Method Article

Conhecimento sobre Inteligência Artificial na Prática de Enfermagem: Uma Meta-análise de Percepção, Atitude e Intenção

DOI:

10.3791/70892

⸱

May 29th, 2026

 , 
1Department of Hematology, Zhoushan Hospital

In This Article

Summary

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

Esta meta-análise examinou as diferenças nas percepções, atitudes e intenções dos enfermeiros em relação ao uso da inteligência artificial (IA) no cuidado ao paciente. Enfermeiros que sabiam como a IA é usada na prática de enfermagem tinham percepções, atitudes e intenções significativamente mais altas do que aqueles que não sabiam.

Abstract

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

Esta meta-análise teve como objetivo avaliar diferenças de percepção, atitude e intenção em relação ao uso da IA no cuidado ao paciente entre enfermeiros com ou sem conhecimento de como a IA é aplicada na prática de enfermagem.

Realizamos uma meta-análise usando um modelo de resultado contínuo com métodos de efeitos fixos ou aleatórios para estimar a diferença média (DM) e os intervalos de confiança (ICs) de 95% para cada resultado. Selecionamos 9 estudos com 3648 enfermeiros para esta meta-análise. Enfermeiros que conhecem como a IA é usada na prática de enfermagem apresentaram percepção significativamente maior (DM bruto agrupado, 1,43; IC 95%, 0,86–1,99, p < 0,001), atitude (DM, 1,80; IC 95%, 0,81–2,78, p < 0,001) e intenção (DM, 2,89; IC 95%, 1,61–4,16, p < 0,001) em comparação com aqueles que não sabem como a IA é usada na prática de enfermagem. No entanto, a heterogeneidade foi muito alta para todos os desfechos (I2 = 91–98%), indicando variação substancial entre os estudos. No entanto, como esses resultados foram medidos usando instrumentos com faixas de escala amplamente variadas (por exemplo, escalas de 5 a 100 pontos), a DM bruta agrupada não representa uma diferença absoluta consistente. A direção consistente do efeito em todos os estudos (positiva) é o achado principal, não os valores específicos de DM.

Enfermeiros que sabem como a IA é usada na prática de enfermagem relatam percepções, atitudes e intenções mais favoráveis do que aqueles que não sabem. No entanto, devido à alta heterogeneidade, variação de escala e desenhos de seção transversal, esses achados são apenas geradores de hipóteses. Reivindicações causais não são justificadas.

Introduction

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

Particularmente no setor de saúde, a inteligência artificial tornou-se uma tecnologia disruptiva crucial. Fluxos de trabalho em saúde, resultados clínicos e prestação de cuidados ao paciente estão sendo revolucionados pela inteligência artificial1. A enfermagem busca oferecer um cuidado compassivo e baseado em evidências em ambientes clínicos2. Os enfermeiros devem estar prontos para adotar qualquer tecnologia que melhore os resultados gerais dos pacientes, pois são profissionais de saúde de linha de frente. A inteligência artificial provavelmente será integrada à prática de enfermagem. Para garantir a adoção bem-sucedida da inteligência artificial no setor de saúde, é necessário avaliar a preparação dos enfermeiros para adotá-la3. Como a inteligência artificial tem o potencial de avançar na saúde por meio de soluções precisas, individualizadas e criativas, sua importância é cada vez mais reconhecida4. Com seu enorme potencial para melhorar os resultados clínicos e aumentar a eficiência em ambientes de saúde, a comunidade médica tem se entusiasmado em integrar a inteligência artificial em seus estágios iniciais de adaptação5. No entanto, apesar do interesse crescente, há pouca pesquisa sobre os pontos de vista das partes interessadas em relação à aplicação da inteligência artificial na saúde6. O interesse na implementação de IA na saúde varia entre as partes interessadas. Apesar das vantagens aparentes, existem vários obstáculos para a implementação da inteligência artificial na saúde, incluindo preocupações com privacidade de dados, dificuldades com conformidade regulatória e dilemas éticos7. Os pesquisadores devem fechar a lacuna de conhecimento sobre as perspectivas dos enfermeiros sobre a implementação da inteligência artificial para garantir a aceitação do cuidado baseado em evidências nesse contexto8. Para suprir essa lacuna, a presente meta-análise compara explicitamente enfermeiros que relatam saber como a IA é usada na prática de enfermagem com aqueles que não sabem, em domínios de percepção, atitude e intenção em relação à IA no cuidado ao paciente. A pesquisa precisa focar mais no potencial revolucionário da inteligência artificial para aumentar a produção e desenvolver novos sistemas de entrega, além de considerar pontos de vista alternativos sobre sua aplicação5. A incerteza quanto às aplicações adequadas da inteligência artificial e problemas com a qualidade dos dados são mais obstáculos para sua adoção na indústria da saúde9. De acordo com avaliações econômicas, a inteligência artificial melhora a qualidade médica e possibilita métodos econômicos, especialmente em áreas complexas como oftalmologia10. Enfrentar os obstáculos à adoção da inteligência artificial é essencial para garantir que todas as suas vantagens sejam plenamente aproveitadas. Aprimorar a força de trabalho, questões éticas e o desafio de usar com sucesso a tecnologia de inteligência artificial em contextos práticos são alguns dos obstáculos apontados em pesquisas anteriores11. Esses obstáculos têm impacto direto na preparação do pessoal médico para se adaptar à inteligência artificial. Com técnicas como sistemas especialistas fuzzy, redes bayesianas, redes neurais artificiais e sistemas híbridos inteligentes usados em ambientes clínicos para melhorar a prestação de cuidados, a inteligência artificial está cada vez mais integrada à indústria de saúde12. Além disso, sistemas sofisticados estão sendo desenvolvidos, como sistemas de inteligência artificial de deep learning, que podem ser capazes de automatizar processos e detectar doenças13. Como resultado, os efeitos da inteligência artificial na indústria da saúde serão observados em diversas disciplinas e terão enorme potencial para melhorar o tratamento clínico, antecipar riscos e agilizar todo o processo14. Integrar a inteligência artificial apresenta obstáculos significativos para os enfermeiros, incluindo questões éticas, a necessidade de se adaptar às novas tecnologias e o possível impacto nas responsabilidades de enfermagem15. Os enfermeiros devem adquirir o conhecimento e as habilidades necessárias para usar corretamente ferramentas de inteligência artificial à medida que seu uso avança16. Segundo pesquisas, a inteligência emocional aprimora as interações dos enfermeiros com a inteligência artificial, impactando tanto a qualidade do cuidado ao paciente quanto a capacidade dos enfermeiros de se adaptarem ao seu uso17. Um fator crítico que pode influenciar como os enfermeiros percebem e interagem com a IA é o conhecimento prévio deles sobre como a IA é realmente aplicada na prática da enfermagem. Sem um entendimento básico das funções concretas da IA — como suporte à decisão clínica, análises preditivas ou monitoramento automatizado — os enfermeiros podem formar opiniões baseadas em desinformação ou falta de exposição. Por outro lado, enfermeiros com conhecimento prático do papel da IA na prática de enfermagem podem apresentar atitudes mais favoráveis, maior utilidade percebida e intenções mais fortes de adotar ferramentas de IA. Portanto, selecionamos "conhecimento de como a inteligência artificial é usada na prática de enfermagem" como a principal variável de exposição para testar se essa forma específica de conhecimento está associada a diferenças significativas em percepções, atitudes e intenções. Portanto, realizamos uma meta-análise para avaliar as percepções, atitudes e intenções dos enfermeiros em relação ao uso da inteligência artificial no cuidado ao paciente. O estudo fecha lacunas importantes na literatura sobre atitudes, habilidades e conhecimentos necessários para aplicar a inteligência artificial em ambientes de atendimento ao paciente. O estudo apresenta planos para aumentar a integração da inteligência artificial na enfermagem, avaliando a prontidão dos enfermeiros e identificando áreas críticas para melhorias.

Especificamente, esta meta-análise foi criada para comparar três resultados — percepção, atitude e intenção em relação à IA no cuidado ao paciente — entre dois grupos de enfermeiros: aqueles que relatam saber como a IA é usada na prática de enfermagem e aqueles que não sabem.

O principal objetivo deste estudo foi descobrir como os enfermeiros registrados estavam preparados para usar inteligência artificial em seus procedimentos de atendimento ao paciente.

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

Protocol

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

Desenho do estudo:

Este estudo foi uma revisão sistemática e meta-análise conduzida de acordo com as diretrizes PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analysis). A lista completa do PRISMA 2020 é fornecida como Arquivo Suplementar 1. O protocolo teve como objetivo sintetizar quantitativamente evidências sobre as percepções, atitudes e intenções dos enfermeiros em relação ao uso da Inteligência Artificial (IA) no cuidado ao paciente, comparando aqueles com conhecimento prévio de IA com aqueles sem18 anos. A Figura 1 ilustra o processo de seleção de estudos.

Critérios de elegibilidade
Os estudos foram selecionados com base no seguinte frameworkPICOS 19:

População (P): Enfermeiros registrados ou gerentes de enfermagem de qualquer especialidade clínica ou ambiente.

Intervenção (I)/Exposição: Ter conhecimento, treinamento ou consciência sobre o uso da IA na prática de enfermagem.

Comparação (C): Enfermeiros ou estudantes de enfermagem que relatam não saber como a IA é usada na prática de enfermagem.

Desfechos (O): Medidas quantitativas de percepção, atitude ou intenção em relação à IA no cuidado ao paciente, relatadas como médias com desvios padrão (DS) ou dados convertíveis para tal.

Desenho do estudo (S): Estudos observacionais (transversais ou de coorte) e estudos baseados em pesquisas. Estudos intervencionistas (por exemplo, ensaios clínicos randomizados) foram excluídos porque a exposição de interesse — o conhecimento de como a IA é usada na prática de enfermagem — é uma característica existente, e não uma intervenção randomizada.

Critérios de exclusão:

Estudos qualitativos, artigos de revisão, editoriais, cartas, resumos de conferências sem dados completos e literatura não revisada por pares foram excluídos deste estudo. Estudos que não forneceram dados quantitativos comparativos (por exemplo, média, SD, tamanho da amostra) para os dois grupos (com vs. sem conhecimento de IA) foram excluídos. Estudos em que a população não era exclusivamente ou principalmente enfermeira (por exemplo, grupos mistos de profissionais de saúde sem dados separáveis de enfermeiros) também foram excluídos. Nenhum estudo foi excluído com base na linguagem.

Fontes de informação e estratégia de busca

Uma busca sistemática foi realizada em cinco bancos de dados eletrônicos desde sua criação até 31 de julho de 202520: PubMed, Cochrane Library, Embase, VID e Google Scholar.
A estratégia de busca combinava vocabulário controlado (por exemplo, termos MeSH) e palavras-chave de texto livre relacionadas a três conceitos centrais: (1) Enfermeiros, (2) Inteligência Artificial e (3) Percepção/Atitude. Os operadores booleanos "AND" e "OR" eram usados para vincular termos dentro e entre conceitos. Uma estratégia de busca de exemplo para o PubMed é apresentada na Tabela 1. As listas de referências de todos os estudos incluídos e revisões relevantes foram manualmente selecionadas para identificar publicações elegíveisadicionais 21. As strings completas de busca reproduzíveis para cada banco de dados são fornecidas abaixo. A sintaxe foi adaptada ao formato exigido de cada banco de dados, incluindo tags de campo apropriadas, vocabulário controlado (MeSH, EMTREE) e operadores booleanos. Nenhuma restrição de idioma ou data foi aplicada. A busca foi realizada em 31 de julho de 2025.

Processo de seleção de estudos

O processo de seleção do estudo seguiu o diagrama de fluxo PRISMA (veja a Figura 1). Todos os registros recuperados foram importados para o EndNote X9 (Clarivate Analytics) para deduplicação. Dois revisores independentes analisaram títulos e resumos com base nos critérios de elegibilidade. Estudos considerados potencialmente relevantes por qualquer um dos revisores passaram a revisão em texto completo. Os mesmos dois revisores avaliaram independentemente os textos completos dos estudos pré-selecionados. Desentendimentos em qualquer etapa eram resolvidos por meio de discussão e consenso. Não foi necessário um terceiro revisor. A lista final de estudos que atende a todos os critérios foi acordada por consenso.

Extração e gestão de dados22

Um formulário padronizado e pilotado de extração de dados foi desenvolvido em uma planilha. Os dois revisores extraíram independentemente os dados de cada estudo incluído. Os dados extraídos incluíram características do estudo, detalhes populacionais, definição de exposição e dados de desfechos.

Características do estudo: Primeiro autor, ano de publicação, país, desenho do estudo e tamanho da amostra.

Detalhes da população: tipo de enfermeira (ex.: clínica, estudante, gerente), ambiente clínico, idade média, distribuição de gênero.

Definição de exposição: Como o "conhecimento sobre o uso de IA na prática de enfermagem" foi definido e medido (por exemplo, curso de treinamento específico, familiaridade auto-relatada em uma escala de Likert).

Dados de desfecho: Para cada resultado relevante (percepção, atitude, intenção), foram extraídos o escore médio, o desvio padrão (DS) e o tamanho da amostra (n) tanto para os grupos "com conhecimento de IA" quanto para os "não conhecedores de IA". Se médias e desvios padrão (DS) não foram relatados diretamente, eles foram calculados a partir das estatísticas disponíveis usando métodos descritos no Cochrane Handbook for Systematic Reviews of Interventions (Versão 6.4)19. Especificamente:

A partir das medianas e intervalos interquartis (IQR): O método de Wan et al. (2014)23 foi usado para estimar médias e SDs.

A partir de intervalos de confiança (ICs) e tamanhos de amostra de 95%, os SDs foram calculados retro-calculados usando a fórmula: SD = √n × (limite superior de IC – limite inferior de IC) / (2 × 1,96).

A partir dos valores p e tamanhos das amostras: os DSs foram estimados usando o método descrito no Manual Cochrane (Seção 6.5.2.3) quando estatísticas t ou valores p exatos estavam disponíveis.

Entre os 9 estudos incluídos, três exigiram conversão de dados porque médias e DSs não foram reportados no formato exigido para meta-análise:

Estudo [Autor, Ano]: Medianas e IQRs relatados; convertiu usando o método Wan et al.23 .

Estudo [Autor, Ano]: Relatou ICs de apenas 95%; SDs calculados de volta.

Estudo [Autor, Ano]: Médias reportadas sem SDs, mas forneceram valores p para comparações de grupos; DSs estimados a partir dos valores-p.

Os 6 estudos restantes relataram médias e pontos de acesso diretos e não exigiram conversão. Todos os valores convertidos foram verificados por dois revisores de forma independente.

Avaliação do risco de viés (qualidade)24

A qualidade metodológica dos estudos observacionais incluídos foi avaliada independentemente por dois revisores utilizando a lista de verificação crítica de avaliação do Joanna Briggs Institute (JBI) para estudos analíticostransversais 25. Esta ferramenta avalia domínios como representatividade da amostra, exposição e medição de resultados, confusão e análise estatística. Cada item foi pontuado como "Sim", "Não", "Incerto" ou "Não Aplicável". Uma avaliação geral de qualidade do estudo (Alta, Moderada, Baixa) foi atribuída com base no consenso. Os desentendimentos foram resolvidos conforme descrito acima.

Síntese de dados e análise estatística

Medida de efeito: A principal medida de efeito foi a diferença média (DM) com um intervalo de confiança (IC) de 95%. Um MD > 0 indicou uma pontuação mais alta (por exemplo, atitude mais positiva) no grupo com conhecimento de IA.

Modelo de meta-análise: Um modelo de efeitos aleatórios foi utilizado para todas as análises primárias devido à heterogeneidade clínica e metodológica prevista entre os estudos. Um modelo de efeito aleatório também foi aplicado como análise de sensibilidade26,27.

Avaliação de heterogeneidade: A heterogeneidade estatística foi quantificada usando a estatística I2 . I2 valores de 25%, 50% e 75% foram interpretados como baixa, moderada e alta heterogeneidade, respectivamente. O teste Q de Cochran (p < 0,10, indicando heterogeneidade significativa) também foi consultado.

Análise de subgrupos e sensibilidade: Análises planejadas por subgrupos não foram viáveis devido ao número limitado de estudos (<10) por desfecho. As análises de sensibilidade foram realizadas ao mudar para um modelo de efeito fixo. Análises de sensibilidade foram planejadas para avaliar a robustez das estimativas agrupadas, incluindo a exclusão de estudos classificados como de baixa qualidade e a transição para um modelo de efeito fixo. Foi realizada uma análise de sensibilidade excluindo os dois estudos classificados como de baixa qualidade (pontuação JBI ≤4)27,28. As estimativas do efeito combinado para os sete estudos restantes (n = 3.161) foram semelhantes à análise principal para todos os desfechos, e todas as associações permaneceram estatisticamente significativas (p < 0,001). Portanto, todos os 9 estudos foram mantidos na análise primária. Como a exclusão desses estudos não alterou materialmente os achados, eles foram mantidos na análise primária para maximizar o tamanho da amostra e a generalizabilidade.

Avaliação do viés de publicação: A inspeção visual dos gráficos de funil para assimetria foi planejada para desfechos incluindo ≥10 estudos. Como todos os resultados incluíram menos de 10 estudos, testes formais como o teste de regressão de Egger são subdimensionados e tipicamente não recomendados. No entanto, foi realizado um teste exploratório de regressão de Egger para o resultado com o maior número de estudos (atitude, n = 9) como análise post-hoc. Os resultados devem ser interpretados com extrema cautela devido ao baixo poder estatístico.

Software: Todas as análises estatísticas foram realizadas usando o software Review Manager (RevMan), versão 5.4 (The Cochrane Collaboration, Copenhague, Dinamarca).

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

Results

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

Após examinar 2245 publicações pertinentes, 9 estudos publicados entre 2021 e 2025 atenderam aos critériosde inclusão 26,27,28,29,30,31,32,33,34. A Tabela 2 resume os acha...

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

Discussion

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

Para a meta-análise atual, 9 estudos com 3648 enfermeiros foramestudados: 26,27,28,29,30,31,32,33,34. Esta meta-análise comparou enfermeiros que relatam saber como a IA é usada na prática ...

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

Disclosures

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

Os autores declaram que não têm interesses concorrentes.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Biblioteca CochraneBiblioteca Cochranehttps://www.cochranelibrary.com/
EmbaseEmbasehttps://www.embase.com/landing?status=grey
EndNote X9Clarivate Analyticshttps://support.clarivate.com/Endnote/s/?language=en_USSoftware de gerenciamento de referências para organização de deduplicação e citações
Google ScholarGooglehttps://scholar.google.com/
Lista de Verificação de Avaliação Crítica do Instituto Joanna Briggs (JBI)Instituto Joanna Briggshttps://jbi.global/critical-appraisal-toolsFerramenta de avaliação de qualidade para estudos analíticos transversais
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/en-usDesenvolvimento de formulários de extração de dados; gestão de dados; Conversão de estatísticas
OVÍDIOOVÍDIOhttps://www.ovid.com/
Modelo de Diagrama de Fluxo PRISMA 2020Grupo de Trabalho PRISMAhttps://www.prisma-statement.org/prisma-2020-flow-diagramModelo para diagrama de fluxo de seleção de estudo  
PubMedInstitutos Nacionais de Saúdehttps://pubmed.ncbi.nlm.nih.gov/
Gerente de Avaliações (RevMan) A Colaboração CochraneVersão 5.4Software para preparar e manter revisões Cochrane; Usado para meta-análise (agrupamento, plots florestais, heterogeneidade, análises de sensibilidade).

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