综述：人工智能在护理治理与监管中的应用：伦理与政策维度的伞形综述

《Sage Open Nursing》：Artificial Intelligence in Nursing Governance and Regulation: An Umbrella Review of Ethical and Policy Dimensions

　　

背景：随着人工智能（AI）日益融入医疗保健系统，护理治理面临着涉及伦理问责、专业自主性、数据管理和机构监督的新挑战。现有综述强调了对这些变化如何影响护理专业认知的碎片化理解。 目的：本伞形综述旨在综合与AI整合入护理治理和监管框架相关的伦理与政策维度。 方法：遵循乔安娜布里格斯研究所（JBI）指南和系统综述和荟萃分析优先报告条目（PRISMA）2020，研究人员检索了五个数据库，查找2010年1月至2025年12月期间发表的综述。研究人员根据目的、质量、护理特异性以及主要研究重叠情况对综述进行评估和综合，并使用引文矩阵和校正覆盖面积（CCA）进行量化。 结果：三十一篇综述中包括23项证据综合和8项证据图谱。隐私或数据管理出现在29篇综述中，透明度或可解释性出现在27篇，偏见或公平性出现在25篇，问责或责任出现在25篇，同意或自主性出现在18篇，领导力、教育或监督出现在14篇，安全或人类监督出现在9篇。在23篇具有可列举、可提取研究列表的综述中，CCA为0.54%，表明重叠程度轻微。护理特有的问题涉及专业判断、代表性、监督、监管差异和伦理准备。 结论：AI引发了涉及数据、公平性、透明度、自主性和问责制的相互关联的治理问题。在临床、机构和监管层面需要可审计的责任，同时保持护理判断和患者权益倡导。特定监管模式的证据仍然有限。

引言

人工智能（AI）正在改变临床、行政和治理流程，并改变护理作为一个照护学科和受监管职业的性质。尽管其在诊断准确性、工作流程和预测方面具有益处，但其治理意义仍未得到充分研究。护理治理包括指导实践的政策、领导结构、问责机制、伦理标准和法规，包括数字照护中的专业问责和自主性。AI支持的决策和劳动力系统重塑了基于自主性、权益倡导和管理责任的架构，可能限制临床判断。因此，为人类主导决策设计的框架应解决问责、透明度和责任的新边界。

作为政策行动者，AI影响决策、资源、专业责任和组织治理，需要保护护理价值的保障措施。隐私、算法偏见、职业责任和知情同意是突出的问题，特别是当护理参与有限，使治理与临床一线现实脱节，导致政策碎片化并加剧监管差异时。因此，护士需要伦理准备，以负责任地评估和管理AI。这种治理视角尤为重要，因为护士在整个照护路径中都会遇到AI，而非仅在单个技术决策中。他们可能提供数据、解释预测、沟通建议、记录行动、协调升级和监测结果，每个阶段都产生独特的专业和机构责任。

治理因此不仅应解决算法准确性，还应解决护士在质疑AI生成输出时是否获得充分信息、权力、培训和保护。它还应考虑采购、供应商责任、数据共享和部署后监测如何影响床边实践。连接这些问题将护理治理与更广泛的医疗AI伦理区分开来，并有助于确定当权力在护士、医疗机构、技术开发者和自动化系统之间分配时，现有专业标准是否仍然适用。这种治理必须保持患者权益倡导和关系型照护在技术相关政策决策中的可见性。本伞形综述综合了AI对护理治理、专业角色、政策和新兴风险的伦理与监管影响，以为连贯、公平和以患者为中心的治理提供信息。

方法论

综述设计与框架：本伞形综述综合了关于AI相关护理治理中伦理和政策问题的系统综述、定性系统综述、混合方法综述、整合性综述、快速综述、范围综述和元综合。程序遵循JBI建议和PRISMA报告标准。综述是纳入单位。证据综合整合了研究结果，而证据图谱则识别了广度和空白。

目的与综述问题：目的是探索AI如何与护理治理中的伦理原则和监管结构相交，并识别总体主题、政策挑战和伦理考量。

纳入标准：符合条件的英文系统综述、范围综述或元综合，发表于2010年1月至2025年12月，研究AI或机器学习在护理或更广泛的医疗治理、伦理或政策中的应用，并涉及伦理原则或监管事项。

信息来源与检索策略：PubMed、Scopus、CINAHL、Web of Science和IEEE Xplore为PRISMA流程贡献了记录。检索词涵盖AI、机器学习、生成式AI、大语言模型、算法决策、决策支持、预测分析、机器人、数字健康、护理信息学、治理、伦理、政策、监管、执照、实践范围、责任、监督、问责和综述设计。

研究选择过程：记录导入Zotero并去重。两名研究者独立筛选标题、摘要和全文；分歧通过讨论或第三名研究者解决。质量不是纳入标准。

数据提取：一份预试验表格捕获了引文、背景、综述设计、纳入研究特征、AI技术、伦理和监管主题、理论或政策方法以及研究结果。

纳入综述的质量评价：两名研究者独立应用JBI标准。在31篇纳入综述中，22篇（71.0%）被评为高质量，6篇（19.3%）为中等质量，3篇（9.7%）为低质量。

数据综合与分析：由于方法论和概念异质性，无法进行荟萃分析，因此采用叙述性主题综合。使用综述-研究引文矩阵评估主要研究重叠，CCA计算为（N?r）/（r×c?r）。0%–5%表示轻微重叠。23篇综述具有完整、可提取的研究列表。

结果

纳入研究总结：本伞形综述综合了31篇综述的证据，这些综述考察了AI在护理实践、教育、管理和更广泛医疗系统中的应用和治理。综述反映了全球视角，涵盖北美、欧洲、亚洲、中东、澳大利亚和部分低收入和中等收入国家。医院和急症护理环境占主导，但也涉及社区护理、长期护理、护理教育和医疗管理。方法上，证据基础包括系统综述、范围综述、整合性综述和快速综述。尽管检索覆盖2010年至2025年的出版物，所有符合条件的综述均发表于2020年至2025年之间，反映了针对护理中AI治理、伦理和监管的学术研究近期才出现。综述层面的支持包括隐私或数据管理（n=29）、透明度或可解释性（n=27）、偏见或公平性（n=25）、问责或责任（n=25）、同意或自主性（n=18）、领导力、教育或监督（n=14）以及安全或人类监督（n=9）。在纳入重叠分析的23篇综述中，694次研究出现代表620项独特主要研究，产生74次重复出现，CCA为0.54%（轻微重叠）。

AI整合入护理治理中的伦理挑战：一个突出主题是围绕AI整合入护理治理结构的伦理不确定性。虽然AI提供了增强决策、减少行政负担和改善患者预后的机会，但它同时引入了与自主性、行善、公正和不伤害相关的挑战。几篇综述强调了对在日益算法驱动的照护环境中保持护患关系的担忧。通过决策支持系统和自动化分诊实现的工作流程机械化可能限制临床判断并减少专业自主性。此外，对AI生成建议的依赖增加了过度治疗、分诊不足或忽视患者偏好的风险。传统指导护理实践的伦理框架可能无法充分解决这些新兴的复杂性。

算法偏见与AI政策话语中的公平性：算法偏见是对护理治理中公平性的重大威胁。许多AI系统使用缺乏多样性或反映医疗保健服务中历史不平等的数据集开发，从而复制或放大歧视性结果。例如，用于患者风险分层或资源分配的预测分析可能嵌入与种族、性别或社会经济地位相关的偏见。从监管角度看，很少有综述报告了在机构层面评估、监测或减轻此类偏见的全面机制。算法公平性在护理监管框架内仍未得到充分发展，标准化偏见审计或问责流程的证据有限。

数据隐私、同意与信息治理：数据治理成为核心问题，特别是关于AI驱动的护理系统中数据的收集、共享和使用。对大规模数据集的日益依赖模糊了个人和专业数据之间的界限，引发了对患者和护士隐私的重大关切。许多AI应用依赖去标识化数据；然而，由于通过先进分析技术可能重新识别，去标识化的有效性仍存在争议。这些风险使传统的知情同意过程复杂化，这些过程往往无法捕捉AI支持的数据使用的动态和持续性。此外，机构政策常常滞后于技术能力，在敏感护理数据（如文档模式、工作流程指标和可穿戴技术的行为数据）的治理方面留下空白。

算法支持决策中的专业问责：AI整合入临床和行政流程引发了关于护理治理中专业问责的关键问题。几篇综述强调了AI生成建议与护士临床判断冲突的情况，造成决策责任的模糊性。当不良结果发生时，问责是否在于护士、机构或AI系统本身变得不清楚。护士可能感到被迫依赖算法输出，特别是当机构政策强制使用时，可能限制独立临床推理。同时，传统监管框架和执照标准尚未发展到适应AI支持的决策过程。这一空白增加了护士的道德困扰和法律脆弱性风险。

AI系统的透明度与可解释性：透明度和可解释性被一致认为是护理治理中伦理AI整合的基本要求。许多综述强调，AI系统，特别是基于深度学习和复杂模型的系统，通常作为“黑箱”运作，限制了对输出如何生成的理解。这种缺乏可解释性降低了护士的信任，并限制了他们适当处理AI驱动建议的能力。这也挑战了与患者沟通、知情同意和共享决策相关的伦理义务。几项研究强调，可解释性不仅应被视为技术特征，还应被视为支持问责和监督的治理原则。

AI治理中的机构监督、领导力与政策维度：机构碎片化和有限监督被一致认为是伦理实施AI于护理治理的障碍。综述指出，AI计划经常在没有连贯治理结构的情况下引入，导致实施不一致和与护理价值观对齐不良。尽管国家数字健康战略鼓励创新，但地方治理机制往往不发达。AI采用通常由效率和成本削减目标驱动，护士领导或伦理监督机构的参与有限。护理领导被认为是关键但发展不足的AI治理组成部分。许多护士领导缺乏足够的培训和机构支持，无法有效参与AI政策制定，增加了护士成为被动用户而非AI实施积极贡献者的风险。

政策差异与全球伦理空白：伞形综述揭示了不同国家和医疗系统之间AI相关护理治理政策的显著差异。一些高收入国家已开始制定解决AI伦理、透明度和问责的监管框架，而其他国家则明显滞后。这种不平衡的格局使标准化护理实践的努力复杂化，特别是在护士跨境流动或参与跨国健康倡议的全球化劳动力中。一个特别的关切是缺乏关于护理AI治理伦理优先事项的全球共识。

教育、能力与伦理准备：AI伦理教育和能力建设的需求是一个反复出现的关切。护理教育项目未能跟上医疗保健中AI技术的快速扩展，在学生和执业护士中造成知识和准备方面的空白。伦理准备被一致认为是现代护理实践的基本组成部分。几篇综述强调将AI伦理纳入本科和研究生护理课程、继续专业发展项目和执照要求的重要性，以加强劳动力准备。

综述间的趋同、分歧与证据强度：在纳入的综述中，关于AI在护理中的伦理和治理挑战观察到强烈趋同。与算法偏见、数据隐私、透明度、专业问责和加强AI治理需求相关的问题被一致报告。综述还同意当前监管框架未能跟上快速AI实施，护士在AI治理和政策制定过程中代表性不足。然而，也存在一些分歧。虽然几篇综述强调AI增强临床决策和专业自主性的潜力，但其他综述警告依赖算法建议可能减少临床判断并增加对自动化系统的依赖。

讨论

AI可以改善决策和工作流程，同时挑战自主性和问责制。随着算法日益影响临床和组织流程，治理模式应做出响应，因为以人为中心的伦理框架可能无法解决不透明性和自动化治理问题。风险也因应用而异：预测分析强调公平性，决策支持提出可解释性和问责性问题，生成式AI则增加错误信息和隐私风险。有偏见的数据库可以在优先级排序和分配中复制不平等，与护理对公正和包容的承诺相冲突。薄弱审计和监测表明监管准备有限，使以公平性为重点的治理成为优先事项。广泛的数据重用也挑战一次性同意。信息不对称限制了有意义的理解；因此政策应解决所有权、二次使用、隐私和监视问题。当AI与判断冲突时责任不清可能造成道德困扰和法律脆弱性。监管应在防止不当责任的同时保持护士的判断力，并辅以更新的能力和专业指导。

护士在监测、文档记录、沟通、优先级排序和劳动力管理中遇到AI，同时承担权益倡导和协调职责。AI因此可以重塑专业身份和治疗关系，需要对自主性、权益倡导、问责和监管进行护理特有的关注。护理参与有限、效率驱动的采用削弱了监督。护士应参与设计、部署和评估，而教育和跨学科治理加强问责。

综合还表明，治理应被理解为持续的周期，而非一次性批准决定。实施前审查应检查预期用途、训练数据、亚组表现、工作流程适配性以及对可预见错误的责任。实施期间，组织应记录护士推翻建议的权力，建立升级路径，并监测工作量、沟通和患者参与的变化。部署后监督应包括事件报告、定期偏见审计、模型漂移评估以及对自主性和照护关系影响的审查。监管者可以定义最低期望；机构可以将其转化为程序；开发者可以提供文档和技术监测；护士可以贡献情境知识。

优势与局限性：本综述使用JBI评价和PRISMA报告综合了跨环境和司法管辖区的AI相关护理治理。纳入的综述在设计、范围和质量上各不相同。23篇综述的正式重叠评估表明轻微重叠（CCA 0.54%）；然而，8篇综述未被纳入，因为缺乏完整、一致或可分离的主要研究列表。英语限制、无符合条件的灰色文献和异构术语也可能限制了全面性。

实践意义：医疗机构、护理领导者、教育者和政策制定者应为安全和公平的AI整合制定透明治理、伦理指导、劳动力培训和监管监督。组织应试点AI系统并监测安全性、公平性、可用性、工作量和患者体验。护理代表应参与采购、验证、伦理审查、事件调查和重新授权。监管者和教育者应调整能力，使护士能够识别不可靠输出、记录关切、沟通不确定性并无损问责地升级问题。

结论

AI正在通过挑战伦理规范、监管和专业自主性来重塑护理治理。其在效率和决策支持方面的益处与不透明性、偏见和模糊问责并存。政策回应应涉及护士，保护患者权益倡导，解决不平等，支持伦理准备、参与式监督和监管对齐，以便AI加强护理实践并保持照护的完整性。未来的治理应从广泛的伦理认可转向AI生命周期中可审计的责任。证据仍不足以确定一个优越的监管模式，但综述支持更清晰的角色分配、护理代表性、透明监测和专业判断的保护。前瞻性评估应确定这些措施是否改善护理环境中的安全性、公平性、问责制和以患者为中心的照护。