针对护理专业本科生的基于人工智能的临床决策支持系统相关证据梳理：一项范围综述方案

《JBI Evidence Synthesis》：Mapping the evidence on artificial intelligence–based clinical decision support systems for undergraduate nursing students: a scoping review protocol

　　目标：本范围综述旨在梳理关于将基于人工智能的临床决策支持系统应用于本科护理专业学生的现有证据的范围与特征。

引言：人工智能正日益融入护理教育，用以辅助学生提升临床推理与决策能力。然而，目前关于此类系统的研究仍较为零散且差异较大，不同技术、应用场景及研究结果之间存在差异，同时还存在偏见与伦理问题。迄今为止，尚无全面总结此类系统在本科护理教育中应用相关证据的综述。

纳入标准：本综述将涵盖那些运用基于人工智能的工具来辅助本科护理专业学生进行临床推理、诊断推理、任务优先级判断或完成护理流程的实证研究。研究文献的语言可为英语、西班牙语、法语、意大利语或汉语，但标题和摘要必须为英语，且研究内容需与主题相关。检索范围限定在2017年以后发表的文献，以反映现代生成式人工智能工具的快速发展及近期广泛应用的情况。

方法：本综述将遵循JBI范围综述方法学规范。检索工作将在PubMed、Scopus、CINAHL（EBSCOhost）、Cochrane Library、ERIC（EBSCOhost）以及Web of Science Core Collection等数据库中进行，同时还会从ProQuest Dissertations and Theses Global、OpenAlex、Google Scholar以及各类专业机构与监管机构的资料中查找灰色文献。筛选工作将由两名独立评审员共同完成，数据将通过描述性分析和主题分析方式进行整合。报告格式将依据《系统评价与元分析报告规范》中的范围综述扩展版本来撰写。

综述注册：OSF https://osf.io/eh9bt/

引言
人工智能正在逐步塑造现代医疗体系，通过先进的数据分析、预测建模及实时建议等方式为临床决策提供支持。1 随着人工智能驱动的技术逐渐嵌入临床基础设施，这类系统开始影响专业工作流程，并重新定义未来医疗从业者所需具备的能力。1 与此同时，为应对医疗领域的数字化趋势，护理教育也在经历深刻变革。教育工作者们正在积极探索如何利用人工智能强化工具，帮助学生掌握临床推理、诊断判断及决策能力，而这些能力正是安全有效开展护理实践的基础。2-5

包括世界卫生组织、国际护士理事会、全国护士联盟、美国护士协会、美国护理学院协会以及欧洲护士协会联合会在内的多个国际专业机构与监管组织，都强调了在本科护理课程中融入人工智能素养、信息学能力及数字专业素养的必要性。6-13 这些声明共同表明，未来的护士不仅要能够使用人工智能赋能的系统，还需具备批判性评估系统输出结果的能力，了解其局限性，并能以负责任的态度推动其在临床中的合理应用。

尽管这些建议明确了将人工智能纳入护理课程的制度要求，但要将这些要求转化为有效的教学实践，对本科护理教育项目而言仍面临诸多挑战。与通常在已有临床经验基础上进一步提升高级实践能力的研究生不同，本科护理学生正处于从理论知识向实际临床判断能力过渡的关键阶段，属于初学者。因此，他们在整合复杂患者信息、确定护理优先级以及在动态环境中应用临床知识方面常常遇到困难，14-16 在决策过程中也更容易承受较高的认知负荷。17

传统的教育策略，如案例研究、模拟训练以及带教下的临床实践，虽然依然重要，但可能无法始终提供个性化、适应性强的即时反馈，从而难以有效培养学生的更高阶认知能力。在此背景下，基于人工智能的临床决策支持系统作为一种教育工具，显示出在护理教育中的潜在价值。18,19 这类系统包括预测算法、自适应模拟以及基于大型语言模型的应用，可通过引导诊断路径、提示潜在错误、促进反思性思考以及提供结构化、数据驱动的反馈来协助学习者。此外，这类系统还有助于标准化学习体验，减少临床实践中的差异性，支持基于能力导向的教育模式。

灰色文献也反映出越来越多的机构致力于将人工智能融入护理教育。美国护理学院协会与Governa.ai近期制定的框架，详细阐述了人工智能决策支持系统在学生学习中的应用场景，包括在虚拟临床实践、形成性评估以及个性化学习路径中的应用。20,21 这些文件指出，人工智能增强型工具可通过提供可扩展、灵活且互动性强的学习环境，弥补传统教学策略的不足。同时，这些框架还强调了人工智能在辅助教师设计课程、分析学习者情况以及识别需要额外支持的学生方面的潜力。

尽管存在诸多机遇，但关于算法偏见的问题依然存在，而这种偏见可能会加剧医疗领域的差异。其中，采样偏见是一个重要因素——当人工智能模型主要在无法代表更广泛人群的数据集上训练时，就容易出现这种情况，这类数据集往往过度偏向某些特定种族群体、性别或年龄层。过度依赖此类代表性不足的模型会降低系统的可靠性，最终导致对弱势群体的护理服务不公，临床预测结果不准确，同时还可能出现人工智能在临床应用中可解释性差、过度依赖人类判断以及产生意外后果等问题。22-25 在教育环境中，这些问题尤为突出，因为学生可能缺乏足够经验来批判性地评估人工智能生成的输出结果，也无法及时察觉这些结果的准确性或适当性。过度依赖人工智能工具、学生独立临床判断能力发展受阻，以及偏见或不完整信息的传播，都是亟待解决的问题，必须通过科学的教学设计及适当的监督来加以解决。在此背景下，透明度、问责制、数据隐私以及可解释人工智能等伦理考量，也被越来越多地视为人工智能赋能护理教育不可或缺的要素。

尽管护理教育领域对人工智能决策支持系统的兴趣日益浓厚，但目前的相关研究仍然较为零散且差异较大。不同研究在所描述的技术、教育目标、学习场景以及研究结果方面存在很大差异。2026年1月，笔者使用“人工智能”“临床决策支持”以及“护理专业学生”等关键词，在PubMed、Cochrane系统评价数据库、JBI证据综合平台、协议注册平台（如PROSPERO、OSF、INPLASY）以及预印本平台（如medRxiv）上进行了初步检索，未发现任何当前正在进行或已完成的关于该主题的范围综述或系统评价。现有的综述大多侧重于数字健康、虚拟模拟或人工智能在护理实践中的应用，未能单独探讨人工智能决策支持系统对护理专业学生在教学、认知及伦理层面带来的独特影响。从方法学角度而言，专门针对这一群体展开研究十分必要，因为如果认为不同医疗职业的临床推理能力完全相同，就会忽视其本质上的认知差异。26 鉴于上述研究缺口，有必要进行一次全面的综合分析。

本范围综述将遵循JBI方法学规范27，梳理关于将人工智能决策支持系统应用于本科护理专业学生的现有证据的范围与特征。具体而言，本综述将探讨所使用的各类人工智能决策支持系统、它们的教育应用场景、已报道的研究结果，以及将其融入教学过程时所面临的挑战与伦理问题。通过分析现有文献并识别知识缺口，本综述将为教育工作者、研究人员和政策制定者提供参考，助力以证据为基础、负责任地将人工智能决策支持系统引入护理教育。

综述问题
在护理教育环境中，关于将人工智能决策支持系统应用于本科护理专业学生的相关文献，其规模、范围及特征究竟如何？

核心研究问题将通过以下子问题来支撑：
1. 文献中提到了哪些类型的人工智能决策支持系统及相关人工智能工具，可用于本科护理专业学生？
2. 这些人工智能决策支持系统被用于本科护理专业学生的哪些教育目的和学习活动中？例如临床推理、诊断推理、决策制定、护理任务优先级判断、护理流程管理等。
3. 这些人工智能决策支持系统在哪些教育场景中被用于本科护理专业学生？例如课堂学习、模拟训练、临床实习、虚拟学习环境等。
4. 关于人工智能决策支持系统在本科护理专业学生中的应用，有哪些类型的成果被报道？这些成果可按认知、情感、表现能力及实施相关等维度分类，其衡量方式是什么？
5. 在将人工智能决策支持系统纳入本科护理专业学生的教学计划时，面临着哪些挑战与需要考虑的因素？

纳入标准
参与者
本综述将纳入那些涉及准执业前、注册前以及正在接受护理教育项目的本科护理专业学生的研究（具体范围取决于各国的教育体系，也包括相应的执业前培训项目）。已注册的护士、研究生阶段的护理专业学生以及其他医疗从业者将被排除在外。如果研究涉及混合人群，除非能明确区分并单独报告与本科护理专业学生相关的数据，否则也将被排除。

概念
本综述将纳入那些探讨人工智能的研究，所谓人工智能，是指“技术中编码的算法能够从数据中学习，从而无需人工逐一编程即可自动执行任务的能力。”13(p.xi) 为符合纳入标准，人工智能系统必须能够对数据进行动态处理，从而生成建议、预测结论或自适应学习路径，这使其有别于静态算法或传统的基于规则的软件。在具体筛选时，仅考虑那些能够与学生主动互动、辅助其进行临床推理、诊断推理、决策制定、任务优先级判断或完成护理流程的工具相关研究。

本综述将纳入涉及人工智能决策支持系统及相关人工智能工具（如预测算法、大型语言模型、聊天机器人、自适应模拟系统、智能辅导系统）且能与护理专业学生直接互动的研究。所谓直接互动，是指学生与人工智能工具之间进行反复的交流，例如多次修改查询内容、自适应对话、动态反馈循环，而非仅进行一次静态的搜索查询。这种互动可以通过独立的应用程序直接实现，也可以通过嵌入人工智能功能的模拟平台以及教师主导的界面间接实现，前提是学生是人工智能生成反馈的最终使用者。仅由教师使用的后台分析系统将被排除。此外，被动的数字干预措施（如静态电子学习模块）以及常规的非人工智能临床数据库也将被排除。为与临床决策支持系统框架保持一致，只有那些具有明确临床决策支持功能的人工智能工具，如能够辅助诊断推理、护理计划制定、患者优先级判断的工具，才会被纳入考虑范围，通用型问答工具或普通的教学辅助工具则不在范围内。此外，只有那些报告了与人工智能决策支持系统应用相关的成果的文献才会被纳入，这些成果可按认知（如知识获取、临床推理、批判性思维）、情感（如对人工智能的态度、信心、满意度）、表现能力（如诊断准确性、临床胜任力、任务完成度）以及实施相关（如易用性、采用率、与教育流程的整合程度）等维度进行分类。同时，本综述还将纳入那些报告了人工智能决策支持系统整合过程中所面临挑战与需考虑因素的文献，如算法偏见、数据隐私、过度依赖人类判断、可解释性以及伦理问题等。

背景
本综述将纳入针对护理教育环境的研究，这些环境包括学术教学场所、临床实践场所以及模拟学习环境（如教室、模拟实验室、临床实习地点），且涵盖所有地理区域。

资料来源类型
本综述将纳入实证研究（定量研究、定性研究、混合方法研究）、综述文章、学位论文、会议论文集、政策文件、临床指南、专业机构的立场声明以及护理教育相关指导方针。此外，灰色文献也将被纳入本次范围综述。评论文章、社论以及个人观点文章（官方专业指南和立场声明除外）等非实证类出版物，以及仅聚焦于技术性能或患者教育的研究，均将被排除。不过，非实证类资料（如政策文件、专业指南、综述文章）可作为补充材料，用于梳理人工智能决策支持系统整合过程中的背景、伦理及监管状况。

方法
本次范围综述将遵循JBI范围综述方法学规范27进行，并按照《系统评价与元分析报告规范》中的范围综述扩展版本（PRISMA-ScR）28来撰写报告。该研究方案已在本综述的注册平台OSF上登记（https://osf.io/eh9bt/）。

检索策略
首先在PubMed和CINAHL上进行了初步的有限检索，以寻找相关研究证据。根据相关文章的标题和摘要中的文本词，以及用于描述这些文章的索引词，制定了针对PubMed的完整检索策略（详见附录I）。该检索策略中的所有关键词和索引词都将根据不同的资料来源进行相应调整。此外，还会加入与临床判断和智能辅导系统相关的关键词，因为这些内容在当代护理教育及人工智能支持的决策过程中具有重要意义（如临床判断、临床决策制定、临床胜任力、智能辅导系统*、人工智能辅导师*）。还将对纳入综述的文章的参考文献列表进行进一步筛查，以寻找更多相关文献。

只要标题和摘要为英语，且研究内容与主题相关，那么用英语、西班牙语、法语、意大利语或汉语发表的文献都将被纳入考虑范围。选择这些语言是基于综述团队成员的母语或双语能力，这样可以确保所有翻译内容都经过严格核实，而非仅仅依赖未经验证的自动翻译结果。对于非英语文献（西班牙语、法语、意大利语、汉语），首先由研究团队中的双语人员或通过自动翻译工具对标题和摘要进行筛选，每份译文都会由另一名双语人员核对准确性，之后再决定是否纳入评估。如果选定某篇非英语全文参与评审，那么数据提取工作将由母语为该语言的研究人员共同完成，或借助专业的学术翻译服务来确保准确性与严谨性。搜索范围仅限于2017年以后发表的资料，这一时间点正好对应现代生成式AI架构的出现及其广泛应用。需要检索的数据库包括PubMed、Scopus、CINAHL（EBSCOhost）、Cochrane Library、ERIC（EBSCOhost）以及Web of Science Core Collection。至于灰色文献的来源，则包括ProQuest Dissertations and Theses Global（ProQuest）、OpenAlex、Google Scholar（前200条结果），以及各类专业机构与监管机构的资料（世界卫生组织、国际护士理事会、全国护理联盟、美国护士协会、美国护理学院协会、欧洲护士协会联合会、医疗信息与管理系统协会、英格兰健康教育机构）。

研究筛选
在完成搜索后，所有找到的文献会被整理并导入EndNote V2025.3.1（Clarivate Analytics，美国宾夕法尼亚州），去除重复项后再上传至Rayyan（Rayyan Systems Inc.，美国马萨诸塞州剑桥市）。随后，两名评审员会分别独立地对标题和摘要进行筛选，判断其是否符合评审的资格标准。首先会对10%的文献进行试点测试，以确保标准应用的一致性，一旦两名评审员的判定一致性超过75%，就会开始正式筛选。那些可能相关的文献会被完整获取，其引用信息则会导入JBI系统，用于信息的统一管理、评估和评审（JBI SUMARI；JBI，澳大利亚阿德莱德）。之后，两名评审员会再次独立地根据资格标准详细评估这些文献的全文。对于不符合资格标准的文献，其被排除的原因会被记录下来，并在范围界定审查报告中予以说明。如果两名评审员之间存在分歧，将通过讨论或请第三方评审员来解决。搜索结果将在最终的范围界定审查报告中完整呈现，并以PRISMA流程图的形式展示。

数据提取
两名评审员会使用根据JBI证据综合手册自行开发的数据提取工具，独立从范围界定审查中选定的文献中提取数据。所提取的数据将包括与AI透明度及可解释性相关的具体信息（如可解释性特征、模型原理的可用性、面向用户的解释内容），因为这些在AI伦理和教育安全方面至关重要。此外，还会涉及一些关键的教育安全相关变量，比如出现幻觉或事实错误的风险、所需的监督机制、AI输出是否经过教师或临床专家的验证，以及相关的信任度或偏见问题。除此之外，提取的数据还包括文献目录信息、研究特点、参与者的人口统计信息、AI-CDSS的功能特点、教育目标、结果衡量指标、面临的挑战以及伦理考量因素。文中提供了数据提取工具的草案（见附录II）。在从每份纳入研究的文献中提取数据的过程中，该草案会根据需要进行修改和完善，具体的修改内容会在最终的范围界定审查报告中详细说明。如果评审员之间仍有分歧，也会通过讨论或请第三方评审员来解决。对于那些数据缺失或不完整的文献，将会联系论文作者最多两次以获取所需信息；如果仍未得到回复，在数据整合时就会考虑这对研究结果可能产生的影响。

数据分析与呈现
本次拟开展的范围界定审查将根据AI的技术架构（如机器学习、大型语言模型）及其自主程度对不同类型的AI进行分类。数据将以描述性方式（频率、分布情况）和主题性方式（与教育应用相关的概念类别；按认知、情感、表现、实施等相关领域划分的结果；面临的挑战）进行整合。在数据提取过程中，会专门收集有关偏见和伦理问题的信息，并将其纳入主题分析中，以便突出所报告的风险及相应的缓解策略。研究结果将以表格、图表和文字总结的形式呈现。此外，还将绘制一张概念图，直观地展示不同类型的AI技术、教育功能、结果以及所报告的挑战之间的关系，从而帮助人们更清晰地了解AI-CDSS是如何融入本科护理教育中的。

作者贡献
FS、RM、SC：方案构思、设计、搜索策略制定、稿件撰写。FS、RM、SC：审查方案制定、方法设计。FS、VV：稿件撰写、方案的重要修订。G Caggianelli、G Cangelosi：方法和搜索策略的监督、最终稿件的重要审阅。所有作者均批准了最终发表版本，并承诺对工作的各个环节负责，确保其准确性和完整性。