Nurse Leadership and Artificial Intelligence Integration in Nursing Workforce Management: A Scoping Review
Notice bibliographique
Résumé
AIM: To systematically map evidence on the application of AI systems in nursing workforce management, with a targeted focus on the role of nurse leaders. DESIGN: A scoping review. DATA SOURCES: A comprehensive literature search was conducted across six databases: CINAHL, IEEE Xplore, MEDLINE/PubMed, PsycINFO, Scopus, and Web of Science. Studies published in English between January 2015 and December 2024 were included. REVIEW METHODS: Studies that focused on AI in the context of nursing leadership or workforce management were included, while those examining AI in healthcare but without a specific focus on nursing leadership/management were excluded. RESULTS: A total of 1014 articles were retrieved, and 12 were included in this review. Eleven articles were published between 2022 and 2024. The findings show that AI systems in nursing management have been applied in several domains, including workforce planning, nursing safety, and staff prediction models. Although studies highlight the positive optimising potential of AI systems, others underscore the ethical implications of AI with respect to nursing leadership and management, particularly regarding discriminatory stereotypes in AI-generated nurse imagery and the critical role of nurse leaders in ethical AI integration in care. Only one study identified important barriers to AI integration, underlining the need for enhanced AI training for nurse managers. CONCLUSIONS: Findings suggests that the application of AI systems in nursing leadership/management is in its early phases, with limited engagement of nurses in innovating and implementing AI-enabled systems. A substantial problem related to AI adoption remains-AI integration hinges on addressing the readiness and engagement levels of nurse leaders early on in the process of AI systems' innovation. To promote AI integration, AI competency, trust, and optimisation in healthcare, developing a basic working understanding of AI together with a culture of multidisciplinary AI development teams that include nurses are potentially proactive strategies. REPORTING METHOD: This study adhered to the PRISMA-ScR guideline. PATIENT OR PUBLIC CONTRIBUTION: No patient or public contribution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,019 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».