The Progress in Imaging Technologies and Implications for Nursing Practice: A Systematic Review
Notice bibliographique
Résumé
Background: The recent years have seen revolutionary advancements in medical imaging technologies, including artificial intelligence (AI), point-of-care ultrasound (POCUS), and hybrid imaging modalities like PET/MRI. These technologies have transformed diagnostic and therapeutic interventions. These technologies provide unprecedented functional and molecular information, with new implications for clinical care beyond traditional radiology. Aim: The aim of this review is to synthesize the literature from 2015 through 2025 to explore how these imaging technology advances are redefining nursing roles, responsibilities, and competencies. Methods: A Systematic literature review from 2015 through 2025 was conducted. The reviews were evaluated to assess the implications of the emerging imaging technologies for nursing practice within various clinical settings. Results: The outcome reflects a paradigm change for the nursing practice from a passive taker of imaging data to an active participant in the imaging cycle. Key implications are the increased responsibility in patient preparation for complex scans, intra-procedural surveillance, bedside data interpretation by POCUS, and the management of clinical alerts based on AI. Such development involves significant educational demands and ethical concerns of data privacy and accountability of algorithms. Conclusion: Advanced imaging technologies are irreversibly transforming nursing practice, demanding an innovative approach. To ensure patient safety and optimal outcomes, the profession must develop standardized curricula for education, foster robust interprofessional relationships, and establish explicit competency frameworks and policies to support nurses in this high-technology practice environment.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,034 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».