Method Article

Hemşirelik Uygulamasında Yapay Zeka Bilgisi: Algı, Tutum ve Niyetin Meta-Analizi

DOI:

10.3791/70892

⸱

May 29th, 2026

 , 
1Department of Hematology, Zhoushan Hospital

In This Article

Summary

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

Bu meta-analiz, hemşirelerin yapay zekanın (YZE) hasta bakımında kullanımına ilişkin algıları, tutumları ve niyetlerindeki farklılıkları inceledi. Hemşirelik uygulamasında yapay zekanın nasıl kullanıldığını bilen hemşireler, bilmeyenlere göre çok daha yüksek algılara, tutumlara ve niyetlere sahipti.

Abstract

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

Bu meta-analiz, hemşirelerin hemşirelik uygulamasında nasıl uygulandığına dair bilgisi olan ve olmayan hemşireler arasında hasta bakımında yapay zeka kullanımına ilişkin algı, tutum ve niyetteki farklılıkları değerlendirmeyi amaçladı.

Her sonuç için ortalama farkı (MD) ve %95 güven aralıklarını (CI) tahmin etmek için sabit veya rastgele etki yöntemleriyle sürekli bir sonuç modeli kullanarak bir meta-analiz yaptık. Bu meta-analiz için 3648 hemşire ile 9 çalışma seçtik. Hemşirelik uygulamalarında yapay zekanın nasıl kullanıldığını bilen hemşireler, yapay zekanın hemşirelik uygulamalarında nasıl kullanıldığını bilmeyenlere kıyasla algı (toplamda ham MD, 1,43; %95 GA, 0,86–1,99, p < 0,001), tutum (MD, 1,80; %95 GA, 0,81–2,78, p < 0,001) ve niyet (MD, 2,89; %95 CI, 1,61–4,16, p < 0,001) gibi önemli ölçüde daha yüksek algıya sahipti. Ancak, tüm sonuçlar için heterojenlik çok yüksekti (I2 = %91–98), bu da çalışmalar arasında önemli farklılıklar olduğunu gösteriyordu. Ancak, bu sonuçlar çok değişken ölçek aralıklarına sahip aletlerle (örneğin, 5 puandan 100 puana kadar) ölçüldüğünden, topladığı ham MD tutarlı bir mutlak fark oluşturmaz. Tüm çalışmalarda tutarlı etki yönü (pozitif) birincil bulgudur, spesifik MD değerleri değil.

Hemşirelik uygulamalarında yapay zekanın nasıl kullanıldığını bilen hemşireler, bilmeyenlere göre daha olumlu algılar, tutumlar ve niyetler bildirir. Ancak, yüksek heterojenlik, ölçek varyasyonu ve kesitsel tasarımlar nedeniyle bu bulgular sadece hipotez üretmektedir. Nedensel iddialar haklı değildir.

Introduction

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

Özellikle sağlık sektöründe, yapay zeka kritik bir yıkıcı teknoloji haline geldi. Sağlık hizmetleri iş akışları, klinik sonuçlar ve hasta bakım sunumu yapay zeka tarafından devrim niteliğinde değiştiriliyor1. Hemşirelik, klinik ortamlar arasında şefkatli, kanıta dayalı bakım sağlamayı amaçlar2. Hemşireler, ön saflarda çalışan sağlık profesyonelleri oldukları için, genel hasta sonuçlarını iyileştiren her türlü teknolojiyi benimsemeye hazır olmalıdırlar. Yapay zekanın hemşirelik pratiğine entegre olması muhtemeldir. Yapay zekanın sağlık sektöründe başarılı bir şekilde benimsenmesini sağlamak için, hemşirelerin bunu benimsemeye hazır olup olmadıklarının değerlendirilmesi gereklidir3. Yapay zeka, sağlamlığı hassas, bireyselleştirilmiş ve yaratıcı çözümlerle ilerletme potansiyeline sahip olduğundan, önemi giderek daha fazla kabul edilmektedir4. Sağlık ortamlarında klinik sonuçları iyileştirme ve verimliliği artırma konusundaki muazzam potansiyeline sahip olan tıp camiası, yapay zekayı uyumun erken aşamalarında entegre etmekten heyecan duyuyor5. Ancak, artan ilgi olmasına rağmen, sağlık hizmetlerinde yapay zekanın uygulanmasıyla ilgili paydaşların görüşleri hakkında çok az araştırma var6. Sağlık hizmetlerinde yapay zeka uygulamasına ilgi paydaşlar arasında değişir. Görünürdeki avantajlara rağmen, yapay zekanın sağlık hizmetlerinde uygulanmasında veri gizliliği endişeleri, düzenleyici uyumdaki zorluklar ve etik ikilemler gibi birçok engel vardır7. Araştırmacılar, bu bağlamda kanıta dayalı bakımın kabulünü sağlamak için hemşirelerin yapay zeka uygulaması konusundaki bakış açılarına ilişkin bilgi boşluğunu kapatmalıdır8. Bu açığı gidermek için, mevcut meta-analiz, yapay zekanın hemşirelik uygulamalarında nasıl kullanıldığını bildiğini bildiren hemşireleri, hasta bakımında yapay zekaya dair algı, tutum ve niyet alanlarında bilmeyenler ile açıkça karşılaştırmaktadır. Araştırmalar, yapay zekanın devrimci potansiyeline odaklanmalı, çıktıyı artırma ve yeni teslimat sistemleri geliştirmek, ayrıca uygulama konusunda alternatif bakış açılarını da göz önünde bulundurmak zorundadır5. Yapay zekanın doğru uygulamaları konusundaki belirsizlik ve veri kalitesiyle ilgili sorunlar, sağlık sektöründe benimsenmesini önlemez daha fazla engel olarak öne çıkarıyor9. Ekonomik değerlendirmelere göre, yapay zeka tıbbi kaliteyi artırır ve özellikle oftalmoloji gibi karmaşık alanlarda maliyet etkin yöntemler sunar10. Yapay zekanın benimsenmesinin önündeki engelleri aşmak, tüm avantajlarının tam olarak gerçekleşmesini sağlamak için hayati öneme sahiptir. İş gücünün becerilerinin geliştirilmesi, etik sorunlar ve yapay zeka teknolojisini pratik bağlamlarda başarılı bir şekilde kullanma zorluğu, önceki araştırmalarda belirtilen engellerden birkaçıdır11. Bu engellerin hepsi, tıbbi personelin yapay zekaya uyum sağlamaya ne kadar hazır olduğunu doğrudan etkiler. Klinik ortamlarda bakım sunumunu iyileştirmek için kullanılan bulanık uzman sistemleri, Bayes ağları, yapay sinir ağları ve hibrit zeki sistemler gibi tekniklerle yapay zeka sağlık sektörüne giderek entegre oluyor12. Ayrıca, süreçleri otomatikleştirebilen ve hastalıkları tespit edebilen derin öğrenme yapay zeka sistemleri gibi gelişmiş sistemler geliştirilmektedir13. Sonuç olarak, yapay zekanın sağlık sektöründeki etkileri çeşitli disiplinlerde ortaya çıkacak ve klinik tedaviyi iyileştirme, riskleri öngörme ve tüm süreci kolaylaştırma konusunda büyük potansiyele sahip olacak14. Yapay zekanın entegrasyonu, hemşireler için etik sorunlar, yeni teknolojiye uyum sağlama ihtiyacı ve hemşirelik sorumlulukları üzerindeki potansiyel etkiler gibi önemli engeller yaratmaktadır15. Hemşireler, kullanımları ilerledikçe yapay zeka araçlarını doğru şekilde kullanmak için gerekli bilgi ve becerileri edinmelidir16. Araştırmalara göre, duygusal zeka hemşirelerin yapay zeka ile etkileşimlerini geliştirerek hem hasta bakımının kalitesini hem de hemşirelerin bu kullanıma uyum sağlama kapasitesini etkiler17. Hemşirelerin yapay zekaya nasıl baktığını ve onunla nasıl etkileşime girdiğini etkileyebilecek kritik bir faktör, yapay zekanın hemşirelik pratiğinde nasıl uygulandığına dair mevcut bilgileridir. Klinik karar desteği, öngörücü analitik veya otomatik izleme gibi yapay zekanın somut işlevlerini temel olarak anlamadıkları için, hemşireler yanlış bilgi veya maruz kalmama temelinde görüşler oluşturabilirler. Buna karşılık, yapay zekanın hemşirelik pratiğindeki rolü hakkında pratik bilgiye sahip hemşireler daha olumlu tutumlar, daha fazla fayda algısı ve yapay zeka araçlarını benimseme niyetleri daha güçlü olabilir. Bu nedenle, bu özel bilgi biçiminin algılar, tutumlar ve niyetlerdeki anlamlı farklılıklarla ilişkili olup olmadığını test etmek için birincil maruziyet değişkeni olarak "hemşirelik uygulamasında yapay zekanın nasıl kullanıldığına dair bilgi" seçtik. Bu nedenle, hemşirelerin yapay zekanın hasta bakımında kullanımıyla ilgili algılarını, tutumlarını ve niyetlerini değerlendirmek için bir meta-analiz yaptık. Çalışma, yapay zekayı hasta bakım ortamlarında uygulamak için gereken tutumlar, yetenekler ve bilgi konusundaki literatürdeki önemli boşlukları kapatıyor. Çalışma, hemşirelerin hazırlığını değerlendirerek ve iyileştirme için kritik alanları belirleyerek yapay zekanın hemşirelikte entegrasyonunu artırma planları sunmaktadır.

Özellikle, bu meta-analiz üç sonucu karşılaştırmak için tasarlandı: hasta bakımında yapay zekaya yönelik algı, tutum ve niyet—iki hemşire grubu arasında: hemşirelik uygulamasında yapay zekanın nasıl kullanıldığını bilenler ve bilmeyenler.

Bu çalışmanın ana amacı, kayıtlı hemşirelerin hasta bakım prosedürlerinde yapay zeka kullanmaya ne kadar hazır olduklarını öğrenmekti.

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

Protocol

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

Çalışma tasarımı:

Bu çalışma, Sistematik İncelemeler ve Meta-Analizler için Tercih Edilen Raporlama Maddeleri (PRISMA) kılavuzlarına göre yapılan sistematik bir inceleme ve meta-analizdir. Tamamlanan PRISMA 2020 kontrol listesi, Ek Dosya 1 olarak sunulmaktadır. Protokol, hemşirelerin hasta bakımında Yapay Zeka (YZE) kullanımıyla ilgili algıları, tutumları ve niyetleri hakkında nicel bir kanıt oluşturmayı ve önceden yapay zeka bilgisi olanlarla18 yaşına sahip olmayanlarla karşılaştırmayı amaçladı. Şekil 1 , çalışma seçim sürecini göstermektedir.

Uygunluk kriterleri
Çalışmalar aşağıdaki PICOSçerçevesine göre seçilmiştir 19:

Nüfus (P): Herhangi bir klinik uzmanlık alanından veya ortamdan kayıtlı hemşireler veya hemşire yöneticileri.

Müdahale (I)/Maruz kalma: Hemşirelik pratiğinde yapay zeka kullanımı hakkında bilgi, eğitim veya farkındalığa sahip olmak.

Karşılaştırma (C): Hemşirelik uygulamasında yapay zekanın nasıl kullanıldığını bilmediğini bildiren hemşireler veya hemşirelik öğrencileri.

Sonuçlar (O): Hasta bakımında yapay zekaya karşı algı, tutum veya niyetin nicel ölçümleri; standart sapmalarla (SD) ortalama puanlar veya buna dönüştürülebilir veriler olarak bildirilir.

Çalışma tasarımı (S): Gözlemsel çalışmalar (kesitsel veya kohort) ve anket tabanlı çalışmalar. Girişimsel çalışmalar (örneğin, randomize kontrollü çalışmalar) dışlandı çünkü ilgi çekici bir maruziye—yapay zekanın hemşirelik uygulamasında nasıl kullanıldığına dair bilgi—rastgele bir müdahale yerine mevcut bir özelliktir.

Dışlama kriterleri:

Nitel çalışmalar, derleme makaleleri, editoryaller, mektuplar, tam veri içermeyen konferans özetleri ve hakemli olmayan literatür bu çalışmadan çıkarılmıştır. İki grup için karşılaştırmalı nicel veri (örneğin, ortalama, SD, örneklem büyüklüğü) sunmayan çalışmalar (yapay zeka bilgisi olanlar ve olmadan) hariç tutuldu. Nüfusun yalnızca hemşirelerden veya ağırlıklı olarak olmadığı çalışmalar (örneğin, ayrılabilir hemşire verileri olmayan karma sağlık profesyonelleri grupları) da hariç tutuldu. Dil temelinde hiçbir çalışma hariç tutulmadı.

Bilgi kaynakları ve arama stratejisi

Kuruluşlarından 31 Temmuz 2025'e kadar beş elektronik veritabanında sistematik bir aramayapıldı: PubMed, Cochrane Library, Embase, OVID ve Google Scholar.
Arama stratejisi, kontrollü kelime dağarcığını (örneğin MeSH terimleri) ve üç temel kavrama ilişkin serbest metin anahtar kelimelerini birleştirdi: (1) Hemşireler, (2) Yapay Zeka ve (3) Algı/Tutum. Boolean operatörleri "AND" ve "OR", kavramlar içinde ve arasında terimleri birbirine bağlamak için kullanıldı. PubMed için örnek bir arama stratejisi Tablo 1'de sunulmaktadır. Tüm dahil edilen çalışmaların referans listeleri ve ilgili incelemeler, ek uygun yayınlar belirlemek için manuel olaraktaranmıştır 21. Her veritabanı için tam tekrarlanabilir arama dizileri aşağıda sunulmaktadır. Sözdizim, her veritabanının gerekli formatına uyarlanmış, uygun alan etiketleri, kontrollü kelime dağarcığı (MeSH, EMTREE) ve Boolean operatörleri dahil. Herhangi bir dil veya tarih kısıtlaması uygulanmadı. Arama 31 Temmuz 2025'te gerçekleştirildi.

Çalışma seçimi süreci

Çalışma seçimi süreci PRISMA akış diyagramını takip etti ( bkz. Şekil 1). Alınan tüm kayıtlar, deduplication için EndNote X9'a (Clarivate Analytics) içe aktarıldı. İki bağımsız incelemeci, başlıkları ve özetleri uygunluk kriterlerine göre taradı. Her iki hakem tarafından potansiyel olarak ilgili olarak değerlendirilen çalışmalar tam metin incelemeye geçti. Aynı iki hakem, kısa listeye alınan çalışmaların tam metinlerini bağımsız olarak değerlendirdi. Her aşamadaki anlaşmazlıklar tartışma ve uzlaşma yoluyla çözülürdü. Üçüncü bir inceleme üyesi gerekmiyordu. Tüm kriterleri karşılayan çalışmaların nihai listesi uzlaşmayla kabul edildi.

Veri çıkarma ve yönetimi22

Standartlaştırılmış, pilotlu bir veri çıkarma formu bir elektronik tablo içinde geliştirildi. İki incelemeci, dahil edilen her çalışmadan bağımsız olarak veri çıkardı. Çıkarılan veriler arasında çalışma özellikleri, popülasyon detayları, maruziyet tanımı ve sonuç verileri yer aldı.

Çalışma özellikleri: İlk yazar, yayın yılı, ülke, çalışma tasarımı ve örneklem büyüklüğü.

Nüfus detayları: Hemşire tipi (ör. klinik, öğrenci, yönetici), klinik ortam, ortalama yaş, cinsiyet dağılımı.

Maruz kalma tanımı: "Hemşirelik uygulamasında yapay zeka kullanımı bilgisi" nasıl tanımlandı ve ölçüldü (örneğin, özel eğitim kursu, Likert ölçeğinde kendi kendini bildiren aşinalık).

Sonuç verileri: Her ilgili sonuç (algı, tutum, niyet) için hem "yapay zeka bilgili" hem de "yapay zeka bilgisi olmayan" gruplar için ortalama puan, standart sapma (SD) ve örneklem büyüklüğü (n) çıkarıldı. Ortalama ve standart sapmalar (SD'ler) doğrudan bildirilmediyse, Cochrane Handbook for Systematic Reviews of Interventions (Sürüm 6.4)19'da tanımlanan yöntemlerle mevcut istatistiklerden hesaplandı. Özellikle:

Medyanlardan ve çeyreklerarası aralıklardan (IQR): Wan ve ark. (2014)23 yöntemi ortalama ve SD'leri tahmin etmek için kullanıldı.

%95 güven aralıkları (CI) ve örneklem boyutlarından: SD'ler şu formülle geriye dönük hesaplandı: SD = √n × (üst CI sınırı – alt CI sınırı) / (2 × 1.96).

p-değerleri ve örneklem boyutlarından: SD'ler, Cochrane El Kitabı'nda (Bölüm 6.5.2.3) t-istatistikleri veya kesin p-değerleri bulunduğunda tarif edilen yöntemle tahmin edilmiştir.

Dahil edilen 9 çalışmadan üçü meta-analiz için gereken formatta ortalama ve SD'lerin raporlanmaması nedeniyle veri dönüşümünü gerektirdi:

Çalışma [Yazar, Yıl]: Rapor edilen medyanlar ve IQR; Wan ve ark.23 yöntemiyle dönüştürülmüştür.

Çalışma [Yazar, Yıl]: Sadece %95 CI bildirildi; SD'ler hesaplandı.

Çalışma [Yazar, Yıl]: SD olmadan rapor edilen ortalamalar ancak grup karşılaştırmaları için p-değerleri sağlandı; SD'ler p-değerlerinden tahmin edilir.

Kalan 6 çalışma doğrudan ortalamaları ve SD'leri rapor etti ve dönüşüm gerektirmedi. Tüm dönüştürülmüş değerler iki incelemeci tarafından bağımsız olarak doğrulandı.

Önyargı (kalite) riski değerlendirmesi24

Dahil edilen gözlemsel çalışmaların metodolojik kalitesi, Joanna Briggs Enstitüsü (JBI) analitik kesitsel çalışmalar için eleştirel değerlendirme kontrol listesi kullanılarak iki hakem tarafından bağımsız olarakdeğerlendirildi 25. Bu araç, örneklem temsililiği, maruz kalma ve sonuç ölçümü, karıştırıcı ve istatistiksel analiz gibi alanları değerlendirir. Her madde "Evet", "Hayır", "Belirsiz" veya "Uygulanamaz" olarak puanlandı. Genel bir çalışma kalite derecesi (Yüksek, Orta, Düşük) uzlaşmaya dayalı olarak verildi. Anlaşmazlıklar yukarıda açıklandığı gibi çözüldü.

Veri sentezi ve istatistiksel analiz

Etki ölçüsü: Birincil etki ölçütü, %95 güven aralığı (CI) ile ortalama fark (MD) idi. MD > 0, yapay zeka bilgisi olan grupta daha yüksek bir puan (örneğin, daha olumlu tutum) gösterdi.

Meta-analiz modeli: Tüm birincil analizler için beklenen klinik ve metodolojik heterojenlik nedeniyle rastgele etkiler modeli kullanılmıştır. Rastgele etki modeli de duyarlılık analiziolarak uygulanmıştır 26,27.

Heterojenlik değerlendirmesi: İstatistiksel heterojenlik, I2 istatistiği kullanılarak nicelendirilmiştir. I2 değerleri %25, %50 ve %75 olarak sırasıyla düşük, orta ve yüksek heterojenlik olarak yorumlandı. Cochran'ın Q testi (p < 0.10, önemli heterojenliği göstermektedir) de danışıldı.

Alt grup ve duyarlılık analizi: Planlanan alt grup analizleri, sonuç başına sınırlı sayıda çalışma (<10) nedeniyle mümkün değildi. Duyarlılık analizleri, sabit etkili modele geçilerek gerçekleştirildi. Toplanan tahminlerin sağlamlığını değerlendirmek için duyarlılık analizleri planlandı; düşük kalitede olarak değerlendirilen çalışmalar hariç tutuldu ve sabit etkili modele geçiş yapıldı. Düşük kalite olarak değerlendirilen iki çalışma hariç bir hassasiyet analizi yapıldı (JBI puanı ≤4)27,28. Kalan yedi çalışmanın (n = 3.161) toplanan etki tahminleri, tüm sonuçlar için ana analizle benzerdi ve tüm ilişkiler istatistiksel olarak anlamlı kaldı (p < 0.001). Bu nedenle, 9 çalışmanın tamamı birincil analizde korundu. Bu çalışmaların hariç tutulması bulguları maddi olarak değiştirmediği için, örneklem büyüklüğü ve genellenebilirliği maksimize etmek için birincil analizde korundu.

Yayın yanlılığı değerlendirmesi: Huni grafiklerinin asimetri açısından görsel incelenmesi, sonuçlar için ≥10 çalışmalar için planlandı. Tüm sonuçlar 10'dan az çalışmayı içerdiğinden, Egger'in regresyon testi gibi resmi testler yetersiz ve genellikle önerilmez. Ancak, en fazla çalışmaya sahip sonuç için (tutum, n = 9) için araştırmacı bir Egger regresyon testi sonradan yapılan bir analiz olarak gerçekleştirildi. Sonuçlar, düşük istatistiksel güç nedeniyle son derece dikkatli yorumlanmalıdır.

Yazılım: Tüm istatistiksel analizler Review Manager (RevMan) yazılımı, sürüm 5.4 (The Cochrane Collaboration, Kopenhag, Danimarka) kullanılarak gerçekleştirildi.

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

Results

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

2245 ilgili yayın incelendikten sonra, 2021 ile 2025 yılları arasında yayımlanan 9 çalışma 26,27,28,29,30,31,32,33,34 dahil etme kriterlerini karşılamıştır. Tablo 2, bu ça...

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

Discussion

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

Mevcut meta-analiz için, 3648 hemşire ile 9 çalışma yapıldı: 26,27,28,29,30,31,32,33,34. Bu meta-analiz, yapay zekanın hemşirelik uygulamasında nasıl kullanıldığını bildiğini bildiren hemş...

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

Disclosures

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

Yazarlar, rekabet eden çıkarları olmadığını belirtirler.

Acknowledgements

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

Hiçbiri yok

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Cochrane KütüphanesiCochrane Kütüphanesihttps://www.cochranelibrary.com/
EmbaseEmbasehttps://www.embase.com/landing?status=grey
Son Not X9Clarivate Analyticshttps://support.clarivate.com/Endnote/s/?language=en_USDeduplication ve atıf organizasyonu için referans yönetim yazılımı
Google ScholarGooglehttps://scholar.google.com/
Joanna Briggs Enstitüsü (JBI) Eleştirel Değerlendirme Kontrol ListesiJoanna Briggs Enstitüsühttps://jbi.global/critical-appraisal-toolsAnalitik kesitsel çalışmalar için kalite değerlendirme aracı
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/en-usVeri çıkarma formu geliştirme; veri yönetimi; İstatistiklerin dönüşümü
OVIDOVIDhttps://www.ovid.com/
PRISMA 2020 Akış Diyagramı ŞablonuPRISMA Çalışma Grubuhttps://www.prisma-statement.org/prisma-2020-flow-diagramÇalışma seçimi akış diyagramı için şablon  
PubMedUlusal Sağlık Enstitülerihttps://pubmed.ncbi.nlm.nih.gov/
İnceleme Yöneticisi (RevMan) Cochrane İşbirliğiSürüm 5.4Cochrane incelemelerini hazırlamak ve sürdürmek için yazılım; meta-analiz için kullanılır (havuzlama, orman alanları, heterojenlik, duyarlılık analizleri).

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