护理实践中人工智能知识：感知、态度与意向的荟萃分析

摘要

这项荟萃分析探讨了护士对在患者护理中使用人工智能（AI）的认知、态度和意愿方面的差异。了解人工智能在护理实践中如何应用的护士，其认知、态度和意愿显著高于不了解的护士。

摘要

本荟萃分析旨在评估在了解人工智能于护理实践中应用情况方面，有相关知识与无相关知识的护士在患者护理中对人工智能使用的态度、认知和意愿方面的差异。

我们采用连续性结果模型，通过固定效应或随机效应方法进行荟萃分析，以估算每项结局的均数差值（MD）及其95%置信区间（CI）。本荟萃分析共纳入9项研究，包含3648名护士。与不了解人工智能在护理实践中如何应用的护士相比，了解人工智能应用的护士在认知（合并原始MD为1.43；95% CI为0.86–1.99，p < 0.001）、态度（MD为1.80；95% CI为0.81–2.78，p < 0.001）和意愿（MD为2.89；95% CI为1.61–4.16，p < 0.001）方面均显著更高。 然而，所有结局的异质性均非常高（I² = 91–98%），表明各研究间存在显著差异。但由于这些结局采用的测量工具量表范围差异较大（例如5点量表至100点量表），合并的原始MD并不代表一致的绝对差异。所有研究中效应方向的一致性（均为正向）是主要发现，而非具体的MD数值。

了解人工智能在护理实践中应用的护士，其认知、态度和意愿比不了解的护士更为积极。然而，由于研究存在高度异质性、量表差异以及横断面设计，这些发现仅能用于提出假设，尚不足以支持因果推论。

引言

在医疗保健领域，人工智能已成为一项关键的颠覆性技术。人工智能正在彻底改变医疗工作流程、临床结果以及患者护理的提供方式¹。护理工作的目标是在各种临床环境中提供富有同理心且基于证据的照护²。由于护士是医疗保健一线的专业人员，他们必须做好准备，积极接纳任何能够提升整体患者治疗效果的技术。人工智能有望逐步融入护理实践之中。为确保人工智能在医疗保健领域的成功应用，有必要评估护士对采用该技术的准备程度³。由于人工智能具备通过精准化、个性化和创新性解决方案推动医疗进步的潜力，其重要性正日益受到认可⁴。鉴于其在改善临床疗效和提高医疗环境效率方面的巨大潜力，医学界在人工智能应用初期便对其整合表现出高度期待⁵。然而，尽管关注度不断提升，目前关于利益相关者对人工智能在医疗中应用看法的研究仍十分有限⁶。不同利益相关者对在医疗中实施人工智能的兴趣存在差异。尽管人工智能具有明显优势，但在医疗中实施仍面临诸多障碍，包括对数据隐私的担忧、监管合规的困难以及伦理困境⁷。研究人员必须弥补关于护士对人工智能实施态度的知识空白，以确保在此背景下循证护理的顺利推进⁸。为填补这一空白，本项荟萃分析明确比较了报告了解人工智能在护理实践中应用情况的护士与不了解该情况的护士，在人工智能应用于患者护理方面的认知、态度和使用意愿。研究需要更加关注人工智能在提升产出效率和开发新型服务模式方面的革命性潜力，同时考虑其应用中的不同观点⁵。对人工智能适当应用场景的不确定性以及数据质量问题，是阻碍其在医疗行业应用的进一步障碍⁹。根据经济学评估，人工智能可提升医疗质量并实现成本效益更高的方法，尤其在眼科等复杂领域表现突出¹⁰。解决人工智能应用中的障碍，对于充分实现其所有优势至关重要。提升从业人员技能、伦理问题以及在实际环境中有效应用人工智能技术的挑战，是先前研究中指出的主要障碍¹¹。这些障碍直接影响医务人员适应人工智能的能力。随着模糊专家系统、贝叶斯网络、人工神经网络以及混合智能系统等技术在临床环境中的应用，人工智能正日益融入医疗行业¹²。此外，深度学习人工智能系统等先进系统正在被开发，可能实现流程自动化和疾病检测¹³。因此，人工智能在医疗行业的影响将体现在多个领域，具有巨大潜力以改善临床治疗、预测风险并优化整体流程¹⁴。人工智能的整合为护士带来了重大挑战，包括伦理问题、适应新技术的需求以及对护理职责可能产生的影响¹⁵。随着人工智能应用的不断推进，护士必须掌握正确使用人工智能工具所需的知识与技能¹⁶。研究表明，情绪智力能够增强护士与人工智能的互动，从而影响患者护理质量以及护士适应人工智能使用的能力¹⁷。一个可能影响护士对人工智能认知和参与的关键因素，是他们对人工智能在护理实践中实际应用方式的现有了解程度。若缺乏对人工智能具体功能（如临床决策支持、预测性分析或自动监测）的基本理解，护士的观点可能基于错误信息或缺乏实际接触而形成。相反，对人工智能在护理实践中的作用具备实际了解的护士，可能表现出更积极的态度、更高的感知效用以及更强的使用意愿。因此，我们选择"对人工智能在护理实践中应用方式的了解"作为主要暴露变量，以检验这种特定知识是否与认知、态度和使用意愿方面的显著差异相关。基于此，我们开展了一项荟萃分析，以评估护士对人工智能在患者护理中应用的认知、态度和使用意愿。本研究填补了现有文献中关于在患者护理环境中应用人工智能所需态度、能力与知识方面的重要空白。通过评估护士的准备程度并识别关键改进领域，本研究为促进人工智能在护理领域的整合提供了可行方案。

具体而言，本荟萃分析旨在比较两组护士在人工智能用于患者护理方面的三个结局指标——认知、态度和意愿：一组为报告了解人工智能在护理实践中应用的护士，另一组为报告不了解的护士。

本研究的主要目标是了解注册护士在其患者护理流程中应用人工智能的准备情况。

方案

研究设计：

本研究是一项根据系统综述和荟萃分析优先报告条目（PRISMA）指南进行的系统综述与荟萃分析。完整的PRISMA 2020核对清单作为 补充文件1提供。该方案旨在定量整合有关护士对人工智能（AI）在患者护理中应用的看法、态度和意愿的证据，并比较具有AI既往知识与无此知识的护士之间的差异¹⁸。图1展示了研究筛选流程。

纳入标准
研究的筛选基于以下PICOS框架¹⁹：

人群（P）： 任何临床专业或工作场所的注册护士或护理管理人员。

干预（I）/暴露： 具备在护理实践中应用人工智能的知识、培训或意识。 

对照组（C）： 报告不了解人工智能在护理实践中如何应用的护士或护理专业学生。

结局（O）： 针对人工智能在患者护理中的 感知、 态度 或 意向 的定量测量，以均值±标准差（SD）形式报告，或数据可转换为该形式。

研究设计（S）： 观察性研究（横断面研究或队列研究）以及基于调查的研究。排除干预性研究（例如随机对照试验），因为所关注的暴露因素——即对人工智能在护理实践中应用方式的了解——是一种既有的特征，而非随机施加的干预措施。

排除标准：

本研究排除了定性研究、综述文章、社论、通讯、无完整数据的会议摘要以及非同行评审的文献。未提供两组间（具备与不具备人工智能知识）比较性定量数据（例如均值、标准差、样本量）的研究也被排除。研究对象人群不 exclusively 或主要为护士的研究（例如混合的医疗专业人员群体，且无法分离出护士数据）同样被排除。本研究未因语言因素排除任何研究。

信息来源与检索策略

在五个电子数据库中进行了系统的文献检索，检索时间从各数据库建库起至 2025年7月31日²⁰PubMed、Cochrane 图书馆、Embase、OVID 和 Google 学术搜索引擎。
检索策略结合了受控词汇（如MeSH术语）和与三个核心概念相关的自由词关键词：(1) 护士，(2) 人工智能，以及(3) 感知/态度。布尔运算符 "与" 和 "或" 用于连接概念内部及概念之间的术语。 PubMed 的示例检索策略如下所示 表1对所有纳入研究及相关综述的参考文献列表进行人工筛查，以识别其他符合条件的出版物²¹以下提供了每个数据库可完全复现的检索式。检索式已根据各数据库要求的格式进行语法调整，包括适当的字段标签、受控词表（MeSH、EMTREE）和布尔运算符。检索未限定语言和时间范围。检索日期为2025年7月31日。

研究筛选流程

研究筛选过程遵循PRISMA流程图（见图1）。所有检索到的文献记录均导入EndNote X9（Clarivate Analytics）进行去重处理。两名独立的评审员根据纳入标准对标题和摘要进行筛选。任一评审员认为可能相关的研究将进入全文评估阶段。 同两位评审员独立对入围研究的全文进行评估。任何阶段出现的分歧均通过讨论达成共识予以解决。本过程未涉及第三位评审员。 最终纳入的所有研究均经共识确定。

数据提取与管理²²

在电子表格中制定了一份标准化的、经过试点测试的数据提取表。两名评审员独立地从每项纳入的研究中提取数据。提取的数据包括研究特征、人群详细信息、暴露定义以及结局数据。

研究特征： 第一作者、发表年份、国家、研究设计和样本量。

人群详细信息： 护士类型（例如，临床护士、实习护士、管理者）、临床环境、平均年龄、性别分布。

暴露定义： 如何 "人工智能在护理实践中的应用知识" 被定义并进行了测量（例如，特定的培训课程、通过李克特量表自评的熟悉程度）。

结果数据： 对于每个相关结局指标（感知、态度、意向），分别报告两组的平均得分、标准差（SD）和样本量（n）。 "具备人工智能知识" 和 "非人工智能领域专家" 提取了各组数据。如果均值和标准差（SD）未直接报告，则根据《Cochrane 干预措施系统评价手册》（第 6.4 版）中描述的方法，利用可获得的统计量进行计算。¹⁹具体而言：

从中位数和四分位距（IQR）估算： 采用 Wan 等人（2014）²³ 提出的方法来估计均值和标准差（SD）。

根据95%置信区间（CIs）和样本量： 采用以下公式反推计算标准差（SD）：SD = √n ×（上界CI值 – 下界CI值）/（2 × 1.96）。

从 p 值和样本量： 当 t 统计量或精确 p 值可获得时，采用《Cochrane 手册》（第 6.5.2.3 节）中描述的方法估算标准差（SDs）。

在纳入的9项研究中， 三种必需的数据转换 因为均值和标准差未以元分析所需格式报告：

研究 [作者, 年份]： 报告了中位数和四分位距；采用 Wan 等人²³ 的方法进行转换。

研究 [作者, 年份]： 仅报告了 95% 置信区间；标准差为反向计算得出。

研究 [作者, 年份]： 报告了均值但未提供标准差（SD），并提供了组间比较的 p 值；SD 由 p 值估算得出。

其余6项研究直接报告了均值和标准差，无需转换。所有转换后的数值均由两名评审人员独立核对。 

偏倚风险（质量）评估²⁴

纳入的观察性研究的方法学质量由两名评审员使用以下方法独立评估 Joanna Briggs 研究所（JBI）分析性横断面研究质量评价清单²⁵该工具用于评估样本代表性、暴露与结局测量、混杂因素以及统计分析等维度。每项内容均被评分 "是的，" "不，" "不明确" 或 "不适用。" 根据共识对研究的整体质量进行评级（高、中、低）。分歧的解决方式如上所述。

数据整合与统计分析

效应指标： 主要效应指标为 均数差值（MD） 及其95%置信区间（CI）。MD > 0 表示具备人工智能知识的组别得分更高（例如，态度更积极）。

Meta分析模型： A 随机效应模型 用于所有主要分析，因为预期研究间存在临床和方法学异质性。此外， 随机效应模型 也被用于敏感性分析^26,27。

异质性评估： 采用 I² 统计量对统计学异质性进行量化。I² 值分别为 25%、50% 和 75% 时，解释为低、中、高度异质性。 Cochran's Q 检验 （p < 0.10，表示存在显著异质性）也被用于参考。

亚组分析与敏感性分析： 由于每项结局的研究数量有限（<10），无法进行计划中的亚组分析。通过改用固定效应模型进行敏感性分析。计划开展敏感性分析以评估合并估计值的稳健性，包括剔除质量评分较低的研究，并改用固定效应模型。已开展一项敏感性分析，剔除了两项质量评分较低的研究（JBI评分 ≤4）^27,28。剩余七项研究（n = 3,161）的合并效应估计值在所有结局上均与主要分析结果相似，且所有关联仍具有统计学显著性（p < 0.001）。因此，在主要分析中保留了全部9项研究。由于剔除这些研究并未对结果产生实质性影响，为最大化样本量和结果的可推广性，这些研究仍保留在主要分析中。

发表偏倚评估： 计划对包含 ≥10 项研究的结局指标通过漏斗图的视觉检查来评估其不对称性。由于所有结局指标所包含的研究均少于 10 项，正式的检验方法（如 Egger 回归检验）统计效能不足，通常不推荐使用。然而，作为事后分析，对纳入研究数量最多的结局指标（态度，n = 9）进行了探索性的 exploratory Egger 回归检验。由于统计效能极低，结果应极为谨慎地解读。

软件： 所有统计分析均使用 Review Manager（RevMan）软件，版本 5.4 （The Cochrane Collaboration，哥本哈根，丹麦）进行。

结果

在审查了2245篇相关出版物后，有9项发表于2021年至2025年之间的研究符合纳入标准^{26,27,28,29,30,31,32,33,34}。表2总结了这些研究的结果。共纳入3648名护士。各研究对暴露的定义有所不同，但均一致地涵盖了护士自我报告的知识、既往培训经历或对人工智能在护理实践中应用的熟悉程度。所有研究均采用横断面设计。

了解人工智能在护理实...

讨论

本次荟萃分析共纳入了9项研究，涉及3648名护士^{26,27,28,29,30,31,32,33,34}。该荟萃分析比较了了解人工智能在护理实践中应用情况的护士与不了解该情况的护士。在九项研究中，具备相关知识的组别在感知、态度和意愿方面的评分 consistently 较高。四项结局指标的差异均具有统计学意义，合并均数差值范围从1.43（感知）到6.79（知识）。

研究结果并不表明护士总体...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
Cochrane图书馆	Cochrane图书馆	https://www.cochranelibrary.com/
Embase	Embase	https://www.embase.com/landing?status=grey
EndNote X9	Clarivate Analytics	https://support.clarivate.com/Endnote/s/?language=en_US	用于去重和引文管理的参考文献管理软件
Google Scholar	Google	https://scholar.google.com/
Joanna Briggs研究所（JBI）批判性评价清单	Joanna Briggs研究所	https://jbi.global/critical-appraisal-tools	用于分析性横断面研究的质量评估工具
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/en-us	数据提取表开发；数据管理；统计量转换
OVID	OVID	https://www.ovid.com/
PRISMA 2020流程图模板	PRISMA工作组	https://www.prisma-statement.org/prisma-2020-flow-diagram	研究筛选流程图模板
PubMed	美国国立卫生研究院	https://pubmed.ncbi.nlm.nih.gov/
Review Manager (RevMan)	Cochrane协作网	Version 5.4	用于撰写和维护Cochrane系统评价的软件；用于meta分析（合并分析、森林图、异质性分析、敏感性分析）。