны Бриггс (JBI)Институт Джоанны Бриггсhttps://jbi.global/critical-appraisal-toolsИнструмент оценки качества для аналитических поперечных исследований
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/en-usразработка форм извлечения данных; управление данными; Преобразование статистики
OVIDOVIDhttps://www.ovid.com/
Шаблон блок-схемы PRISMA 2020Рабочая группа PRISMAhttps://www.prisma-statement.org/prisma-2020-flow-diagramШаблон для диаграммы блока выбора исследований 
PubMedНациональные институты здравоохраненияhttps://pubmed.ncbi.nlm.nih.gov/
Менеджер по рецензиям (RevMan) Коллаборация КокрейнаВерсия 5.4Программное обеспечение для подготовки и поддержания обзоров Кокрейна; Используется для метаанализа (пулирование, лесные участки, гетерогенность, анализ чувствительности).

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