高级护理领导者与临床护理科学家在护理实践人工智能应用中的合作伙伴关系

《Clinical Obstetrics and Gynecology》:Executive Nurse Leader-Clinical Nurse Scientist Partnership for AI in Nursing Practice

【字体: 大 中 小 】 时间:2026年10月14日 来源:Clinical Obstetrics and Gynecology 1.5

编辑推荐:

   **目标:** 通过行政护士长领导者与护士科学家配对合作,开发一个实践导向的模型,将人工智能(AI)整合到护理实践中。 **背景:** 人工智能在医疗系统中的整合正在加速,其应用影响着护理工作流、临床决策和运营绩效。然而,医疗系统在人工智能治理、实施和评估方面缺乏以护理为中

  

**目标:** 通过行政护士长领导者与护士科学家配对合作,开发一个实践导向的模型,将人工智能(AI)整合到护理实践中。

**背景:** 人工智能在医疗系统中的整合正在加速,其应用影响着护理工作流、临床决策和运营绩效。然而,医疗系统在人工智能治理、实施和评估方面缺乏以护理为中心的、与临床实践和组织优先事项相一致的指导。

**方法:** 对美国5家具有不同人工智能组织架构的医疗机构进行了描述性多案例研究。数据来源包括组织档案、计划文件和领导反思。采用跨案例主题综合法,识别共同的领导实践、组织架构和领域,为护理人工智能领导配对模型提供信息。

**结果:** 在各案例中,行政护士长领导者和临床护士科学家作为互补配对运作。他们共同塑造人工智能战略、实施、评估和治理。早期人工智能用例集中在文档效率、患者流量优化和临床决策支持方面。在每个领域中,产生了独特但相互依存的角色,将行政权力和运营协调与科学严谨性、实施科学和评估专业知识相结合。

**结论:** 所提出的配对领导模型为护理参与人工智能提供了一个可扩展的、基于实践的模式。它为医疗系统提供了一种结构化的方法,以支持负责任的人工智能采用、员工信任和价值驱动的技术投资。

---

## 引言

医疗保健行业使用包含嵌入式算法和早期人工智能形式的技术已有50多年。护士至今仍在使用的一个早期例子是脉搏血氧仪,它使用算法计算血氧饱和度。技术随着时间不断演进,脉搏血氧仪的广泛采用既得益于技术的精细化改进,也源于明确的临床需求。护士将该测量纳入工作流,并接受了相关使用和重要性的培训。

近年来,医疗系统整合了更多人工智能工具和数字技术。这些创新正在改变护理实践、工作流效率、临床决策和患者结局。由人工智能驱动的工具,包括预测分析、自动化临床文档支持和患者流量优化,正在医疗系统内日益投入运营并纳入日常护理工作流。作为医疗工作者中最大的群体,护士在确保人工智能倡议有效支持患者护理方面发挥着重要作用。

尽管具有这些潜在益处,但数字创新的快速步伐给护理领导和科学带来了挑战。在许多医疗系统中,与技术相关的决策通常由运营或信息技术利益相关者推动,导致护理输入有限。当临床护士在设计或实施早期阶段未被纳入时,数字工具可能与她们的工作流不一致,增加工作量,产生患者安全风险,并降低采用率。因此,护理领导者和临床护士的积极参与对于确保人工智能支持安全、有效和以患者为中心的护理至关重要。

行政护士长领导者作为护理实践、人员需求和以患者为中心的结局在复杂医疗系统中的关键倡导者。她们提供战略监督,确保人工智能和数字倡议与临床和组织优先事项保持一致。临床护士科学家带来研究方法论、实施科学和结局评估方面的专业知识,能够对人工智能技术的安全性、有效性和影响进行严格评估。通过桥接研究与实践,临床护士科学家将不断演进的证据转化为可操作的见解,指导数据驱动的决策。

行政护士长领导者与临床护士科学家之间的战略合作伙伴关系是指导负责任的人工智能采用和推进护理科学的有前景的模式。此类合作将组织权威与科学严谨性相结合,支持在医疗系统内对人工智能倡议进行基于证据的实施、评估和传播。

为满足这一需求,本文呈现了一个跨美国5家医疗系统的行政护士长领导者-临床护士科学家合作模式。通过考察这些合作,本文提出了实用建议,以支持行政护士长领导者在数字转型中导航并负责任地实施人工智能,以优化患者护理、工作流效率和人员结局。

## 方法

采用多组织案例系列设计,研究行政护士长领导者与临床护士科学家如何协作引导医疗系统中的人工智能倡议。采用跨案例综合方法,识别共同的领导实践和概念领域,为行政护士长领导者-临床护士科学家合作的人工智能领导模型提供信息。

### 设置与案例选择

根据分析效用和理论贡献的基于实地案例选择原则,邀请美国5家医疗机构参加,以代表组织规模、地理区域和人工智能倡议成熟度的差异。这些案例反映了多元的组织环境,包括拥有社区医院的学术医学中心、综合医疗系统和儿科专科医院。案例定义为一套在护理工作流中实施人工智能工具的医疗系统。案例边界聚焦于约2022年至2026年间在护理实践中使用的临床人工智能应用。

### 数据来源

使用多种组织数据源来描述人工智能倡议和领导结构。组织档案包括人工智能试点描述、专业治理政策和章程,以及医疗系统在2023年至2026年开始大规模投资人工智能期间开发的战略材料。领导反思由各机构参与人工智能倡议的护理领导者和临床护士科学家提供。评估材料包括内部报告和运营仪表板。

### 数据收集

各医疗系统代表汇编组织材料。使用结构化数据收集模板以确保各站点的报告一致性。作者团队审查提交的材料以验证完整性并澄清组织背景。

### 数据分析

数据使用三阶段分析过程进行分析,包括案例内摘要、跨案例主题比较和模型开发。首先,为每家医疗系统开发组织案例摘要。其次,比较案例以识别反复出现的领导结构、实施方法、人员参与策略和评估方法。通过作者间的迭代讨论,将主题整理为概念领域,描述行政护士长领导者和临床护士科学家在人工智能倡议中的角色。这些领域为配对领导模型的开发提供了依据。

通过多种组织数据源的三角验证、跨系统比较以及代表参与机构的作者间迭代审查来增强严谨性。该研究考察了组织倡议和领导实践,不符合人类受试者研究的定义;因此,不需要机构审查委员会的批准。

## 结果

5家美国医疗机构参加了该案例系列:加州大学旧金山分校(UCSF)健康中心、德克萨斯儿童健康系统、凯撒永久会、耶鲁纽黑文健康和埃莫里医疗。这些组织代表多元的组织结构,涵盖多个地理区域。

在各机构中,行政护理领导角色包括首席医疗官、执行总监和高级副总裁。这些人在其医疗系统中参与人工智能倡议的战略监督。人工智能治理结构各异,但通常包括企业治理委员会、临床信息学小组和护理专业治理委员会,这些委员会为技术采用和实施提供意见。临床护士科学家通过评估、研究设计和临床及运营结局评估等角色为人工智能倡议做出贡献。机构特征和领导结构总结见表1。

**表1:机构特征**

| | 加州大学旧金山分校健康中心 | 德克萨斯儿童健康系统 | 凯撒永久会 | 耶鲁纽黑文健康 | 埃莫里医疗 |
|---|---|---|---|---|---|
| 地理区域 | 西部 | 中部/南部 | 全国 | 东北部 | 东南部 |
| 医疗系统规模 | 3家学术医学中心,2家社区医院 | 2个校区的儿科学术医学中心 | 43家医院 | 5家医院 | 2家学术医学中心,9家社区医院 |
| 负责协调人工智能优先事项的行政护士长领导者 | 首席护理信息官 | 高级副总裁,护理卓越、创新与患者体验 | 护理转型与技术执行总监 | 首席护理信息官 | 首席临床信息官 |
| 系统护士科学家角色 | 1.5 FTE | 2.0 FTE | 0.5 FTE(全国级) | 2.0 FTE(区域级) | 1.0 FTE(系统级) |
| | | | | 3.0 FTE(医院级) | |

注:AMC,学术医学中心;FTE,全职当量。

### 跨系统主题

对各医疗系统的分析发现,护理领导者在参与人工智能倡议方面存在共同模式。尽管组织结构各异,但在战略领导、实施、评估、人员伦理治理等领域中出现了共同实践。

#### 战略领导与治理

作为行政护士长领导者,首席护理/临床信息官在协调人工智能倡议与组织优先事项及护理实践需求方面发挥着核心作用。作为信息学和数字健康战略的领导者,她们负责将技术与护理实践、质量、安全、政策和监管需求相协调,同时保持对互操作性、分析和价值的监督。在各系统中,负责人工智能整合的行政护士长领导者担任的角色头衔各异;尽管一些组织使用正式头衔"首席护理信息官"(CNIO),但其他组织则分配替代头衔或更广泛的执行角色,在其职责描述中包含CNIO职责。在多个系统中,这些护理高管参与企业人工智能治理机构,包括数字战略委员会和人工智能指导委员会,这些委员会负责优先排序、资源分配和监督。护理领导者的倡导在提升护理特定用例并确保考虑工作流、安全和护理交付影响方面至关重要。作为数字转型、数据管理和人工智能治理的愿景领导者,负责护理实践中人工智能的护理高管在制定明确的战略愿景方面发挥着关键作用,以确保人工智能倡议与临床护士共同实施。

护理高管在涵盖护理、临床运营和企业技术领导的复杂矩阵式角色中运作。关键能力集中在临床、信息学、健康信息技术、战略思维和变革领导力方面。该职位需要在跨专业利益相关者之间协调,并应对相互竞争的运营优先事项。参与者描述了与人工智能倡议相关的执行范围扩展,这些倡议叠加在现有的人员、质量和运营职责之上。因此,高管需要在创新与患者安全、监管合规和财务管理的问责制之间取得平衡。

与变革型领导原则一致,引导人工智能倡议的行政护士长领导者强调信任建立、清晰沟通和赋能临床护士以支持采用和安全使用。这种领导方式与美国护士认证中心先前的研究成果一致,该研究将变革型领导者描述为那些激励共同目标、促进团队合作并在组织变革期间激发高水平绩效的人。

战略决策需要对人工智能生命周期有工作性了解,包括开发、验证、实施和部署后监测。高管强调了风险评估的重要性,特别是在评估供应商解决方案和确定采用准备就绪程度方面。各系统的初始用例反映了有意识地优先选择低风险、高可行性的应用,如文档支持和工作流优化。

护理治理结构包括领导委员会、数字/信息学委员会以及研究和创新委员会。它们为将临床护理观点纳入人工智能优先排序和规划提供了正式机制。这些结构使临床护士能够识别工作流需求、提出安全考虑,并参与拟议工具的早期评估和开发。

#### 新兴角色划分

在所识别的人工智能领域中,行政护士长领导者和临床护士科学家贡献了独特但互补的专业知识。行政护士长领导者主要负责战略协调、资源分配以及在企业结构中代表护理。其角色需要在创新与组织问责制之间取得平衡,并在复杂的跨专业环境中导航。

临床护士科学家作为方法论专家,为实施设计、创新结局指标和人工智能工具的严格评估做出贡献。她们经常在多学科团队中运作,与信息学家、数据科学家和分析人员以及临床领导者合作,评估人工智能对护理交付以及患者和护士结局的影响。

#### 实施与临床整合

在各机构中,护理高管和临床护士科学家确保有一个明确的团队准备好提供支持。护理信息专家和临床信息学团队在将人工智能倡议转化为临床实践方面发挥着核心作用。实施策略通常包括在选定的临床单位中进行试点测试,以评估可行性、可用性和工作流整合,然后再进行更大范围的部署。试点站点通常根据领导力和单位准备就绪程度以及先前的创新参与情况来选择。

基于单位的护士倡导者和领导者在实施工作中至关重要。这些人支持员工教育,促进临床护士与信息学团队之间的沟通,并在早期实施阶段提供反馈。在多个系统中,倡导者和护士科学家与供应商参与协同设计过程,并在整合前验证人工智能生成的输出。

这些人在回路中的方法一直被描述为维护护士自主权、确保安全和支持采用的必要条件。然而,临床护士科学家参与的时机和程度存在差异,有些在设计早期就参与,而另一些则主要在后期评估阶段参与。

#### 评估与影响

参与者强调了评估人工智能倡议以确定组织价值、安全性和可扩展性的重要性。评估方法超越了有效性评估,还包括对实施过程和临床工作流适配性的评估。常见指标包括临床和结局指标、实施结局、新颖研究、运营效率、人员体验和财务投资回报率。

临床护士科学家为评估设计、结局选择、数据解释和必要时开发研究提供了方法论专业知识。她们的参与支持对人工智能干预进行更严格的评估,并为规模化和可持续性决策提供信息。

然而,参与者指出各机构在评估方法上存在差异,且缺乏标准化模型来指导对效果和实施结果的评估。临床型护理科学家强调需要更充分地整合实施科学原则,包括对可接受性、可行性、采纳度、保真度和持续使用情况的评估。在许多情况下,评估过程和研究设计的开展受限于运营时间表和资源限制。这导致了实施、研究与健康系统学习之间的脱节。

**人力参与**

在各类体系中,人力参与和信任被视为AI采纳的关键决定因素。各机构实施了教育培训计划和沟通策略,以提高护理人员对AI的认知水平。其目的是解决与工作流影响、专业自主性和患者安全相关的顾虑。鉴于临床团队对AI概念的熟悉程度参差不齐,这些努力尤为重要。

**伦理监督**

伦理考量——包括透明度、偏差评估和数据管理——已被纳入治理讨论中,在某些情况下也纳入了评估过程。执行层护理领导者和临床型护理科学家为识别与偏差、算法开发、不当使用及非预期后果相关的潜在风险做出了贡献。然而,各机构在伦理监督方面采取的方法各不相同,反映了组织治理层面的差异。

**执行层护理领导者—护理科学家AI领导力二元模型**

跨案例分析表明,执行层护理领导者和临床型护理科学家各自为护理实践中的AI举措贡献了不可或缺的专业知识。然而,他们的角色并未在AI战略、实施和评估中实现一致整合。相反,合作往往是非正式的、间断性的,且依赖于本地关系。这种变异性导致了战略优先事项与循证实施及严谨评估之间的脱节,同时也缺乏对外界知识传播的贡献。与此同时,研究发现凸显了领导功能在分布上的互补性:执行层护理领导者推动战略对齐、治理和资源分配;临床型护理科学家则为方法学严谨性、转化性洞察以及成果的内外传播做出贡献。

综合以上发现,提出了一种更加有意识的共享领导模式的需求。为弥补这一缺口,我们提出了一个二元领导模型,将执行层护理领导者和临床型护理科学家之间的伙伴关系正式化,涵盖护理实践中AI的核心领域。

图1中的模型将执行层护理领导者和临床型护理科学家描绘为互补的合作伙伴,在AI生命周期——战略、实施、评估、人力参与和治理——中协同运作。这些领域被呈现为一个相互关联的过程,强调AI实施并非线性过程,而需要持续适应。

图1:执行层护理领导者—护理科学家AI领导力二元模型

在此结构内,执行层护理领导者贡献战略对齐、资源分配、运营整合和组织问责,而临床型护理科学家则提供循证综合、实施科学、评估和风险评估方面的方法学专业能力。表2概述了二元合作伙伴的角色与职责。

**表2 二元模型:领域、角色与职责**

| 领域 | 执行层护理领导者 | 护理科学家 |
|---|---|---|
| **战略** | • 设定AI应用场景的优先级和投资方向
• 在企业和供应商决策中代表护理专业发声
• 获取财务、人力和基础设施资源
• 将AI举措与护理交付和人力目标对齐 | • 确保监管合规
• 综合证据以指导优先级设定
• 评估准备度、可行性和战略适配度
• 识别高价值AI应用场景
• 将证据转化为可供治理参考的建议 |
| **实施** | • 赞助实施并消除运营障碍
• 投资于信息系统支持和护理先锋
• 推动共享治理和科室层面的参与
• 将临床反馈纳入推广决策 | • 确保互操作性
• 应用实施科学原则
• 识别采纳过程中的障碍和促进因素
• 使用混合方法评估和改进工作流程
• 维护人在回路中的保障机制 |
| **评估** | • 确保获取临床、运营和人力数据
• 设定扩展、推广或终止的阈值标准
• 平衡质量、安全、人力和财务优先事项
• 利用评估结果指导投资决策 | • 设计涵盖临床、运营和实施结果的评估方案
• 衡量投资回报率
• 分析结果并生成可操作的改进建议
• 指导成果的传播以产生新知识 |
| **人力参与** | • 以身作则推动创新,同时强化护士自主权
• 支持AI教育和能力发展
• 解决各类顾虑(工作负担、岗位变化、监控问题)
• 确保护理专业在采纳决策中的输入 | • 评估人力体验、信任度和认知负荷
• 为教育和行为改变策略提供依据
• 基于研究结果参与能力模型建设
• 识别持续采纳的驱动因素 |
| **伦理与政策** | • 确保符合政策、法规和专业标准
• 建立负责任AI使用的治理护栏
• 在企业政策论坛中代表护理专业
• 对安全部署保持问责 | • 评估偏差、公平性和非预期后果
• 开发和实施伦理评估模型
• 持续监控新兴风险
• 将伦理顾虑转化为治理指导 |

缩写:AI,人工智能。

核心的双向路径凸显了各角色之间的持续协作,强调了在所有领域中进行协调决策的必要性。综合而言,该模型将二元结构定位为一种机制,用于将组织优先事项与循证实践对齐,并支持AI安全、有效、可持续地融入护理工作流程。

**讨论**

本多组织案例系列将关注点从AI的技术能力转向了护理中实施和采纳所需的组织机制。既往文献指出,护士在设计、开发和治理过程中长期代表性不足。2?3,1? 我们的发现进一步延伸了这一工作,通过提出一个具体的组织机制——执行层护理领导者与护理科学家二元结构——来推动护理专业在AI全生命周期中的实质性参与。?

与既往报告一致,护士通常被排除在系统层面的技术决策之外,导致工作流程错位和负担增加。??? 政策文件和共识建议进一步呼吁加强护士在AI治理中的代表性,以确保安全、透明和公平。?,1??1? 本研究通过展示如何将执行权威(对齐、治理和资源)与科学专长(评估和实施科学)进行结构性整合来弥合这些缺口,从而推进了相关文献的进展,而非依赖临时性的参与方式。?,?,1??1?

研究结果也与现有批评相一致,即当前AI举措过度侧重算法开发而忽视真实世界评估。3 尽管不断有呼声要求严格评估,实施科学和标准化评估的应用仍然不一致。??? 通过将评估嵌入实施过程,二元模型支持围绕规模扩展、安全性和投资回报的价值导向决策。? 这代表了从事后评估向持续的学习导向评估的转变,符合随着AI系统演进进行持续监控的建议。???

AI举措扩大了执行层护理领导者的职责范围和复杂性。当这些职责叠加在现有责任之上时,会造成持续的认知和运营负担。二元结构通过引入专门的方法学专业能力来重新分配这种复杂性,从而提升领导者在优先级设定、监督和评估方面的能力。

人力参与是成功实施的前提条件。既往研究记录了AI素养有限、对自主权和工作流中断的顾虑,以及对结构化培训的需求。?,? 我们的发现进一步指出,护理专业治理、先锋人员和共同设计对于将AI与临床工作流程对齐并支持采纳至关重要。?,1? 将领导能力与人力体验的系统性评估相结合,进一步增强信任度和可用性。

伦理监督的落实仍然参差不齐。现有文献强调护士和护理科学家在识别偏差、确保数据质量和保障AI公平使用方面的作用。? 政策分析和国际指导文件进一步指出医疗AI治理和问责框架中的缺口。1??2? 二元模型通过将执行层问责与科学专家在偏差评估和纵向监控方面的能力相结合,将这些职责加以操作化。1??2? 综合来看,这些治理和问责挑战与强调在医疗AI采纳中进行协调监督、透明度和安全性保障的更广泛国家优先事项相一致。21?23

研究发现将执行层护理领导者—护理科学家二元结构定位为一种核心组织机制,将既有建议转化为AI在护理领域的一体化、实践层面的模型。同时需要注意的是,智识谦逊是这一执行层护理领导者—护理科学家二元结构成功的关键要素,因为每个角色都必须认识到自身专业知识的局限,并有意识地尊重合作伙伴的互补专长。

**实践意义**

医疗系统应在企业级AI治理结构中正式建立执行层护理领导者—护理科学家二元结构,并明确界定涵盖优先级设定、实施、评估和规模扩展的角色。组织应投资基础设施以支持持续评估,包括配备专职的临床型护理科学家、获取临床/运营/人力数据的通道,以及将实施结果与临床和财务指标相结合的通用评估方法。?

医疗系统还应将职责分配至二元领导结构,并加强信息系统支持和创新支持。人力参与应嵌入结构化的护理专业参与机制(如共享治理、先锋人员和共同设计),同时发展护理专业专属的AI能力标准。伦理监督应通过治理结构加以落实,涵盖偏差、问责和非预期后果,并进行持续监控。1??23

**研究局限**

本研究采用目的性抽样选取了5个美国医疗系统,可能无法代表所有组织环境,尤其是规模较小或数字化成熟度较低的环境。数据来源于组织档案和领导者反思,可能引入报告偏差。横断面设计捕捉的是AI快速演进的某一时期,可能无法反映新兴的治理或领导模式。2?

**未来方向**

未来研究应评估执行层护理领导者—护理科学家二元模型实施所带来的临床、人力和投资回报结果,包括对采纳度、可持续性和规模扩展的影响。需要标准化的评估框架来整合临床、实施、人力和财务结果,并实现跨系统的比较分析。???

未来工作还应进一步定义执行层护理领导者和临床型护理科学家的AI相关能力要求,并探讨支持临床型护理科学家有效融入医疗系统运营的组织结构。1?

**结论**

一种整合了执行层护理领导和科学专业知识的护理AI结构化领导模型,对于负责任的技术采纳、人力参与和价值导向评估至关重要。本研究提供了一个基于执行层护理领导者与科学家伙伴关系的领导框架,弥补了在护理参与、评估、伦理监督和AI治理中识别到的缺口,并与日益增长的护理管理领域对人工智能的重视以及变革性领导原则相一致。2,?,?,2??2?

医疗系统应将临床护理参与制度化,纳入企业级AI治理,并采用执行层护理领导者—护理科学家的领导结构,以确保创新负责任地推进。? 人力能力建设——包括AI素养倡议和结构化的临床整合流程——不可或缺。?,? 护理课程体系应纳入AI素养、数据伦理和评估方法,与国际政策指导和职业道德标准保持一致。?,?,1??1?,21?22

政策制定者应将护理领导者纳入监管和 Oversight 结构,并制定医疗行业专属的AI保障机制,以防止不平等现象并保护患者安全。?,23 随着AI日益嵌入医疗系统,执行层护理领导者—科学家领导伙伴关系代表了确保AI强化而非破坏安全、公平、以患者为中心的护理实践的关键机制。2,? 伦理和公平的AI需要有临床依据的风险评估,其中护理专家——特别是护理科学家——应发挥主导作用之一。1??1?,21,23
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号