Method Article

Conoscenza dell'intelligenza artificiale nella pratica infermieristica: una meta-analisi di percezione, atteggiamento e intenzione

DOI:

10.3791/70892

⸱

May 29th, 2026

 , 
1Department of Hematology, Zhoushan Hospital

In This Article

Summary

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

Questa meta-analisi ha esaminato le differenze nelle percezioni, negli atteggiamenti e nelle intenzioni degli infermieri riguardo all'uso dell'intelligenza artificiale (IA) nell'assistenza ai pazienti. Gli infermieri che sapevano come viene utilizzata l'IA nella pratica infermieristica avevano percezioni, atteggiamenti e intenzioni significativamente più alti rispetto a chi non lo sapeva.

Abstract

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

Questa meta-analisi mirava a valutare le differenze di percezione, atteggiamento e intenzione riguardo all'uso dell'IA nell'assistenza ai pazienti tra infermieri con e senza conoscenza di come l'IA venga applicata nella pratica infermieristica.

Abbiamo effettuato una meta-analisi utilizzando un modello di esito continuo con metodi a effetti fissi o casuali per stimare la differenza media (MD) e gli intervalli di confidenza (IC) al 95% per ciascun risultato. Abbiamo selezionato 9 studi con 3648 infermiere per questa meta-analisi. Gli infermieri che conoscono come viene utilizzata l'IA nella pratica infermieristica avevano una percezione significativamente più elevata (MD grezzo aggregato, 1,43; IC 95%, 0,86–1,99, p < 0,001), dell'atteggiamento (MD, 1,80; IC 95%, 0,81–2,78, p < 0,001) e dell'intenzione (MD, 2,89; IC 95%, 1,61–4,16, p < 0,001) rispetto a coloro che non sanno come viene utilizzata l'IA nella pratica infermieristica. Tuttavia, l'eterogeneità è stata molto alta per tutti gli esiti (I2 = 91–98%), indicando una variazione sostanziale tra gli studi. Tuttavia, poiché questi risultati sono stati misurati utilizzando strumenti con intervalli di scala molto diversi (ad esempio, scale da 5 a 100 punti), la MD grezza aggregata non rappresenta una differenza assoluta coerente. La direzione coerente dell'effetto in tutti gli studi (positiva) è il risultato principale, non i valori specifici della MD.

Gli infermieri che sanno come viene utilizzata l'IA nella pratica infermieristica riportano percezioni, atteggiamenti e intenzioni più favorevoli rispetto a chi non lo sanno. Tuttavia, a causa dell'elevata eterogeneità, della variazione di scala e dei disegni trasversali, questi risultati sono solo ipotesi. Le rivendicazioni causali non sono giustificate.

Introduction

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

In particolare nel settore sanitario, l'intelligenza artificiale è diventata una tecnologia dirompente cruciale. I flussi di lavoro sanitari, i risultati clinici e l'erogazione delle cure ai pazienti sono tutti rivoluzionati dall'intelligenza artificiale1. L'infermieristica mira a fornire cure compassionevoli e basate sull'evidenza in contesti clinici2. Gli infermieri devono essere pronti ad adottare qualsiasi tecnologia che migliori i risultati complessivi per i pazienti, poiché sono professionisti sanitari in prima linea. L'intelligenza artificiale probabilmente verrà integrata nella pratica infermieristica. Per garantire l'adozione efficace dell'intelligenza artificiale nel settore sanitario, è necessario valutare la preparazione degli infermieri ad adottarla3. Poiché l'intelligenza artificiale ha il potenziale di far progredire l'assistenza sanitaria attraverso soluzioni precise, individualizzate e creative, la sua importanza è sempre più riconosciuta4. Con il suo enorme potenziale di migliorare i risultati clinici e aumentare l'efficienza negli ambienti sanitari, la comunità medica è entusiasta di integrare l'intelligenza artificiale nelle sue prime fasi di adattamento5. Tuttavia, nonostante l'interesse crescente, esistono poche ricerche sui punti di vista degli stakeholder riguardo all'applicazione dell'intelligenza artificiale nella sanità6. L'interesse per l'implementazione dell'IA nel settore sanitario varia tra gli stakeholder. Nonostante i vantaggi evidenti, ci sono diversi ostacoli all'implementazione dell'intelligenza artificiale in ambito sanitario, tra cui preoccupazioni sulla privacy dei dati, difficoltà nella conformità normativa e dilemmi etici7. I ricercatori devono colmare il divario di conoscenza riguardo alle prospettive degli infermieri sull'implementazione dell'intelligenza artificiale per garantire l'accettazione di cure basate su evidenze in questo contesto8. Per colmare questa lacuna, la presente meta-analisi confronta esplicitamente gli infermieri che riferiscono di sapere come l'IA viene utilizzata nella pratica infermieristica con quelli che non la conoscono, in ambiti di percezione, atteggiamento e intenzione riguardo all'IA nella cura dei pazienti. La ricerca deve concentrarsi maggiormente sul potenziale rivoluzionario dell'intelligenza artificiale per aumentare la produzione e sviluppare nuovi sistemi di erogazione, oltre a considerare punti di vista alternativi riguardo alla sua applicazione5. L'incertezza riguardo alle corrette applicazioni dell'intelligenza artificiale e i problemi di qualità dei dati rappresentano ulteriori ostacoli alla sua adozione nel settore sanitario9. Secondo valutazioni economiche, l'intelligenza artificiale migliora la qualità medica e consente metodi economicamente efficaci, in particolare in ambiti complessi come l'oftalmologia10. Affrontare gli ostacoli all'adozione dell'intelligenza artificiale è essenziale per garantire che tutti i suoi vantaggi vengano pienamente realizzati. Potenziare le competenze della forza lavoro, questioni etiche e la sfida di utilizzare con successo la tecnologia di intelligenza artificiale in contesti pratici sono alcuni degli ostacoli evidenziati in ricerche precedenti11. Tutti questi ostacoli hanno un impatto diretto su quanto il personale medico sia preparato ad adattarsi all'intelligenza artificiale. Con tecniche come i fuzzy expert systems, le reti bayesiane, le reti neurali artificiali e i sistemi ibridi intelligenti utilizzati in contesti clinici per migliorare l'erogazione delle cure, l'intelligenza artificiale sta diventando sempre più integrata nel settore sanitario12. Inoltre, sono in fase di sviluppo sistemi sofisticati, come sistemi di intelligenza artificiale di deep learning, che potrebbero essere in grado di automatizzare processi e rilevare malattie13. Di conseguenza, gli effetti dell'intelligenza artificiale nel settore sanitario saranno visti in diverse discipline e avranno un enorme potenziale per migliorare il trattamento clinico, anticipare i rischi e semplificare l'intero processo14. L'integrazione dell'intelligenza artificiale presenta ostacoli significativi per gli infermieri, tra cui questioni etiche, la necessità di adattarsi alle nuove tecnologie e il potenziale impatto sulle responsabilità infermieristiche15. Gli infermieri devono acquisire le conoscenze e le competenze necessarie per utilizzare correttamente gli strumenti di intelligenza artificiale man mano che il loro utilizzo avanza16. Secondo la ricerca, l'intelligenza emotiva migliora le interazioni degli infermieri con l'intelligenza artificiale, influenzando così sia la qualità dell'assistenza ai pazienti sia la capacità degli infermieri di adattarsi al suo utilizzo17. Un fattore critico che può influenzare il modo in cui gli infermieri percepiscono e interagiscono con l'IA è la loro conoscenza preesistente di come l'IA venga effettivamente applicata nella pratica infermieristica. Senza una comprensione di base delle funzioni concrete dell'IA — come il supporto decisionale clinico, l'analisi predittiva o il monitoraggio automatizzato — gli infermieri possono formare opinioni basate su disinformazione o mancanza di esposizione. Al contrario, gli infermieri con conoscenze pratiche sul ruolo dell'IA nella pratica infermieristica possono mostrare atteggiamenti più favorevoli, maggiore utilità percepita e intenzioni più forti nell'adottare strumenti di IA. Pertanto, abbiamo selezionato la "conoscenza di come l'intelligenza artificiale viene utilizzata nella pratica infermieristica" come principale variabile di esposizione per testare se questa specifica forma di conoscenza sia associata a differenze significative di percezioni, atteggiamenti e intenzioni. Pertanto, abbiamo condotto una meta-analisi per valutare le percezioni, gli atteggiamenti e le intenzioni degli infermieri riguardo all'uso dell'intelligenza artificiale nell'assistenza ai pazienti. Lo studio colma importanti lacune nella letteratura sugli atteggiamenti, le capacità e le conoscenze necessarie per applicare l'intelligenza artificiale nei contesti di assistenza ai pazienti. Lo studio propone piani per aumentare l'integrazione dell'intelligenza artificiale nell'infermieristica valutando la prontezza degli infermieri e individuando aree critiche di miglioramento.

In particolare, questa meta-analisi è stata progettata per confrontare tre esiti—percezione, atteggiamento e intenzione verso l'IA nell'assistenza ai pazienti—tra due gruppi di infermieri: coloro che riferiscono di sapere come l'IA viene utilizzata nella pratica infermieristica e chi non lo sa.

L'obiettivo principale di questo studio era scoprire come gli infermieri registrati fossero preparati a utilizzare l'intelligenza artificiale nelle loro procedure di cura del paziente.

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

Protocol

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

Disegno dello studio:

Questo studio è stato una revisione sistematica e una meta-analisi condotta secondo le linee guida PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analysis). La checklist completa PRISMA 2020 è fornita come Supplementary File 1. Il protocollo mirava a sintetizzare quantitativamente le evidenze sulle percezioni, gli atteggiamenti e le intenzioni degli infermieri riguardo all'uso dell'Intelligenza Artificiale (IA) nell'assistenza ai pazienti, confrontando coloro che avevano conoscenze pregresse sull'IA con quelli senza18 anni. La Figura 1 illustra il processo di selezione degli studi.

Criteri di ammissibilità
Gli studi sono stati selezionati sulla base del seguente quadroPICOS 19:

Popolazione (P): Infermieri registrati o responsabili infermieristici di qualsiasi specialità clinica o contesto.

Intervento (I)/Esposizione: Avere conoscenze, formazione o consapevolezza dell'uso dell'IA nella pratica infermieristica.

Confronto (C): Infermieri o studenti infermieristici che dichiarano di non sapere come l'IA venga utilizzata nella pratica infermieristica.

Esiti (O): Misure quantitative di percezione, atteggiamento o intenzione verso l'IA nell'assistenza al paziente, riportate come punteggi medi con deviazioni standard (SD) o dati convertibili in tali dati.

Disegno dello studio (S): Studi osservazionali (trasversali o di coorte) e studi basati su sondaggi. Gli studi interventistici (ad esempio, studi controllati randomizzati) sono stati esclusi perché l'esposizione di interesse—la conoscenza di come l'IA viene utilizzata nella pratica infermieristica—è una caratteristica esistente piuttosto che un intervento randomizzato.

Criteri di esclusione:

Studi qualitativi, articoli di revisione, editoriali, lettere, abstract di conferenze senza dati completi e letteratura non sottoposta a revisione paritaria sono stati esclusi da questo studio. Sono stati esclusi gli studi che non fornivano dati quantitativi comparativi (ad esempio, media, SD, dimensione del campione) per i due gruppi (con vs. senza conoscenza dell'IA). Sono stati esclusi anche studi in cui la popolazione non era esclusivamente o principalmente composta da infermieri (ad esempio, gruppi misti di professionisti sanitari senza dati infermieristici separabili). Nessuno studio è stato escluso in base al linguaggio.

Fonti informative e strategia di ricerca

Una ricerca sistematica è stata effettuata su cinque database elettronici dalla loro creazione fino al 31 luglio 2025: PubMed, Cochrane Library, Embase, VID e Google Scholar.
La strategia di ricerca combinava vocabolario controllato (ad esempio, termini MeSH) e parole chiave in testo libero legate a tre concetti fondamentali: (1) Infermieri, (2) Intelligenza Artificiale e (3) Percezione/Atteggiamento. Gli operatori booleani "AND" e "OR" venivano usati per collegare termini all'interno e tra i concetti. Una strategia di ricerca di esempio per PubMed è fornita nella Tabella 1. Le liste di riferimento di tutti gli studi inclusi e delle revisioni rilevanti sono state esaminate manualmente per identificare ulteriori pubblicazioniammissibili 21. Le stringhe di ricerca riproducibili complete per ogni database sono fornite di seguito. La sintassi è stata adattata al formato richiesto da ciascun database, includendo tag di campo appropriati, vocabolario controllato (MeSH, EMTREE) e operatori booleani. Non sono state applicate restrizioni linguistiche o di data. La ricerca è stata effettuata il 31 luglio 2025.

Processo di selezione degli studi

Il processo di selezione dello studio ha seguito il diagramma di flusso PRISMA (vedi Figura 1). Tutti i record recuperati sono stati importati in EndNote X9 (Clarivate Analytics) per la deduplicazione. Due revisori indipendenti hanno esaminato titoli e abstract rispetto ai criteri di ammissibilità. Gli studi ritenuti potenzialmente rilevanti da uno dei revisori sono passati alla revisione integrale. Gli stessi due revisori hanno valutato indipendentemente i testi completi degli studi selezionati. I disaccordi in qualsiasi fase venivano risolti tramite discussione e consenso. Non era necessario alcun terzo revisore. L'elenco finale degli studi che soddisfano tutti i criteri è stato concordato per consenso.

Estrazione e gestione dei dati22

Un modulo standardizzato e pilotato per l'estrazione dei dati è stato sviluppato in un foglio di calcolo. I due revisori hanno estratto indipendentemente i dati da ciascuno studio incluso. I dati estratti includevano caratteristiche dello studio, dettagli della popolazione, definizione dell'esposizione e dati sugli esiti.

Caratteristiche dello studio: Primo autore, anno di pubblicazione, paese, disegno dello studio e dimensione del campione.

Dettagli della popolazione: tipo di infermiere (ad esempio, clinico, studente, manager), contesto clinico, età media, distribuzione di genere.

Definizione dell'esposizione: Come è stata definita e misurata la "conoscenza dell'uso dell'IA nella pratica infermieristica" (ad esempio, corso di formazione specifico, familiarità auto-riportata su scala di Likert).

Dati di esame: Per ciascun esito rilevante (percezione, atteggiamento, intenzione), sono stati estratti il punteggio medio, la deviazione standard (SD) e la dimensione del campione (n) sia per i gruppi "esperti di AI" che per quelli "non esperti di AI". Se le medie e le deviazioni standard (SD) non venivano riportate direttamente, venivano calcolate a partire dalle statistiche disponibili utilizzando metodi descritti nel Cochrane Handbook for Systematic Reviews of Interventions (Versione 6.4)19. In particolare:

Dalle mediane e dagli intervalli interquartili (IQR): Il metodo di Wan et al. (2014)23 è stato utilizzato per stimare medie e SD.

Dagli intervalli di confidenza (IC) del 95% e dalle dimensioni del campione: i SD sono stati calcolati a posteriori usando la formula: SD = √n × (limite superiore IC – limite CI inferiore) / (2 × 1,96).

Dai valori p e dalle dimensioni del campione: i SD sono stati stimati utilizzando il metodo descritto nel Cochrane Handbook (Sezione 6.5.2.3) quando erano disponibili t-statistiche o p-valori esatti.

Tra i 9 studi inclusi, tre richiedevano la conversione dei dati perché medie e SD non erano state riportate nel formato richiesto per la meta-analisi:

Studio [Autore, Anno]: mediane e IQR riportati; convertito usando il metodo Wan et al.23 .

Studio [Autore, Anno]: Riportato solo IC del 95%; I SD hanno retrocalcolato.

Studio [Autore, Anno]: Medie riportate senza SD ma fornito valori p per confronti di gruppo; SD stimate dai valori p.

I restanti 6 studi riportavano medie e SD direttamente e non richiedevano conversione. Tutti i valori convertiti sono stati verificati indipendentemente da due revisori.

Valutazione del rischio di bias (qualità)24

La qualità metodologica degli studi osservazionali inclusi è stata valutata indipendentemente da due revisori utilizzando la checklist di valutazione critica del Joanna Briggs Institute (JBI) per studi analiticitrasversali 25. Questo strumento valuta ambiti come la rappresentatività del campione, la misurazione dell'esposizione e degli esiti, la confusione e l'analisi statistica. Ogni voce era valutata come "Sì", "No", "Non chiaro" o "Non applicabile." È stata assegnata una valutazione complessiva della qualità dello studio (Alta, Moderata, Bassa) sulla base del consenso. I disaccordi sono stati risolti come descritto sopra.

Sintesi dei dati e analisi statistica

Misura d'effetto: La misura primaria dell'effetto era la differenza media (DM) con un intervallo di confidenza (IC) del 95%. Un MD > 0 indicava un punteggio più alto (ad esempio, un atteggiamento più positivo) nel gruppo con conoscenze sull'IA.

Modello di meta-analisi: Un modello a effetti casuali è stato utilizzato per tutte le analisi primarie a causa dell'eterogeneità clinica e metodologica prevista tra gli studi. Un modello a effetti casuali è stato applicato anche come analisi disensibilità 26,27.

Valutazione dell'eterogeneità: L'eterogeneità statistica è stata quantificata utilizzando la statistica I2 . I2 valori di 25%, 50% e 75% sono stati interpretati rispettivamente come bassa, moderata e alta eterogeneità. È stato consultato anche il test Q di Cochran (p < 0,10, che indica eterogeneità significativa).

Analisi di sottogruppi e sensibilità: Le analisi pianificate dei sottogruppi non sono state fattibili a causa del numero limitato di studi (<10) per risultato. Le analisi di sensibilità sono state condotte passando a un modello a effetto fisso. Sono state pianificate analisi di sensibilità per valutare la robustezza delle stime aggregate, includendo l'esclusione degli studi valutati come di bassa qualità e il passaggio a un modello a effetto fisso. È stata eseguita un'analisi di sensibilità escludendo i due studi valutati come di bassa qualità (punteggio JBI ≤4)27,28. Le stime dell'effetto aggregato per i restanti sette studi (n = 3.161) erano simili all'analisi principale per tutti gli esiti, e tutte le associazioni sono rimaste statisticamente significative (p < 0,001). Pertanto, tutti e 9 gli studi sono stati mantenuti nell'analisi primaria. Poiché escludere questi studi non ha modificato in modo significativo i risultati, questi sono stati mantenuti nell'analisi primaria per massimizzare la dimensione del campione e la generalizzabilità.

Valutazione del bias di pubblicazione: Era prevista un'ispezione visiva dei diagrammi di imbuto per l'asimmetria per risultati inclusi ≥10 studi. Poiché tutti gli esiti includevano meno di 10 studi, test formali come il test di regressione di Egger sono sottovalutati e tipicamente non raccomandati. Tuttavia, è stato eseguito un test esplorativo di regressione di Egger per l'esito con il maggior numero di studi (atteggiamento, n = 9) come analisi post-hoc. I risultati devono essere interpretati con estrema cautela a causa della bassa potenza statistica.

Software: Tutte le analisi statistiche sono state effettuate utilizzando il software Review Manager (RevMan), versione 5.4 (The Cochrane Collaboration, Copenaghen, Danimarca).

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

Results

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

Dopo aver esaminato 2245 pubblicazioni pertinenti, 9 studi pubblicati tra il 2021 e il 2025 hanno soddisfatto i criteridi inclusione 26,27,28,29,30,31,32,33,34. La Tabella 2

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

Discussion

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

Per l'attuale meta-analisi, sono stati studiati 9 studi con 3648 infermieri: 26,27,28,29,30,31,32,33,34. Questa meta-analisi ha confrontato gli infermieri che riferiscono di sapere come l'...

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

Disclosures

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

Gli autori dichiarano di non avere interessi in competizione.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Biblioteca CochraneBiblioteca Cochranehttps://www.cochranelibrary.com/
EmbaseEmbasehttps://www.embase.com/landing?status=grey
Fine Nota X9Clarivate Analyticshttps://support.clarivate.com/Endnote/s/?language=en_USSoftware di gestione delle fonti per la deduplicazione e l'organizzazione delle citazioni
Google ScholarGooglehttps://scholar.google.com/
Lista di controllo per la valutazione critica del Joanna Briggs Institute (JBI)Istituto Joanna Briggshttps://jbi.global/critical-appraisal-toolsStrumento di valutazione della qualità per studi analitici trasversali
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/en-ussviluppo di moduli di estrazione dati; gestione dei dati; Conversione delle statistiche
OVIDIOOVIDIOhttps://www.ovid.com/
Modello di diagramma di flusso PRISMA 2020Gruppo di Lavoro PRISMAhttps://www.prisma-statement.org/prisma-2020-flow-diagramModello per il diagramma di flusso di selezione dello studio  
PubMedIstituti Nazionali di Salutehttps://pubmed.ncbi.nlm.nih.gov/
Responsabile delle Recensioni (RevMan) La Collaborazione CochraneVersione 5.4Software per la preparazione e la manutenzione delle revisioni Cochrane; Utilizzato per meta-analisi (pooling, forest plots, eterogeneità, analisi di sensibilità).

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