变革性前景与实施挑战：医疗管理者对人工智能的认知与体验——一项混合方法系统评价

《Health Care Management Review》：Transformative promise and implementation challenges: Health care managers' perceptions and experiences of artificial intelligence—A mixed-methods systematic review

　　**背景：**人工智能（AI）是一项技术发展，为管理医疗服务提供了新的机会。

**目的：**识别并综合关于医疗管理者及其他专业人士在管理中运用AI的经验和看法的最佳证据。

**方法/途径：**本研究遵循Joanna Briggs Institute的方法论，采用混合方法进行系统评价，采用 convergent integrated 方法，包括定性和定量数据的综合分析，随后进行主题分析。2025年1月，我们在Ovid Medline、CINAHL、Scopus、ProQuest和Medic数据库中进行了系统性搜索，限定研究时间为2016至2025年之间，并且研究需以英语、瑞典语或芬兰语撰写。

**研究结果：**根据Preferred Reporting Items for Systematic Reviews and Meta-analyses (PRISMA)的指南报告了研究结果。共纳入16项研究，来自10个国家，其中包括11项定性研究和5项定量研究。参与者中90%为医疗管理者，10%为其他医疗专业人员，如护士、医生和开发者。主题分析提炼出五个主题，反映了参与者的看法和体验：AI作为变革工具的作用、AI应用的组织推动因素和结果、AI支持的运营和风险管理效率、AI带来的战略财务效益及长期价值创造，以及AI在医疗管理中的数据驱动机会与挑战。

**实践意义：**医疗管理者应加强与AI相关的能力、数据治理和组织准备度，以支持AI的有效实施。促进创新、员工参与和负责任的数据驱动决策的领导实践，有助于组织实现AI的运营和战略效益。全球医疗系统面临着诸多挑战（Shinners, Aggar, Stephens, & Grace, 2023），包括人口老龄化、人员短缺、成本上升和服务可及性降低（Tortorella, Fogliatto, Esp?sto, Mac Cawley, Vassolo, Tlapa, et al., 2022）。为应对这些挑战，数字化和其他技术创新被广泛应用于医疗领域（Shinners et al., 2023）。其中，人工智能（AI）是最重要的技术发展之一，为管理医疗服务带来了新的机遇（Morrow, Zidaru, Ross, Mason, Patel, Ream, et al., 2023; Rolison, Gooding, Russo, & Buchanan, 2024）。尽管AI在医疗管理中的应用前景广阔，但其实施也引发了伦理问题（López González, Moreno, Moreno Román, Hadfeg Fernández, & Cepero Pérez, 2024）。在医疗管理中，AI通常指基于提供的数据集进行分类或预测的机器学习方法（Rolison et al., 2024），AI还能通过提供数据驱动的建议来支持工作任务（Luck, 2024）。2010年代和2020年代的计算能力提升、云计算的普及、数据量的指数级增长以及机器学习的突破推动了AI的发展和应用（Santamato, Tricase, Faccilongo, Iacoviello, & Marengo, 2024）。AI使医疗管理层能够分析信息、检测异常并识别变量间的关联（Shinners et al., 2023）。此外，通过整合患者记录、反馈、人员配置水平和不良事件等信息，AI可以揭示因果关系。AI显著支持数据驱动的管理实践，包括成本预测、数据汇总、可视化和反馈分析（Alowais, Alghamdi, Alsuhebany, Alqahtani, Alshaya, Almohareb, et al., 2023）。尽管AI具有巨大潜力，但其采用仍受到数据质量和可访问性、网络安全风险以及AI输出不准确性的限制（Hoose & Králiková, 2024）。未来法规的不确定性、解释难度以及管理专业知识的缺乏也构成挑战，仍需人工监督来验证AI生成的结果（Alowais et al., 2023）。医疗管理者负责规划、指导和监督医院、诊所及公立和私人医疗系统等机构中的医疗服务。如果他们对新技术（如AI）缺乏信任或了解，就更不容易采纳这些技术（Shinners et al., 2023）。因此，提高对AI优势、应用和潜在风险的认识至关重要（Kamath et al., 2024）。AI能够简化并转变日常临床和医疗管理工作，随着技术的不断进步，其应用和效益预计将进一步扩大（Darwiesh, El-Baz, Abualkishik, & Elhoseny, 2023; Luck, 2024）。虽然关于AI在临床医疗中的应用已有大量研究，但在医疗管理中的应用仍处于探索阶段。初步的数据库检索（PROSPERO、Ovid Medline、Cochrane Systematic Reviews 和 JBI Evidence Synthesis）未发现关于医疗管理者对AI管理应用看法的系统性评价。在检索过程中，发现了一项研究探讨了基于AI的技术对护士管理的影响（Gonzalez-Garcia et al., 2024）。然而，本研究重点关注医疗管理者及其他专业人员（如护士、医生和开发者）在管理或领导方面的经验和看法。这些混合方法系统评价的结果可用于支持医疗管理者和专业人员的日常工作实践和培训。该研究的目的是考察并综合医疗管理者对AI在医疗管理中应用的看法和经验。

**理论基础：**通过整合创新扩散理论（Rogers, 2003）、统一技术接受与使用理论（UTAUT; Venkatesh, Morris, Davis, & Davis, 2003）和社会技术系统理论（Trist & Emery, 2006），可以理解AI在医疗领域的采纳和实施。创新扩散理论将AI采纳视为一个在社会系统中传播的过程，这一过程受到相对优势、兼容性和复杂性等因素的影响（Rogers, 2003）。UTAUT理论通过性能或努力预期、社会影响和促进条件等个体层面的因素解释了接受度，强调了用户认知和组织支持的作用（Venkatesh et al., 2003）。从社会技术系统理论的角度来看，AI的实施不仅是技术过程，更是现代技术系统、人类行为者和组织结构之间的互动（Trist & Emery, 2006）。最新研究（Or, 2025）表明，AI在医疗领域的采纳源自个体认知和组织能力。这些理论共同提供了对医疗领域AI采纳的多层次理解，涵盖了个体接受度、组织准备度和管理支持以及系统转型。本研究旨在识别并综合医疗管理者及其他专业人士在管理中运用AI的经验和看法。在我们的评价中，关注了从一线主管到高层战略管理的不同组织层级的管理者及其他专业人士，包括医疗行业的护士、医生和开发者。尽管认知和经验是不同的概念，但两者都对理解医疗管理中的AI采纳和运用至关重要。认知反映了管理者对AI的态度、期望和解读，而经验则提供了AI实际应用情况的洞察。综合考虑这两个方面，可以更全面地了解AI在医疗组织中的接受和整合情况。

**研究方法：**本研究遵循Joanna Briggs Institute (JBI) 的混合方法系统评价指南（MMSR），采用 convergent integrated 方法（Stern et al., 2020）。评价结合了关于医疗管理者及其他专业人士在医疗管理中运用AI的经验和看法的定性和定量证据（Lizarondo et al., 2020）。报告遵循PRISMA指南（Page et al., 2021），并在国家健康研究所的PROSPERO数据库中注册（CRD420250655508）。采用三步搜索策略（Lizarondo et al., 2020; Stern et al., 2020）来查找已发表和未发表的研究。首先在Scopus中进行有限搜索以确定关键词和索引词，然后在2025年1月在Ovid Medline、CINAHL、Scopus、ProQuest和Medic中进行全面搜索（支持信息S1，补充数字内容1，https://links.lww.com/HMR/A0）。搜索策略根据PICo（人群、感兴趣的现象、情境）标准确定（Lizarondo et al., 2020），并遵循纳入和排除标准（表1）。在制定搜索策略时咨询了经验丰富的图书馆信息专家。纳入的研究参考列表也被用于筛选进一步的相关出版物。研究需以英语、芬兰语或瑞典语撰写，且发表时间在2016至2025年之间（这一时间选择是为了确保研究结果的关联性和准确性，鉴于过去十年AI的显著进展（Gupta, Kour, & Antony, 2024）。

**结果分析：**搜索共得到3,827条记录（图1）。这些记录被上传到Covidence系统评价软件，自动去除了958条重复项；另有1条重复项由人工去除。三名独立审稿人（M. Hirsikorpi, M. Hammarén, O.K.）审查了2,868篇标题和摘要，并根据纳入和排除标准排除了2,797项研究（表1）。71篇研究的全文由两位独立审稿人（M. Hirsikorpi, M. Hammarén）审核，其中55篇被排除。没有发现未发表的研究。最终共有16项研究被纳入详细评估。审稿人之间的分歧通过讨论或第三位审稿人的协助得到解决。所有16项研究在经过方法学质量评估后被纳入系统评价。定性研究的评分范围为4-10分，定量研究的评分均为6-8分。数据提取由一名审稿人（M. Hirsikorpi）完成，随后由其他审稿人（M. Hammarén, E.J., O.K.）使用Microsoft Word进行交叉验证（支持信息S2，补充数字内容2，https://links.lww.com/HMR/A1）。所有作者在整个过程中对数据提取过程进行了反馈，关键发现得到了共识。定量数据通过编码转换为“定性”数据（Lizarondo et al., 2020; Stern et al., 2020）。数据综合采用了 convergent integrated 方法，遵循JBI的MMSR方法论（Lizarondo et al., 2020）。定性和定量发现均从文本数据中提取，并根据评价问题进行整合，使两种类型的数据能够结合（Stern et al., 2020）。参与者的经验和看法描述基于意义的相似性进行汇总，形成了一套整合的发现结果。由于研究间的异质性，无法进行元分析。两名审稿人（M. Hirsikorpi, M. Hammarén）采用主题分析法（Thomas & Harden, 2008）对数据进行综合，形成叙述性代码。综合结果包括118条发现，整理为53个描述性主题、14个子主题和5个分析性主题。

**结论：**纳入系统评价的研究包括11项定性和5项定量研究，来自多个国家，如瑞典（4项）、土耳其（3项）、加拿大（2项）、葡萄牙、芬兰、埃及、阿拉伯联合酋长国、德国、美国和卡塔尔（各1项）。参与者包括护理管理者（64%）、医生管理者（12%）、中级管理者（8%）、高级管理者（6%）、医生（5%）以及护士、开发者和其他专家（5%）。90%的参与者为管理者或领导者，10%为非管理岗位的专业人员。参与者的数量在定性研究中为4至30人，在定量研究中为102至326人。研究在社区医院（n=5）、学术医院（n=4）、私人诊所（n=3）、一般医疗机构（n=3）和一家私立医院（n=1）进行。数据收集通过访谈（n=10）和问卷调查（n=6）完成。所有研究均发表于2021年至2024年之间。主题分析确定了五个分析主题，这些主题结合了医疗卫生管理者和其他专业人士对人工智能在管理中应用的体验和看法。这些分析主题包括：(a) 人工智能作为医疗卫生管理中的变革性机制；(b) 组织支持因素及人工智能在医疗卫生管理中的应用成果；(c) 人工智能支持的运营和风险管理效率；(d) 通过人工智能在医疗卫生管理中实现的战略性财务效益和长期价值创造；(e) 人工智能在医疗卫生管理应用中的数据驱动机遇与挑战。展示这些主题关系的概念模型见图2。

**人工智能作为医疗卫生管理中的变革性机制**
这一主题包含三个子主题：人工智能应用的先决条件和组织支持、人工智能在管理决策中的应用，以及人工智能在人力资源管理中的应用。研究表明，人工智能的应用需要满足若干前提条件，包括技术基础设施、组织支持以及对伦理问题的关注（Alves, Seringa, Silvestre, & Magalh?es, 2024; Neher et al., 2023; Petersson et al., 2022; Siira, Tyskbo, & Nygren, 2024）。定量研究也强调了管理层的支持、结构化的实施框架和人员培训的重要性（Elgin & Elgin, 2024; Tokg?z, Krayter, Hafner, & Dockweiler, 2024），同时高层管理者也要求有利的组织条件（Dicuonzo, Donofrio, Fusco, & Shini, 2023）。护士管理者和其他医疗卫生专业人士对人工智能对组织、专业人员及患者的相对优势抱有较高期望（Elgin & Elgin, 2024; Ergin, Karaarslan, ?ahan, & ??nar Yücel, 2022; Laukka, Hammarén, & Kanste, 2022; Neher et al., 2023），并指出需要结构化的变革管理和领导支持（Petersson et al., 2022），尤其是在向数字化护理模式过渡的过程中（Siira et al., 2024）。参与者普遍认为，在人工智能采用背景下，自上而下的管理体系具有挑战性（Emino?lu & ?elikkanat, 2024; Petersson et al., 2022; Siira et al., 2024）。

人工智能被认为能够通过提供数据驱动的洞察力（Petersson, Svedberg, Nygren, & Larsson, 2023）来支持管理决策（Alves et al., 2024; Laukka et al., 2022; Neher et al., 2023），协助日常工作的开展（Dicuonzo et al., 2023），并有助于减少错误（Sonawane, Shah, Pote, & He, 2023）。然而，研究也指出，人工智能的应用可能带来决策控制权的丧失和对自动化系统的依赖，同时对未来的应用持积极预期（Sonawane et al., 2023）。定量研究还强调了组织需要适应人工智能的应用（Tokg?z et al., 2024）。

**在人力资源和运营管理中的应用**
人工智能被描述为有助于招聘（Li et al., 2022; Li, Bastone, Mohamad, & Schiavone, 2023）、工作流程协调和资源配置（Alves et al., 2024; Petersson et al., 2022; Waheed & Liu, 2024）。人工智能系统处理大规模数据的能力有助于发现效率低下的环节并支持资源分配（Elgin & Elgin, 2024）。同时，研究也提到了数据透明度方面的问题（Elgin & Elgin, 2024; Sonawane et al., 2023）。

**组织支持因素及人工智能在医疗卫生管理中的应用成果**
这一分析主题包含三个子主题：提升管理者和组织的人工智能能力，通过人工智能改善沟通和知识共享，以及提高医疗卫生服务质量。管理者强调发展相关能力的重要性，包括培训和对人工智能系统的开放态度（Petersson et al., 2022; Tokg?z et al., 2024）。与人工智能技术和数据专家的合作也被视为提升能力的关键因素（Alami et al., 2024; Elsayed & Sleem, 2021）。此外，定性和定量研究均强调了关注与人工智能相关的伦理问题（Alami et al., 2024; Dicuonzo et al., 2023; Emino?lu & ?elikkanat, 2024）。沟通和知识共享被一致认为是人工智能应用的重要环节（Alami et al., 2024; Emino?lu & ?elikkanat, 2024; Neher et al., 2023）。护士管理者指出，参与科学会议和与人工智能专家的合作有助于增进知识交流（Alami et al., 2024; Dicuonzo et al., 2023; Emino?lu & ?elikkanat, 2024）。研究还强调了制定良好的沟通策略（Alami et al., 2024; Emino?lu & ?elikkanat, 2024; Neher et al., 2023）以及团队和部门之间的协调，以避免在人工智能相关角色、期望和责任方面的混乱（Alami et al., 2024; Elsayed & Sleem, 2021）。定量研究显示，护士管理者对人工智能在医疗卫生环境中应用的看法和态度之间存在正相关（Elsayed & Sleem, 2021）。

**人工智能在医疗卫生管理中的应用成果**
护士和医师管理者以及其他专业人士在定量研究中指出，人工智能有助于提高医疗卫生服务质量和患者安全（Alves et al., 2024; Laukka et al., 2022; Petersson et al., 2023; Sonawane et al., 2023），而定性研究则强调了其在改善服务提供方面的潜力（Waheed & Liu, 2024）。护士管理者还描述了护理效率和生产力方面的提升，以及提供更加个性化护理的能力（Elsayed & Sleem, 2021）。同时，研究也表达了对于人工智能或机器人系统在患者护理中自主应用的担忧，认为这些系统应辅助而非替代专业人员的角色（Ergin et al., 2022）。

**人工智能支持的运营和风险管理效率**
这一分析主题包含三个子主题：通过人工智能整合加速流程、任务自动化以及通过人工智能改进工作流程效率和管理风险评估。研究表明，人工智能的应用可以加速医疗卫生流程并提升运营效率（Alves et al., 2024; Dicuonzo et al., 2023; Elgin & Elgin, 2024; Elsayed & Sleem, 2021; Li et al., 2023）。管理者认为人工智能减少了行政工作时间，使管理者能够专注于更具战略意义的职能（Alves et al., 2024）。家庭医生也指出，人工智能可以在较少人员的情况下照顾更多患者（Waheed & Liu, 2024）。人工智能还被描述为支持常规任务并提高工作流程效率，但不会替代人类判断（Alves et al., 2024; Dicuonzo et al., 2023; Waheed & Liu, 2024）。在各个专业群体中，人工智能的应用与工作环境的改善相关，包括减少压力（Dicuonzo et al., 2023）和工作幸福感（Ergin et al., 2022; Sonawane et al., 2023）。护士领导者进一步将人工智能描述为一种辅助性的“同事”，它提供支持但不会替代专业决策（Laukka et al., 2022）。人工智能还被描述为支持风险评估和管理，包括使用预警系统（Ergin et al., 2022; Petersson et al., 2023）和预测功能（Sonawane et al., 2023）。

**通过人工智能在医疗卫生管理中实现的战略性财务效益和长期价值创造**
这一分析主题包含两个子主题：通过人工智能整合实现长期成本优化，以及利用人工智能增强组织竞争力。管理者认为人工智能有助于长期成本优化，从而提高成本效益和创造长期价值（Li et al., 2023）。同时，高级和中层管理者也报告了人工智能实施相关的财务挑战（Alami et al., 2024），包括初始投资成本的承受能力（Sonawane et al., 2023）。包括人工智能在内的数字创新被认为有助于提升财务表现，并维持成本与服务质量之间的平衡（Li et al., 2023）。然而，研究也指出，人工智能的实施成本较高，尤其是在初期和持续使用阶段（Sonawane et al., 2023）。人工智能还被描述为支持组织竞争力（Alami et al., 2024; Sonawane et al., 2023）。例如，管理者和主管报告说，人工智能可以加速招聘流程，从而提高组织绩效和竞争力（Li et al., 2023）。

**人工智能在医疗卫生管理应用中的数据驱动机遇与挑战**
这一分析主题包含三个子主题：通过人工智能优化数据利用、克服医疗卫生领域内外的障碍，以及提高人工智能应用的透明度和信任度。护士管理者和其他医疗卫生专业人士认为，人工智能能够处理大量数据是其关键优势（Dicuonzo et al., 2023; Elgin & Elgin, 2024; Elsayed & Sleem, 2021; Laukka et al., 2022; Neher et al., 2023）。管理者强调了强大的数据基础设施（Alves et al., 2024）和积极主动的数据管理的重要性（Laukka et al., 2022）。同时，研究也提到了数据安全（Neher et al., 2023; Sonawane et al., 2023）、算法运行（Petersson et al., 2022）和潜在偏见（Neher et al., 2023）等方面的问题。系统相关因素也被认为很重要，包括用户友好性和与现有组织结构的兼容性（Sonawane et al., 2023; Tokg?z et al., 2024）。此外，医疗卫生领导者和专业人士强调需要解决监管问题，提高数据可用性，减少偏见，并确保人工智能应用的透明度（Petersson et al., 2022; Sonawane et al., 2023）。研究表明，医疗卫生领域对人工智能有显著需求和潜力（Alves et al., 2024; Elgin & Elgin, 2024; Neher et al., 2023; Waheed & Liu, 2024）。然而，也遇到了实施障碍（Siira et al., 2024）、外部条件和医疗卫生系统限制（Alves et al., 2024; Petersson et al., 2022; Sonawane et al., 2023）等挑战。立法和政策常被视为人工智能实施的障碍（Petersson et al., 2022; Sonawane et al., 2023），并且被认为是最重要的限制因素（Sonawane et al., 2023）。管理者还表达了对于数据隐私和伦理问题的担忧（Alves et al., 2024）。不同职位的管理者强调保持人类监督的重要性，并确保人工智能发挥辅助作用而非替代人类判断（Alves et al., 2024; Ergin et al., 2022; Laukka et al., 2022）。医疗卫生领导者进一步指出了人工智能复制复杂人类决策能力的局限性，并强调了需要谨慎的监管（Petersson et al., 2022）。此外，研究还反映了医疗卫生专业人士和护士管理者对人工智能有效性和实际应用能力的怀疑，以及为人工智能相关变化准备组织文化的必要性（Elgin & Elgin, 2024; Emino?lu & ?elikkanat, 2024; Tokg?z et al., 2024）。

**讨论**
这项混合方法系统综述综合了关于医疗卫生管理者和其他医疗卫生专业人士在人工智能管理应用方面的经验和看法的最佳可用证据。研究结果反映了人们对人工智能应用的好处和体验，而非客观测量的成果，在解释结果时应予以考虑。人工智能的应用已经扩展到医疗卫生管理的多个领域，预计未来这一应用将迅速增长（Luck, 2024）。据我们所知，此前很少有研究涉及人工智能应用所需的新能力发展或潜在的战略性财务效益和长期价值创造。本综述通过 specifically 关注医疗卫生管理者在人工智能管理应用方面的经验和看法，为现有文献做出了贡献，这一领域相对于人工智能的临床应用受到的关注较少。虽然以往的研究通常侧重于人工智能系统的技术性能或医疗卫生专业人士对人工智能的态度，但本综述突出了管理视角，并表明成功的人工智能应用与组织准备度、管理能力、员工能力和数据治理密切相关。通过整合各研究的结果，本综述提供了对促进或阻碍人工智能在医疗卫生管理中应用的因素的更全面理解。这些发现有助于填补文献中的一个重要空白，通过提供一种以管理为中心的综合视角，为未来的研究以及医疗组织中的实际实施工作提供参考。本综述的发现可以通过关于技术采纳和实施的现有理论框架进一步解读。从创新扩散的角度来看，人工智能在医疗管理中应用的增加反映了创新在复杂组织和专业系统内的逐步扩散。本综述中提到的感知到的好处，例如效率提升和决策改善，可以被视为相对优势的指标，而与整合和能力相关的挑战则反映了兼容性和复杂性方面的问题。此外，这些发现与技术的接受和使用统一理论也是一致的。管理者对人工智能有用性的认知、组织支持以及促进条件似乎塑造了组织内采纳和使用人工智能的意愿。同时，研究结果强调了医疗领域中人工智能的实施是社会技术的，涉及技术系统、人类行为者和组织结构之间的互动。这表明，成功采纳人工智能不仅取决于技术能力，还取决于领导力、专业实践和组织背景。

我们的研究表明，人工智能被视为医疗管理中一个极具潜力且具有变革性的工具，能够带来运营效率、风险管理以及战略财务成果方面的好处，同时也为医疗管理带来了数据驱动的机会和挑战。管理者认为人工智能可以减少行政或低价值任务的工作时间，使更多精力能够集中在规划和服务改进等更具战略性的职能上。参与者认为人工智能是医疗管理中推动创新、沟通和组织发展的重要因素。例如，当前存在的沟通不畅、孤立现象以及决策过程中数据访问受限等问题，可以通过使用人工智能工具得到缓解（Alves等人，2024年）。因此，有必要培养医疗管理者和专业人员的新技能。这些发现与Gonzalez-Garcia等人（2024年）的研究结果一致，他们指出人工智能能够改善资源管理和决策，并支持护士管理者领导组织变革、沟通和行政工作。

本综述揭示了在医疗环境中利用人工智能时对管理者支持的需求。此外，医疗管理者的积极参与和高质量的变化管理被认为有助于提高医疗组织中人工智能的利用率。研究表明，人工智能可能使人力资源管理更加创新，促进更精确的人力资源决策，并协助人力资源管理。例如，人工智能可以提高准确性、降低成本并节省时间，同时减少医疗领域中的人为错误。此外，如内部聊天机器人这样的人工智能驱动系统能够通过提供及时的组织指南和运营信息来支持员工，从而提高效率并减轻认知负担（我们的综述中有所体现）。

本综述强调了管理者和员工的人工智能能力及沟通的重要性，这有助于避免责任混淆，并使医疗管理者能够提升医疗服务质量。在像医疗这样的复杂系统中，人机智能协作需要战略性的选择、激励措施、监管、专业教育和培训（Morrow等人，2023年）。早期研究也强调了评估和整合新能力以驾驭和使用基于人工智能的技术的重要性，例如技术素养、长期战略视野、变革管理技能、伦理决策以及与患者需求的契合（Ennis-O’Connor & O’Connor，2024年）。参与者报告称，人工智能提高了决策和资源管理的效率。人们认为人工智能能够用更少的人员照顾更多患者，并简化常规任务的执行。人工智能对运营效率和战略决策有积极影响，但也带来了挑战（Santamato等人，2024年）。早期研究中没有发现人工智能会取代医疗环境中的管理者或其他专业人员的迹象（Shinners等人，2023年），我们的综述也证实了这一点。根据我们的综述，人工智能被认为能够增强风险管理与检测能力，并提升预测能力。例如，可以构建人工智能模型来管理医疗机构中的风险。预测是现代循证医学和决策的核心（Darwiesh等人，2023年）。

本综述表明，人工智能被视为提高竞争力和优化财务规划的关键机制。更好地理解人工智能的应用将使管理者和从业者能够制定有效的人工智能策略，提升员工的工作体验，并为组织创造竞争优势。有效利用人工智能系统还需要适当的规划和策略，以转变整个护理服务和运营方式，从而实现技术带来的益处（Darwiesh等人，2023年，我们的综述中也有所体现）。本综述指出，数据驱动的人工智能在医疗管理中既带来了机会也带来了挑战，同时认为人工智能能够促进积极的数据活动，并实现实时、高质量、相关数据的管理。大量数据是人工智能快速发展的基础（Luck，2024年）。人们认为需要将人工智能无缝整合到现有系统中，这与之前的研究结果一致（Rolison等人，2024年）。另一方面，我们的研究也显示，关于数据安全、潜在偏见和监管复杂性的担忧依然存在（Hoose & Králiková，2024年）。

管理者和其他医疗专业人员认识到在人工智能辅助决策中需要透明度，并需仔细验证人工智能算法，以提高决策的可信度（我们的综述中也提到了这一点）。Shinners等人（2023年）的早期研究表明，如果医疗专业人员不信任这项技术或不了解如何利用它来提升结果或护理质量，他们就不太可能在使用人工智能。为确保人工智能在医疗领域的负责任和有效实施，必须解决数据隐私、偏见和人类专业知识需求等问题（Alowais等人，2023年）。随着人工智能在医疗领域的持续发展和扩展，来自专业监管机构的适当指导将有助于医疗行业发挥其潜力并鼓励其安全使用（Alowais等人，2023年，我们的综述也证实了这一点）。从发展的角度来看，我们的研究结果表明，人工智能可能通过支持基于证据的决策和识别现有流程中的低效率来促进组织改进，这与社会技术系统理论（Trist & Emery，2006年）的原则一致，该理论强调技术工具与社会结构在塑造组织结果中的互动。因此，将人工智能整合到组织实践中不仅需要技术采纳，还需要关注领导力、组织文化和能力。未来的研究需要探讨本综述中发现的潜在好处能否转化为可测量的组织和临床成果。

本综述存在一些局限性，包括与搜索策略相关的问题，以及时间和语言限制。尽管信息专家参与了搜索策略的制定，但仍有可能遗漏了一些相关出版物。时间限制是为了考虑到自2016年以来人工智能技术的重大进展，这可能导致一些高度相关的研究被排除在综述之外。此外，将纳入的研究范围限制在英语、芬兰语和瑞典语文献上可能引入了语言偏见。数据提取和分析主要由一名研究人员完成，这可能在主题分析阶段增加了主观性，尽管作者们在每个步骤上都达成了共识。为了减少主观性，所有其他研究人员都阅读并评论了综合分析和主题分析过程。为了进一步降低这种风险，分析结果还与其他研究人员进行了讨论和交叉验证，以提高本综述的可信度和可靠性。

本综述确定了几个未来的研究方向。值得注意的是，尽管搜索策略中包括了医疗管理和社会护理管理，但未找到关于社会护理管理的研究，这凸显了一个重要的研究空白。由于不同类型组织中的研究结果存在显著差异，因此本综述中没有进行按组织类型进行的单独分析。同样，出于同样的原因，也无法进行特定国家的分析。不过，现在已经认识到需要进行组织和国家层面的比较，以了解结构、文化和政策因素如何影响医疗领域中人工智能的采纳，特别是在 larger 的实证数据集可用时。此外，应更详细地探讨人工智能在医疗领域的经济影响，例如成本效益动态。未来的研究还应包括基于干预的设计，以评估人工智能在医疗管理中的实施情况，并探索人工智能在劳动力规划、需求预测和运营优化等领域的预测能力。

实践意义

研究结果表明，医疗组织应优先开发管理者和员工的人工智能能力。因此，医疗管理者在确保人工智能能力发展成为组织学习策略的一部分方面发挥着关键作用。这可能包括为一线员工、管理者和高管提供针对其岗位的培训计划，以及持续的专业发展机会。先前的研究也指出，医疗专业人员对人工智能相关知识的不足可能会阻碍其采纳并降低对人工智能支持流程的信任（Gonzalez-Garcia等人，2024年；Kamath等人，2024年）。研究结果进一步强调了创造有利于有效实施人工智能的组织条件的重要性。管理者应培养一种创新、协作和开放沟通的氛围，让员工能够积极参与人工智能支持的做法的发展和评估。这不仅需要技术投资，还需要鼓励跨专业群体进行实验、学习和知识共享的领导实践。此外，组织应建立明确的数据质量管理、互操作性和问责制结构。与早期研究一致，强大的数据治理和组织准备是实现医疗环境中人工智能好处的关键前提（Hoose & Králiková，2024年）。

最后，医疗组织应以渐进和透明的方式实施人工智能。试点项目可以提供机会来评估可用性、安全性和组织适应性，然后再进行全面部署。管理者应清楚地说明人工智能的能力和局限性，并确保在整个实施过程中始终遵循伦理原则。这种方法可以增强信任，并支持在临床操作、人力资源管理、财务管理和战略决策中负责任地使用人工智能（Alowais等人，2023年；Morrow等人，2023年）。

结论

本综述表明，医疗管理者和其他领域专业人士认为人工智能是一种具有变革性和价值的工具，有潜力重塑医疗管理。然而，他们也表达了对于应对技术、伦理和文化挑战的担忧，以及确保其成功和负责任整合所需的能力的问题。针对管理者和专业人员的实际人工智能培训、强大的数据基础设施，以及注重保持人工智能支持决策中的人文要素，被视为最大化人工智能各种好处的关键，同时减轻相关风险和偏见。从理论上讲，本综述通过整合创新扩散、技术接受和社会技术系统视角的见解，为相关文献做出了贡献。研究结果表明，人工智能的采纳是一个多层次的过程，受到个体认知、组织准备度和更广泛系统因素的影响，从而支持未来研究需要采用综合性理论方法的必要性。

伦理考量

本综述遵循了《赫尔辛基宣言》的原则，并假设所选出版物遵守适用的法律和数据保护法规（GDPR）。

资助

本研究未获得任何公共、商业或非营利机构的资助。

作者贡献

起草手稿、数据分析和解释以及撰写手稿：M. Hirsikorpi, M. Hammarén 和 O.K.
数据收集：M. Hirsikorpi
对手稿的评论：M. Hirsikorpi, M.Hammarén, E.J. 和 O.K.
数据可用性：
支持本研究结果的数据可在本文的补充材料中找到。

试验与方案注册：
该试验方案已在美国国立卫生研究院的 PROSPERO 数据库中注册（注册编号：CRD420250655508）。

软件：
Covidence 系统评价软件（2020年版），由澳大利亚墨尔本的 Veritas Health Innovation 公司开发，可访问网站：www.covidence.org（访问日期：2023年3月1日）。