The role of artificial intelligence in nursing
Patient monitoring: Artificial intelligence (AI) is being used in nursing for remote patient monitoring (RPM), which connects sensors and equipment to patients. The key stages of RPM are to gather patient data and the data collection, transport, and storage in the cloud for analysis. This technology is used to manage chronic diseases, fall detection , and mental health disorders. As well as to monitor cardiac arrhythmias, hemodynamic, vital signs, and offer guidance. For patients with cardiac illness, wearable sensors can track their heart rate, ECG, and breathing rate. For the elderly, wearable and ambient sensor-based fall detection devices are essential. Mental health systems advise patients to take their medications and to monitor adherence, while diabetes monitoring systems track blood glucose levels, food intake, and blood pressure. These systems have also been applied to patients with Alzheimer's and bipolar disorder. All these systems can detect even slight changes in a patient's condition, allowing nurses to address potential issues before they become more serious.
Electronic health records (EHR) and predictive analytics: AI and EHR can improve patient care by reducing data complexity and enabling nurses to make informed decisions. AI can analyse patients' medical histories, family histories, and genetic predispositions, enabling healthcare providers to better understand medical data. AI systems like ChatGPT can analyse free text entries in EHRs to produce real-time summaries of patient care. On the other hand, predictive analytics can identify trends and risk factors, allowing nurses to anticipate patient needs and customize interventions. For instance, AI has been effectively applied in cardiology to improve risk assessment for patients suspected of having coronary artery disease, predict the onset of heart failure. Also, it predict adverse events like infections or deteriorating conditions. This enables nurses to proactively intervene, providing timely care and preventing complications.
Clinical decision support (CDS): It is a tool often found in electronic health record systems that gives nurses extra information to help them make informed decisions, alert them to medication interactions, decide on treatment options, and support nurses in providing appropriate patient care.
Prediction of fall risk: AI technology may better predict fall risk and provide automatic alerts, reducing the need for manual calculations.
Medication management: AI and machine learning techniques have many benefits for medication management, from clinical decision support to drug safety. It can help by verifying prescriptions, checking for potential drug interactions, and automating medication administration. This reduces errors and improves patient safety. AI is also being used to create new tools that support patients in following their treatment regimens in order to improve their overall health. AI-powered smartphone applications have shown to be successful in tracking and encouraging drug adherence. These applications can remind patients to take their medication, provide instructions on how to do so, and help detect any instances of non-adherence. Additionally, patients have been empowered and supported in taking their medications by using reminder methods like SMS alerts. Patients eventually experience better clinical outcomes when there is an improvement in drug adherence. Since some hospitals already use robots to distribute medication, artificial intelligence may also be able to handle pharmaceutical administration.
Patient engagement: To ensure patient acceptance, it's critical to plan new health technology with their participation in mind. Patients often use web portals, social networks, or mobile apps to manage their illness and communicate with healthcare providers. Patient education, treatment regimen reminders, health data collection, and assistance are all accomplished through patient engagement platforms like chatbots and smartphone applications. Virtual assistants and AI chatbots are also being utilised more frequently to interact with patients and enhance their overall experience receiving care.
Diagnosis: IBM's Watson for Health is utilizing medical data from journals, case studies, and a database of symptoms and treatments to help nurses in providing patient care.
Treatment: Nurses are able to utilize AI systems to obtain information that is necessary for creating a comprehensive care plan for their patients.
End-of-life care: It involves robots equipped with artificial intelligence engaging with older individuals to address feelings of loneliness and social disconnection. These robots can assist with tasks, communicate, and provide emotional support.
Following healthy living: Health applications promote a healthier lifestyle and help individuals better manage their health conditions.
Patient education: AI-powered chatbots have the ability to interact with patients, offering them information regarding their health condition, medications, and post-hospitalization care. These chatbots can also be utilized by nurses to respond to inquiries and monitor patients' well-being from a distance.
Robotic technology: With its ability to improve patient care, robotics is revolutionising the healthcare industry. Hospitals and assisted living institutions are using telepresence robots, voice assistants, autonomous robots, and emotionally sensitive robots as caregiving tools. Not only can these robots help nurses with patient data collection and home care, but they can also lower suicide rates and perform tasks like meal and supply delivery. Essential nursing procedures like patient paperwork, wound care, IV insertion and removal, patient transport, and education can also be aided by artificial intelligence and robot helpers. Robots could also automate some jobs and assist with nursing care in hazardous hospital environments. This include assisting with catheter removal safely, managing urinary tract infections, and identifying patients at risk for complications after surgery.
Resource allocation: The utilization of new technologies plays a vital role in helping healthcare industry reduce expenses through optimized resource allocation and cost management. As healthcare settings have problems related to nurse staffing and resource allocation. In order to optimise staffing levels, AI can analyse patient data, hospital census data, and nurse schedules. This ensures that there are enough qualified nurses on hand to deliver top-notch care. These technologies also offer the potential to streamline candidate management, reduce hiring time, and lower recruitment costs. As well, digital technologies provide a lot of data and automate jobs, which streamlines the recruitment process. Additionally, AI systems simplify salary and benefits planning, allowing for a focus on strategic initiatives. Despite the high initial costs, digitalization and AI enhancements lead to improved economic outcomes for organizations by boosting productivity, retention, satisfaction, and task efficiency.
Administration and time management: AI technology aids in scheduling appointments, managing prescriptions, and organizing discharge paperwork. It enables nurses to increase focus on patient care.
Cancer detection: Machine learning could potentially utilize algorithms to create a model for detecting cancer by using patient nomograms and web calculators, which would assist nurses in accessing cancer status and lowering mortality rates through early detection.
Triage patients: A prime illustration is the Emergency Triage Systems software, which helps nurses accurately prioritize patients in emergency departments.
Emergency interventions: AI has the ability to utilize an algorithm that can analyse real-time data from electronic health records to identify patients' health conditions and identify emergencies. Detecting emergencies faster can lead to improved outcomes for patients.
Improved healthcare: AI has the potential to enhance and broaden patient access to high-quality healthcare through personalized treatments and monitoring, leading to fewer errors and reduced costs. Also, AI has already streamlined healthcare by reducing time-consuming tasks that don't necessarily need a nurse's attention, allowing nurses to focus more on direct patient care.
Preparation: Artificial intelligence can create realistic simulations to help nurses get ready for various situations.
Role of artificial intelligence in the future of nursing: robots and computerized triage nurses may assist with tasks such as taking blood samples, scheduling shifts, and monitoring patient conditions. Additionally, wearable technology like intelligent shirts may be able to detect early signs of illnesses. Sensors monitor changes in how the body uses oxygen. This information is then used to foresee the development of Type 2 diabetes and heart or lung diseases. Advanced analytics, known as machine learning, can be utilized to forecast the probability of a patient experiencing a stroke, coronary artery disease, or kidney failure. By utilizing machine learning and advanced analytics, nurses can create personalized healthcare plans for individual patients based on various factors such as medical history and demographics.
دور الذكاء الاصطناعي في التمريض
مراقبة المرضى: يتم استخدام الذكاء الاصطناعي في التمريض لمراقبة المرضى عن بعد، والذي يربط أجهزة الاستشعار والمعدات بالمرضى. تتمثل المراحل الرئيسية لمراقبة المرضى عن بعد في جمع بيانات المريض ونقلها وتخزينها لتحليلها. وتُستخدم هذه التقنية لإدارة الأمراض المزمنة والكشف عن حالات السقوط واضطرابات الصحة العقلية. وكذلك مراقبة عدم انتظام ضربات القلب وديناميكية الدورة الدموية والعلامات الحيوية وتقديم التوجيه. بالنسبة للمرضى الذين يعانون من أمراض القلب، يمكن لأجهزة الاستشعار القابلة للارتداء تتبع معدل ضربات القلب وتخطيط القلب ومعدل التنفس. وبالنسبة لكبار السن، تعد أجهزة الكشف عن السقوط التي يمكن ارتداؤها والمعتمدة على أجهزة الاستشعار المحيطة ضرورية. وتنصح أنظمة الصحة العقلية المرضى بتناول أدويتهم ومراقبة الالتزام بها، بينما تقوم أنظمة مراقبة مرض السكري بتتبع مستويات الجلوكوز في الدم وتناول الطعام وضغط الدم. وقد تم تطبيق هذه الأنظمة أيضًا على المرضى الذين يعانون من مرض الزهايمر والاضطراب ثنائي القطب. كل هذه الأنظمة يمكنها أن تكتشف حتى التغيرات الطفيفة في حالة المريض، مما يسمح للممرضات بمعالجة المشكلات المحتملة قبل أن تصبح أكثر خطورة.
السجلات الصحية الإلكترونية وتحليلات التنبؤ: يمكن للذكاء الاصطناعي والسجل الصحي الإلكتروني تحسين رعاية المرضى عن طريق تقليل تعقيد البيانات وتمكين الممرضات من اتخاذ قرارات أكثر استنارة لرعاية المرضى. ويمكن للذكاء الاصطناعي تحليل التاريخ الطبي للمرضى، وتاريخ العائلة، والاستعداد الوراثي، مما يمكّن مقدمي الرعاية الصحية من فهم البيانات الطبية بشكل أفضل. كما يمكن لأنظمة الذكاء الاصطناعي مثل ChatGPT تحليل إدخالات النص في السجلات الصحية الإلكترونية لإنتاج ملخصات في الوقت الفعلي لرعاية المرضى. من الناحية الأخرى يمكن للتحليلات التنبؤية تحديد الاتجاهات وعوامل الخطر، مما يسمح للممرضات بتوقع احتياجات المريض وتوفير الرعاية المناسبة.لى سبيل المثال، تم تطبيق الذكاء الاصطناعي بشكل فعال في أمراض القلب لتحسين تقييم المخاطر للمرضى المشتبه في إصابتهم بمرض الشريان التاجي، والتنبؤ ببداية قصور القلب. كما يمكن التنبؤ بالأحداث السلبية مثل العدوى أو تدهور الحالات. وهذا يتيح للممرضات التدخل بشكل استباقي، وتوفير الرعاية في الوقت المناسب ومنع المضاعفات.
دعم القرار السريري: هي أداة غالبًا ما توجد في أنظمة السجلات الصحية الإلكترونية والتي توفر للممرضات معلومات إضافية لمساعدتهن على اتخاذ قرارات مناسبة، وتنبيههن بالتفاعلات الدوائية، واتخاذ قرار بشأن خيارات العلاج، ودعم الممرضات في توفير الرعاية المناسبة للمرضى.
التنبؤ بمخاطر السقوط: قد تتنبأ تقنية الذكاء الاصطناعي بشكل أفضل بمخاطر السقوط وتوفر تنبيهات تلقائية، مما يقلل الحاجة إلى الحسابات اليدوية.
إدارة الأدوية: تتمتع تقنيات الذكاء الاصطناعي والتعلم الآلي بفوائد عديدة لإدارة الأدوية، بدءًا من دعم القرارات السريرية وحتى سلامة الأدوية. يمكن أن يساعد من خلال التحقق من الوصفات الطبية، والتحقق من التفاعلات الدوائية المحتملة، واعطاء الدواء أتوماتيكيا. وهذا يقلل من الأخطاء ويحسن سلامة المرضى. ويتم استخدام الذكاء الاصطناعي أيضًا لإنشاء أدوات جديدة تدعم المرضى في اتباع أنظمة العلاج الخاصة بهم من أجل تحسين صحتهم بشكل عام. فقد أثبتت تطبيقات الهواتف الذكية التي تعمل بالذكاء الاصطناعي نجاحها في تتبع وتشجيع الالتزام بالأدوية. يمكن لهذه التطبيقات تذكير المرضى بتناول أدويتهم، وتقديم تعليمات حول كيفية القيام بذلك، والمساعدة في اكتشاف أي حالات عدم الالتزام. بالإضافة إلى ذلك، تم تمكين المرضى ودعمهم في تناول أدويتهم باستخدام طرق التذكير مثل التنبيهات عبر الرسائل النصية القصيرة. فيحصل المرضى في نهاية المطاف على نتائج سريرية أفضل عندما يكون هناك تحسن في الالتزام بالدواء. وبما أن بعض المستشفيات تستخدم بالفعل الروبوتات لتوزيع الأدوية، فقد يكون الذكاء الاصطناعي أيضًا قادرًا على التعامل مع إعطاء الأدوية.
مشاركة المريض: من المهم التخطيط لتكنولوجيا صحية جديدة مع أخذ مشاركتهم في الاعتبار. غالبًا ما يستخدم المرضى صفحات الويب أو الشبكات الاجتماعية أو تطبيقات الهاتف المحمول لإدارة مرضهم والتواصل مع مقدمي الرعاية الصحية. حيث يتم إنجاز تثقيف المرضى وتذكير نظام العلاج وجمع البيانات الصحية والمساعدة من خلال منصات مشاركة المرضى مثل برامج الدردشة وتطبيقات الهواتف الذكية. يتم أيضًا استخدام المساعدين الافتراضيين وروبوتات الدردشة المدعمة بالذكاء الاصطناعي بشكل متكرر للتفاعل مع المرضى وتعزيز تجربتهم الشاملة في تلقي الرعاية.
التشخيص: يستخدم برنامج واطسن للصحة التابع لشركة أي بي ام البيانات الطبية من المجلات ودراسات الحالة وقاعدة بيانات للأعراض والعلاجات لمساعدة الممرضات في توفير الرعاية للمرضى.
العلاج: الممرضون قادرون على استخدام أنظمة الذكاء الاصطناعي للحصول على المعلومات الضرورية لإنشاء خطة رعاية شاملة لمرضاهم.
رعاية نهاية الحياة: تتضمن رعاية نهاية الحياة روبوتات مجهزة بالذكاء الاصطناعي تتعامل مع كبار السن لمعالجة مشاعر الوحدة والانفصال الاجتماعي. يمكن لهذه الروبوتات المساعدة في المهام والتواصل وتقديم الدعم النفسي.
اتباع الحياة الصحية: تعمل التطبيقات الصحية على تعزيز أسلوب حياة أكثر صحة ومساعدة الأفراد على إدارة ظروفهم الصحية بشكل أفضل.
تثقيف المرضى: تتمتع روبوتات الدردشة المدعومة بالذكاء الاصطناعي بالقدرة على التفاعل مع المرضى، وتزويدهم بالمعلومات المتعلقة بحالتهم الصحية، والأدوية، والرعاية بعد العلاج في المستشفى. يمكن أيضًا للممرضات استخدام روبوتات الدردشة هذه للرد على الاستفسارات ومراقبة صحة المرضى عن بعد.
تكنولوجيا الروبوتات (الانسان الألي): بفضل قدرتها على تحسين رعاية المرضى، تُحدث الروبوتات ثورة في صناعة الرعاية الصحية. حيث تستخدم المستشفيات ومؤسسات المعيشة المدعومة روبوتات الحضور عن بعد، والمساعدين الصوتيين، والروبوتات المستقلة، والروبوتات الحساسة عاطفيًا كأدوات لتقديم الرعاية. لا تستطيع هذه الروبوتات مساعدة الممرضات في جمع بيانات المرضى والرعاية المنزلية فحسب، بل يمكنها أيضًا خفض معدلات الانتحار وأداء مهام مثل توصيل الوجبات والإمدادات. يمكن أيضًا مساعدة إجراءات التمريض الأساسية مثل الأوراق الخاصة بالمريض، والعناية بالجروح، وإدخال وإزالة الكانيولا، ونقل المرضى، والتعليم من خلال الذكاء الاصطناعي ومساعدي الروبوتات. يمكن للروبوتات أيضًا عمل بعض الوظائف والمساعدة في الرعاية التمريضية في بيئات المستشفيات الخطرة. ويشمل ذلك المساعدة في إزالة القسطرة بأمان، والتعامل مع التهابات المسالك البولية، وتحديد المرضى المعرضين لخطر حدوث مضاعفات بعد الجراحة.
تخصيص الموارد: يلعب استخدام التقنيات الجديدة دورًا حيويًا في مساعدة قطاع الرعاية الصحية على تقليل النفقات من خلال التخصيص الأمثل للموارد وإدارة التكاليف. حيث تعاني إعدادات الرعاية الصحية من مشاكل تتعلق بتعيين الممرضات وتخصيص الموارد. من أجل تحسين مستويات التوظيف، يمكن للذكاء الاصطناعي تحليل بيانات المرضى، وبيانات التعداد السكاني للمستشفيات، وجداول الممرضات. وهذا يضمن وجود عدد كافٍ من الممرضات المؤهلات لتقديم رعاية من الدرجة الأولى. أيضا توفر هذه التقنيات إمكانية تبسيط إدارة المرشحين وتقليل وقت التوظيف وخفض تكاليف التوظيف. كما توفر التقنيات الرقمية الكثير من البيانات وتعمل على أتمتة الوظائف، مما يبسط عملية التوظيف. تعمل أنظمة الذكاء الاصطناعي أيضًا على تبسيط تخطيط الرواتب والمزايا، مما يسمح بالتركيز على المبادرات الإستراتيجية. على الرغم من التكاليف الأولية المرتفعة، تؤدي تحسينات الرقمنة والذكاء الاصطناعي إلى تحسين النتائج الاقتصادية للمؤسسات من خلال تعزيز الإنتاجية والاحتفاظ والرضا وكفاءة المهام.
الإدارة وإدارة الوقت: تساعد تقنية الذكاء الاصطناعي في جدولة المواعيد وإدارة الوصفات الطبية وتنظيم أوراق الخروج مما يسمح للممرضات بزيادة التركيز على رعاية المرضى.
الكشف عن السرطان: من المحتمل أن يستخدم التعلم الآلي الخوارزميات لإنشاء نموذج للكشف عن السرطان باستخدام المخططات البيانية للمرضى على شبكة الإنترنت، الأمر الذي من شأنه أن يساعد الممرضات في الوصول إلى حالة السرطان وخفض معدلات الوفيات من خلال الكشف المبكر.
فرز المرضى: المثال الرئيسي هو برنامج أنظمة فرز الطوارئ، الذي يساعد الممرضات على تحديد أولويات المرضى بدقة في أقسام الطوارئ.
التدخلات في حالات الطوارئ: يتمتع الذكاء الاصطناعي بالقدرة على استخدام خوارزمية يمكنها تحليل البيانات في الوقت الفعلي من السجلات الصحية الإلكترونية لتحديد الحالات الصحية للمرضى وتحديد حالات الطوارئ. اكتشاف حالات الطوارئ بشكل أسرع يمكن أن يؤدي إلى نتائج أفضل للمرضى.
تحسين الرعاية الصحية: يتمتع الذكاء الاصطناعي بالقدرة على تعزيز وتوسيع نطاق وصول المرضى إلى رعاية صحية عالية الجودة من خلال العلاجات والمراقبة الشخصية، مما يؤدي إلى تقليل الأخطاء وتقليل التكاليف. بالإضافة إلى ذلك، قام الذكاء الاصطناعي بالفعل بتبسيط الرعاية الصحية من خلال تقليل المهام التي تستغرق وقتًا طويلاً والتي لا تحتاج بالضرورة إلى اهتمام الممرضة، مما يسمح للممرضات بالتركيز بشكل أكبر على الرعاية المباشرة للمرضى.
الإعداد: يمكن للذكاء الاصطناعي إنشاء عمليات محاكاة واقعية لمساعدة الممرضات على الاستعداد لمختلف المواقف.
دور الذكاء الاصطناعي في مستقبل التمريض: في المستقبل قد تساعد الروبوتات وممرضات الفرز المحوسبة في مهام مثل أخذ عينات الدم، وجدولة الشيفتات، ومراقبة حالات المرضى. بالإضافة إلى ذلك، قد تكون التكنولوجيا القابلة للارتداء مثل القمصان الذكية قادرة على اكتشاف العلامات المبكرة للأمراض. وتراقب أجهزة الاستشعار التغيرات في كيفية استخدام الجسم للأكسجين. ثم يتم استخدام هذه المعلومات للتنبؤ بتطور مرض السكري من النوع الثاني وأمراض القلب أو الرئة. كما يمكن استخدام التحليلات المتقدمة، المعروفة باسم التعلم الآلي، للتنبؤ باحتمالية إصابة المريض بسكتة دماغية أو مرض الشريان التاجي أو الفشل الكلوي. ومن خلال الاستفادة من التعلم الآلي والتحليلات المتقدمة، يمكن للممرضات إنشاء خطط رعاية صحية مخصصة للمرضى الأفراد بناءً على عوامل مختلفة مثل التاريخ الطبي والخصائص الديموغرافية.
References
Abd El-Monem, A.M., Rashed, S.E., Hasanin, A.Gh. (2023). Artificial Intelligence technology and its
relation to staff nurses' professional identity and problem solving abilities. International Egyptian
Journal of Nursing Sciences and Research, 3(2).
Ajani, R., Chatterjee, A., Talwai, A., & Zhang, J. (2018). How a pharma company applied machine
learning to patient data. Harvard Business Review. Retrieved from hbr.org/2018/10/how-a-pharma-
company-applied-machine-learning-to-patient-data
Babel, A., Taneja, R., Mondello Malvestiti, F., Monaco, A., & Donde, S. (2021). Artificial intelligence
solutions to increase medication adherence in patients with non-communicable diseases. Front Digit
Health, 3,669869. https://doi.org/10.3389/fdgth.2021.669869
Begum, A. (2023). The impact of artificial intelligence on nursing: Revolutionizing Patient Care.
Retrieved from https://www.nurses.co.uk/blog/the-impact-of-artificial-intelligence-on-nursing-
revolutionizing-patient-care/
Campbell, K., Louie, P., Levine, B., & Gililland, J. (2020). Using patient engagement platforms in the
postoperative management of patients. Curr Rev Musculoskelet Med, 13(4), 479-484.
https://doi.org/10.1007/s12178-020-09638-8
Cary Jr, M.P., Zhuang, F., Draelos, R.L., Pan, W., Amarasekara, S., Douthit,B.J. , Kang, Y., & Colón-
Emeric, C.S. (2021). Machine learning algorithms to predict mortality and
allocate palliative care for older patients with hip fracture. J Am Med Dir Assoc,22(2), 291-296.
doi:10.1016/j.jamda.2020.09.025
Centers for Medicare & Medicaid Services. (2017). National health expenditures 2017 highlights.
Retrieved from cms.gov/research-statistics-data-and-systems/statistics-trends-and-
reports/nationalhealthexpenddata/downloads/highlights.pdf.
Chan, K.S.,& Zary, N. (2019). Applications and challenges of implementing artificial intelligence in
medical education: integrative review. JMIR Med Educ, 5(1):e13930. https://doi.org/10.2196/13930
Clancy, T.R. (2020). Artificial intelligence and nursing: the future is now. The Journal of Nursing
Administration, 50(3), 125–127.
Clearstep Media. (2023). Artificial Intelligence in nursing: the future of nursing care. Retrieved from
https://www.clearstep.health/blog/artificial-intelligence-in-nursing
Damiani, G., Altamura, G., Zedda, M., et al. (2023). Potentiality of algorithms and artificial intelligence
adoption to improve medication management in primary care: a systematic review. BMJ Open,
13(3):e065301. https://doi.org/10.1136/bmjopen-2022-065301
Douthit, B.J., Hu, X., Richesson, R.L., Kim, H., & Cary, M.P. (2020). How artificial intelligence is
transforming the future of nursing. American Nurse J,15(9),100-102.
Douthit, B.J., Shaw, R.J., Lytle, K.S., Richesson, R.L., & Cary, M.P. (2022). Artificial intelligence in
nursing. American Nurse Journal, 19 (5). https://www.myamericannurse.com/ai-artificial-
intelligence-in-nursing/
Dubey, A., & Tiwari, A. (2023). Artificial intelligence and remote patient monitoring in US healthcare
market: a literature review. J Mark Access Health Policy, 11(1):2205618.
https://doi.org/10.1080/20016689.2023.2205618
Eggerth, A., Hayn, D., & Schreier, G. (2020). Medication management needs information and
communications technology-based approaches, including telehealth and artificial intelligence. Br J
Clin Pharmacol, 86(10), 2000-2007. https://doi.org/10.1111/bcp.14045
El-Rashidy, N., El-Sappagh, S., Islam, S.M.R., El-Bakry, H., & Abdelrazek, S. (2021). Mobile health in
remote patient monitoring for chronic diseases: principles, trends, and challenges. Diagnostics,
11(4),607. https://doi.org/10.3390/diagnostics11040607
Gerich, H.V., Moen, H., Block, L.J., Chu, H.Ch., DeForest, H., Hobensack, M., Michalowski, M.,
Mitchell, J , Nibber, R., Olalia, M.A., Pruinelli, L., Ronquillo, Ch.E., Topaz, M., & Peltonen, L.
(2022). Artificial Intelligence-based technologies in nursing: a scoping literature review of the
evidence. International Journal of Nursing Studies, 127,104153.
Ghane, G., Ghiyasvandian, Sh., Chekeni, A.M., & Karimi, R. (2024). Revolutionizing nursing
education and care: the role of artificial intelligence in nursing. Nurse Author Editor, 34(1).
https://doi.org/10.1111/nae2.12057
Hwang, G.J., Chang, P.Y., Tseng, W.Y., Chou, Ch., Wu, Ch., & Tu, Y. (2022). Research trends in
artificial intelligence-associated nursing activities based on a review of academic studies
published from 2001 to 2020. CIN: Computers, Informatics, Nursing, 40 (12), 814–824. doi:
10.1097/CIN.0000000000000897.
Jung, S. (2023). Challenges for future directions for artificial intelligence integrated nursing simulation
education. Korean J Women Health Nurs, 29(3), 239-242. https://doi.org/10.4069/kjwhn.2023.09.06.1
Knevel, R., & Liao, K.P. (2023). From real-world electronic health record data to real-world results
using artificial intelligence. Ann Rheum Dis, 82(3), 306-311. https://doi.org/10.1136/ard-2022-
222626
Li, P., Bastone, A., Mohamad, T., & Schiavone, F. (2023). How does artificial intelligence impact
human resources performance. Evidence from a healthcare institution in the United Arab Emirates.
J Innovat Knowl, 8(2),100340. https://doi.org/10.1016/j.jik.2023.100340
Li, Z., Moran, P., Dong, Q., Shaw, R. J., & Hauser, K. (2017). Development of a tele-nursing mobile
manipulator for remote care-giving in quarantine areas. Retrieved from
https://doi.org/10.1109/ICRA.2017.7989411
Martinez-Ortigosa, A., Martinez-Granados, A., Gil-Hernández, E., Rodriguez-Arrastia, M., Ropero-
Padilla, C., & Roman, P. (2023). Applications of artificial intelligence in nursing care: a systematic
review. Journal of Nursing Management, 2023, 12. https://doi.org/10.1155/2023/3219127
Mir, M.M., Mir, G.M., Raina. N.T, Mir, S.M., Mir, S.M., Miskeen, E., Alharthi, M.H., & Alamri,
M.M.S. (2023). Application of artificial intelligence in medical education: current scenario and
future perspectives. J Adv Med Educ Prof, 11(3),133-140.
Motulsky, A., Nikiema, J., & Bosson Rieutort, D. (2021). Artificial intelligence and medication
management. Springer International Publishing, pp 91-101.
Nancy, R. (2019). How artificial intelligence is changing nursing. Nursing Management (Springhouse)
50(9), 30-39. DOI: 10.1097/01.NUMA.0000578988.56622.21
N'gbesso, Y. (2020). Integration of artificial intelligence in electronic health records: impacts and
challenges. Computing & Sustainable Societies.
O’Connor, S, Devane, D., & Rose, L. (2023). Realising the benefits of artificial intelligence for nursing
practice. Retrieved from https://www.nursingtimes.net/clinical-
archive/healthcare-it/realising-the-benefits-of-artificial-intelligence-for-nursing-practice-18-09-2023/
O’Connor, S., Yan, Y., Thilo, F.J.S., Felzmann, H., Dowding, D., & Lee, J.J. (2023). Artificial
intelligence in nursing and midwifery: a systematic review. Journal of Clinical Nursing, 32(13–
14), 2951–2968.
Pamela, Z.Q., Ling, L.Y.J., Chew, H.S.J., & Lau, Y. (2022). The role of artificial intelligence in
enhancing clinical nursing care: a scoping review. J Nurs Manag, 30(8), 3654-3674.
Rony,M.K.K., Kayesh, I., Bala,Sh.D., Akter, F, Parvin, M.R. (2024). Artificial intelligence in future
nursing care: exploring perspectives of nursing professionals - A descriptive qualitative
study. Science Direct, 10(4), e25718.
Seibert, K., Domhoff, D., Bruch, D., Schulte-Althoff, M., Fürstenau, D., Biessmann, F., & Wolf-
Ostermann,K. (2021). Application scenarios for artificial intelligence in nursing care: rapid
review. Journal of Medical Internet Research, 23(11), e26522. doi: 10.2196/26522.
Stokes, F., & Palmer, A. (2020). Artificial intelligence and robotics in nursing: ethics of caring as a
guide to dividing tasks between AI and humans. An International Journal for Healthcare
Professionals, 21(4).
Sun, L., Yin, C., Xu, Q., & Zhao, W. (2023). Artificial intelligence for healthcare and medical
education: a systematic review. Am J Transl Res,15(7), 4820-4828.
Triberti, S., & Barello, S. (2016). The quest for engaging AmI: patient engagement and experience
design tools to promote effective assisted living. J Biomed Inf, 63, 150-156.
https://doi.org/10.1016/j.jbi.2016.08.010
University of North Carolina Wilmington. (2024). Artificial intelligence & nursing. Retrieved from
https://onlinedegree.uncw.edu/programs/healthcare/rn-to-bsn/artificial-intelligence-nursing/
Veldhuis, L.I., Woittiez, N.J.C., Nanayakkara, P.W.B., & Ludikhuize, J. (2022). Artificial intelligence
for the prediction of in-hospital clinical deterioration: a systematic review. Critical Care
Explorations, 4,(9),e0744. DOI: 10.1097/CCE.0000000000000744
Woo, M., Alhanti, B., Lusk, S., Dunston, f., Blackwelder, S., Lytle,K.S., Goldstein, B.A., & Bedoya,
A. (2020). Evaluation of ML-based clinical decision support tool to
replace an existing tool in an academic health system: Lessons learned. J Pers Med, 10(3),104.
doi:10.3390/jpm10030104
Yang, Q., Hatch, D., Crowley, M.J., Lewinski,A.A., Vaughn, J., Steinberg, D., Vorderstrasse, A.,
JiangM., & Shaw,R.J. (2020). Digital phenotyping self-monitoring behaviors for
individuals with type 2 diabetes mellitus: Observational study using latent class growth analysis.
JMIR Mhealth Uhealth, 8(6),e17730. doi:10.2196/17730
Zafari, M., Esmaeily, A., & Sadeghi-Niaraki, A. (2022). An overview of the applications of artificial
intelligence and virtual reality in education. Educ Stud, 1(11), 36.
Comments
Post a Comment