《Journal of Advanced Nursing》：Code With Care: A Strategic Blueprint for Nurse-Led AI in Healthcare
编辑推荐：
摘要
目的：人工智能（artificial intelligence, AI）正在重塑医疗保健服务。本工作旨在探索如何将护理专长充分整合到基于AI的健康技术开发中，并评估其对临床实践、教育、领导力、产业、政策和研究的影响。
方法：本项定性专家启发（qualit
摘要
目的：人工智能（artificial intelligence, AI）正在重塑医疗保健服务。本工作旨在探索如何将护理专长充分整合到基于AI的健康技术开发中，并评估其对临床实践、教育、领导力、产业、政策和研究的影响。
方法：本项定性专家启发（qualitative expert elicitation）研究利用了2024年11月由Brocher Foundation主办的结构化三天国际智库所产生的数据。护理、信息学、伦理学、哲学、医学、计算机科学和法律领域的跨学科专家参与了结构化报告、引导式小组讨论、全体会议综合活动以及建议的协作制定。采用反思性主题分析（reflexive thematic analysis）分析智库产出，并识别交叉性模式、张力和影响。
结果：产生了六项相互关联的主题发现。参与者将护理专长框定为一种社会技术治理（sociotechnical governance）形式，而不仅仅是最终用户输入：（1）护士被定位为共同开发者（co-developers），能够塑造AI问题定义、设计和实施；（2）AI教育被视为培养批判性解释能力（critical interpretive capacity），而不仅是技术素养；（3）结构性障碍限制了护士参与创新；（4）法律和伦理关切反映了问责（accountability）与权限（authority）之间的差距；（5）护士被定位为识别AI偏见和不公平（bias and inequity）的前线行动者；（6）能力框架（competency frameworks）被视为在AI赋能护理中澄清角色特定期望的工具。
讨论：研究结果表明，将护理专长嵌入医疗AI是社会技术治理问题，需要关注组织结构、教育、法律责任、专业角色以及识别安全、公平和工作流关切的机制。
对专业的启示：本研究提供了一个专家知情的框架，用以加强护理在医疗AI开发中的参与。虽然这些建议需要实证验证，但它们指出了优先行动领域，包括护士主导的创新、能力发展、跨部门合作，以及承认护理专长在AI开发中的教育和政策框架。
报告方法：本研究遵循《定性研究报告标准》（Standards for Reporting Qualitative Research, SRQR）指南。
一、研究背景与问题
全球医疗部门面临深刻且不断升级的劳动力危机。根据世界卫生组织，各收入水平国家在卫生专业人员的教育、招聘、留任和绩效方面持续遭遇挑战。国际护士理事会将护理短缺描述为全球劳动力危机，并预测未来十年约需新增1300万名护士。人工智能（artificial intelligence, AI）被视为支持并增强医疗保健服务的一种新兴应对方式。AI技术已用于护理和医疗中的临床决策、监测、文档和护理协调；生成式AI，尤其是大型语言模型（large language models, LLMs），相关研究迅速扩展，但少有评估使用真实患者数据或考察临床实践中的部署。实现这些收益面临数据质量、系统互操作性、伦理风险以及采用障碍，包括工作流错位和社会文化变革要求。更关键的是，缺乏有意义护理输入的AI系统可能复制关于照护的技术中心假设，将护理知识视为实施支持，而非临床、关系和组织专长的来源。护士是最大前线临床技术用户群体，在数据生成、护理质量和患者安全中发挥核心作用，但在AI设计、部署和评估中代表性不足。算法偏见是AI赋能护理中的已知风险，护士参与AI开发和部署被提出作为缓解偏见的一种方式。此外，护士报告AI决策支持的实施障碍，包括培训不足和技术困难；关于护理文档中AI的评论也提出偏见和问责担忧。伦理、法律和社会影响（ethical, legal and social implications, ELSI）框架被用于考察新兴技术的多维影响。既往文献反复呼吁护士更多参与AI和数字健康创新，但仍缺乏国际知情综合，以说明从一般纳入呼吁转向持续护士共同开发全AI生命周期所需的结构、教育、法律、伦理和治理机制。因此，研究人员开展定性专家启发研究，考察护理专长如何有意义地纳入基于AI的健康技术开发，并审视其对临床实践、教育、领导力、产业合作、政策和研究的影响。
二、研究开展、结论与意义
研究人员于2024年11月13日至15日在瑞士Hermance的Brocher Foundation举办名为“Embedding Nursing Expertise in Artificial Intelligence–Based Health Technology Development”的三天国际智库，由护理人工智能领导力协作组（Nursing Artificial Intelligence Leadership, NAIL Collaborative）组织，汇集20名跨学科专家。参与者经目的抽样选取，来自护理、计算机科学、生物医学、哲学、法律、信息学、医学，以及临床实践、研究、教育、产业、政策和伦理等领域，并包括国际医学信息学协会（International Medical Informatics Association, IMIA）、中东和北非健康信息学协会（Middle East and North Africa Health Informatics Association）、国际健康科学信息学学会（International Academy of Health Sciences Informatics）和欧洲医学信息学联合会（European Federation for Medical Informatics, EFMI）等组织代表。研究采用定性专家启发设计，遵循《定性研究报告标准》（Standards for Reporting Qualitative Research, SRQR）。结论生成六个相互关联主题：护士作为共同开发者、以批判思维和伦理为中心的教育、拆除结构性障碍、保护护理自主权的法律伦理框架、护士在偏见识别与缓解中的作用、指导劳动力AI能力发展的能力框架。意义在于，本研究提供专家知情框架，将护士参与重构为社会技术治理而非仅利益相关方纳入，并指出优先行动领域，包括护士主导创新、能力发展、跨部门合作以及承认护理专长的教育和政策框架。
三、主要关键技术方法
采用定性专家启发设计。样本队列来源为2024年11月13至15日由Brocher Foundation主办、NAIL Collaborative组织的三天国际智库，20名目的抽样跨学科专家，涵盖护理、计算机科学、生物医学、哲学、法律、信息学、医学及临床实践、研究、教育、产业、政策、伦理，并包括IMIA、中东和北非健康信息学协会、国际健康科学信息学学会、EFMI等组织代表。数据源包括结构化全体会议、引导小组讨论、专家报告、转录笔记、视觉材料、幻灯片、概念图及最终综合会议输出。采用反思性主题分析（reflexive thematic analysis）六阶段，归纳编码，两名作者协作编码，成员检查与审计轨迹。所有参与者提供口头知情同意。
四、研究结果
3.1 护士作为医疗AI技术的共同开发者。通过专家讨论，参与者将护士参与框定为对问题定义和设计逻辑的共享权威，而非仅咨询、可用性测试或开发后评估。护士接近患者并具备情境理解和临床洞察，被视为确保AI工具社会和临床相关性的关键。产业合作、参与式设计、跨学科团队和生活实验室被视为上游嵌入护理知识的路径。上游参与可改善可用性、防止工作流中断并预见意外后果。
3.2 以批判性思维和伦理为中心的职前与继续教育。专家讨论形成共识：需重思护理教育，超越基础AI素养或工具特定培训，转向批判性解释能力。包括质疑算法和数据系统中的假设、价值观和偏见，理解局限，提出伦理问题，将AI洞察转化为情境感知临床决策。模块化、角色定制继续专业发展支持终身学习和数字适应性。
3.3 拆除护士参与创新的结构性障碍。参与者识别系统性和制度性障碍：专业等级边缘化护理声音、缺乏受保护时间、信息学或数字健康晋升路径少或不清晰。这些障碍被视为护理知识在数字健康创新中被低估的指标。建议包括专门资助护士主导数字项目、正式创新角色、组织政策承认数字贡献为核心临床卓越。有意义参与需要结构和文化变革。
3.4 保护护理自主权的法律和伦理框架。讨论表明AI整合临床环境创造专业责任与临床能动性之间的潜在差距。参与者担心对AI影响决策负责而缺乏透明度、监督或法律保护。技术发展超过治理结构，提出使用或挑战AI建议时如何分配问责。可解释性、审计跟踪和human-in-the-loop模型被视为技术保障，也是维护护理自主和信任的机制。
3.5 护士在医疗AI偏见识别与缓解中的作用。参与者担心AI复制或放大历史数据中的社会偏见。偏见不仅存在于数据集或算法，也通过部署、解释和使用方式出现。护士因数据捕获、与边缘群体接触和对健康不公平的细致理解，被视为独特位置检测、报告和帮助缓解偏见。需要赋能护士标记偏见，建立报告和纠正渠道。
3.6 指导劳动力AI能力发展的能力框架。讨论强调需全面且角色特定能力框架，定义AI相关知识、技能和行为期望。参与者区分三类：护士作为AI用户、临床专家确保适当实施、应用AI解决方案开发者。不同角色需要基础AI和数据素养、批判性评估、人-AI交互、伦理推理和数字健康转型领导力。可借鉴技术信息学引导教育改革（Technology Informatics Guiding Education Reform, TIGER）、世界卫生组织全民健康覆盖（WHO Universal Health Coverage, UHC）和魁北克框架（Quebec Framework）。
3.7 可操作建议。参与者在最终综合会议协作起草初步建议，研究团队合并重叠项并链接主题，分组为临床、管理、政策、教育、研究和产业六域。建议包括临床赋权护士作为关键AI利益相关者、制定护理特定AI实践标准、建立反馈与改进系统；管理创建AI领导和治理结构、将AI能力整合入劳动力发展、实施共同设计和持续监测；政策强制护士纳入AI开发、发展法律监管框架、通过护理专长解决公平和偏见；教育转变课程、发展教学方法和师资能力、整合专业身份和继续教育；研究加强护士主导AI研究资金和基础设施、调查AI对护理实践和结果影响、促进参与式评估研究；产业将护理专长嵌入AI产品开发。这些建议提供战略蓝图。
五、讨论与结论
讨论指出，嵌入护理专长不仅是纳入，而是社会技术治理，塑造临床问题定义、AI工具设计实施以及责任、公平和问责分配。与Ronquillo等此前类似研讨会的产出相比，进展有限。本研究推进两点：将护士参与重构为社会技术权威而非仅利益相关方纳入；指定结构、教育、法律和治理机制。研究人员将社会技术治理定义为引导AI赋能护理中技术和社会部分的结构与实践，包括算法、数据、工作流、专业角色和问责安排，使其指向安全、公平和有临床意义的照护。该术语有三特征：通过日常专业实践而非仅正式监管行使治理；覆盖AI全生命周期；技术和社会部分共同设计。研究强调需同时解决伦理、法律和社会维度。护士角色应从被动最终用户转为主动共同开发者，涉及权威再分配。教育需培养批判性解释能力。通用AI伦理框架不足，需护理特定监管澄清问责。存在代理-问责差距。Watson的人类关怀理论和角色理论有助于解释。结构性障碍持续。概念模型提出，三种护理专长（情境知识、关系伦理知识、数据文档实践知识）通过四个治理功能（定义临床有意义问题、塑造设计实施决策、对齐问责与权威、检测纠正偏见安全流程伤害）起作用，依赖结构条件（组织基础设施与受保护角色、法律伦理保护、教育支持能力框架）。限制包括目的抽样选择偏倚、过度代表领导层、建议未实证验证、未系统分析司法管辖区差异。未来需床边护士、学生和患者实证研究、纵向评估和比较研究。
结论翻译：本研究考察护理专长如何系统整合到医疗AI的开发、实施和治理。基于多利益相关方国际智库，研究人员识别临床实践、管理、政策、教育、研究和行业的关键差距、风险和机会。参与者将护理专长框定为情境、关系和伦理知识来源，而非仅最终用户，可指导问题定义、技术设计、实施、评估和治理。通过将护士参与重构为社会技术治理而非仅利益相关方纳入，本研究贡献于文献。研究还识别结构、教育、法律和治理机制，可能支持更有意义的护士共同开发AI系统。既有护理信息学标准、分类系统和本体可为AI开发与护理整体方法对齐提供基础，例子包括International Classification for Nursing Practice (ICNP)、SNOMED CT、Logical Observation Identifiers Names and Codes (LOINC)、NANDA International (NANDA-I)、Omaha System、Nursing Interventions Classification (NIC)、Nursing Outcomes Classification (NOC)和LEP Nursing (Leistungserfassung in der Pflege)。这些结论基于专家咨询，需考虑方法学局限。未来实证研究需测试建议的可行性、可接受性和影响。此前文献中问题的持续存在表明，需要持续协调行动，确保AI开发支持而非破坏关系护理、患者安全、健康公平和专业自主。
