Escolar Documentos
Profissional Documentos
Cultura Documentos
Ana de Gericá , Hans Moenb , Lorraine J. Blockc , Charlene H. Chud, Haley DeForest e ,
Mollie Hobensackf , Martin Michalowski g , James Mitchell h, Raji Nibber eu, Mary Anne Olaliaj ,
Lisiane Pruinelli k , Charlene E. Ronquillol , Maxim Topazf,m, Laura-Maria Peltonena,ÿ
a Departamento de Ciências de Enfermagem da Universidade de Turku, Turku, Finlândia b
Historia do artigo: Antecedentes: A pesquisa sobre tecnologias baseadas em inteligência artificial na área da saúde aumentou durante
Recebido em 11 de agosto de 2021
última década, com aplicações que apresentam grande potencial na assistência e melhoria do cuidado. No entanto, a introdução
Recebido em formato revisado em 23 de novembro de 2021
destas tecnologias na enfermagem pode levantar preocupações relacionadas ao viés de dados no contexto da formação
Aceito em 1º de dezembro de 2021
algoritmos e implicações potenciais para certas populações. Existem poucas evidências na literatura existente sobre a aplicação
eficaz de muitas tecnologias de saúde baseadas em inteligência artificial usadas
Palavras-chave:
na saúde.
IA
Objetivos: Sintetizar o estado da arte da investigação atualmente disponível em tecnologias baseadas em inteligência artificial
Inteligência artificial
Enfermagem
aplicadas na prática de enfermagem.
Informática em enfermagem Projeto: revisão do escopo
Revisão de escopo Métodos: PubMed, CINAHL, Web of Science e IEEE Xplore foram pesquisados artigos relevantes com
consultas que combinam nomes e termos relacionados à enfermagem, inteligência artificial e aprendizado de máquina
métodos. Estudos incluídos focados no desenvolvimento ou validação de tecnologias baseadas em inteligência artificial
com uma descrição clara de seus impactos na enfermagem. Excluímos estudos e pesquisas não experimentais
voltado para robótica, gerenciamento de enfermagem e tecnologias utilizadas na pesquisa e educação em enfermagem.
Resultados: Foram revelados 7.610 artigos publicados entre janeiro de 2010 e março de 2021, sendo 93
artigos incluídos nesta revisão. A maioria dos estudos explorou o desenvolvimento tecnológico (n = 55; 59,1%) e
fases de formação (testes) (n = 28, 30,1%), seguidas pelas fases de implementação (n = 9, 9,7%) e operacionais
(n = 1, 1,1%) fases. A grande maioria (73,1%) dos estudos forneceu evidências com desenho descritivo
(nível VI), enquanto apenas uma pequena parcela (4,3%) eram ensaios clínicos randomizados (nível II). O estudo tem como objetivo,
configurações e métodos foram mal descritos nos artigos, e a discussão de considerações éticas foi
ausente em 36,6% dos estudos. Além disso, um terço dos artigos (33,3%) foram relatados sem o envolvimento de enfermeiros.
ÿ Autor correspondente.
Endereços de e-mail: hanna.m.vongerich@utu.fi (H. von Gerich), lori.block@ubc.ca
(Bloco LJ), charlene.chu@utoronto.ca (CH Chu), mxh2000@cumc.columbia.edu
(M. Hobensack), martinm@umn.edu (M. Michalowski), jamitchell@keele.ac.uk (J.
Mitchell), raji.nibber@alumni.ubc.ca (R. Nibber), molalia@ryerson.ca (MA Olália),
pruin001@umn.edu (L. Pruinelli), charlene.ronquillo@ubc.ca (CE Ronquillo), laura-maria.peltonen@utu.fi (L.-M.
Peltonen).
https://doi.org/10.1016/j.ijnurstu.2021.104153
0020-7489/© 2021 O Autor. Publicado pela Elsevier Ltd. Este é um artigo de acesso aberto sob a licença CC BY (http://creativecommons.org/licenses/by/4.0/)
Machine Translated by Google
2 H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153
A história da IA na enfermagem abrange mais de quatro décadas. As primeiras prática de enfermagem. Esta revisão de escopo 1) resume os tipos de evidências
menções na base de dados Medline remontam a 1985, com o disponíveis (Munn et al., 2018), como
introdução de sistemas especialistas que fornecem suporte à decisão clínica aplicações de IA em enfermagem e sua avaliação, 2) analisa o
(Ryan, 1985), seguido por modelos de agendamento de enfermagem de última geração envolvimento dos enfermeiros no desenvolvimento tecnológico e na investigação,
(Sitompul et al., 1990). Desde o início, os desafios enfrentados e 3) examina discussões éticas em pesquisas publicadas.
H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153 3
de tecnologias que utilizam IA no contexto clínico de enfermagem. Devido recuperação de formação" OU "Classificação de imagem" OU "Reconhecimento de
à ampla escala de tecnologias disponíveis definidas como IA e imagem" OU "Processamento digital de imagem" OU "Reconhecimento de fala" OU
Devido ao interesse exponencialmente crescente em desenvolver tecnologias utilizando “Geração de texto” OU “Aprendizado de máquina” OU “Anonimização” OU
IA na enfermagem, foi realizada uma revisão de escopo para resumir e disseminar os "pseudonimização" OU "Processamento de linguagem natural" OU "Compreensão de
resultados seguindo as orientações metodológicas. linguagem natural" OU "Visão computacional" OU "Artificial
quadro proposto por Arksey e O'Malley (2005) que foi intelligÿ" OU "Linguística computacional" OU "Ciência da computação"
posteriormente avançado por Levac et al. (2010). Este quadro metodológico consiste OU "aprendizado profundo")
em cinco etapas: (1) identificação das questões de pesquisa, (2) identificação de estudos Termos MeSH aplicáveis ("Aprendizado de Máquina Supervisionado", "Deep
relevantes, (3) seleção de estudos, (4) mapeamento dos dados e (5) comparação, Aprendizado", "Aprendizado de máquina não supervisionado", "máquina de vetores de
resumo e reportar os resultados (Levac et al., 2010). A extensão Itens de Relatório suporte", "árvores de decisão", "redes neurais, computador", "análise de componentes
Preferenciais para Revisões Sistemáticas e Meta-análises para Revisões de Escopo principais", "redução de dimensionalidade multifatorial", "mineração de dados", "ciência
de dados", "armazenamento e recuperação de informações", "software de reconhecimento
A lista de verificação (PRISMA-ScR) (Tricco et al., 2018) foi usada como diretriz no de fala", "aprendizado de máquina", "dados
relato dos resultados do estudo. Um protocolo para esta revisão Anonimização", "Processamento de Linguagem Natural", "Sistemas de Apoio à Decisão
foi publicado nos registros da OSF (https://osf.io/2bwcs), cadastro Clínica", "Inteligência Artificial") foram adicionados a
doi: 10.17605/OSF.IO/2BWCS. pesquisas no PubMed e Subject Headings (“Machine Learning+”,
"Deep Learning", "Support Vector Machine", "Sistemas de Apoio à Decisão, Clínico",
2.1. Identificando as questões de pesquisa "Sistemas de Apoio à Decisão, Gestão", "Árvores de Decisão+", "Floresta Aleatória",
"Redes Neurais (Computadores),
Para atingir os objetivos do estudo, a seguinte pesquisa "Mineração de Dados", "Análise de Dados", "Recuperação de Informação+",
foram identificadas questões: "Processamento de Imagens Assistido por Computador+"), "Sistemas de Reconhecimento
de Voz", "Processamento de Linguagem Natural", "Inteligência Artificial+") em
1) Quais tecnologias baseadas em IA foram desenvolvidas e aplicadas pesquisas no CINAHL.
para enfermagem?
árvoreÿ" OU "Floresta Aleatória" OU "k-vizinho mais próximo" OU "Neural por operadores treinados em um ambiente profissional de saúde que executam
Rede" OU "Aprendizagem por similaridade" OU "Redes Bayesianas" OU "aprendizagem tarefas em interação direta com pacientes, enfermeiros, médicos e
não supervisionada" OU "clustering" OU "k-means" OU "mistura outros profissionais de saúde e que podem modificar seu comportamento com base
modelos" OU "Detecção de anomalias" OU "análise de componentes principais" OU no que sentem em seu ambiente.”
4 H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153
H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153 5
tabela 1
Características e descrições dos estudos de tecnologias baseadas em inteligência artificial (IA).
Característica
Desenho do estudo por níveis de evidência de pesquisa n %
Objetivo da pesquisa n %
Contexto n %
6 H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153
Tabela 1 (Continuação).
Amostragem em validação/avaliação n %
H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153 7
Tabela 1 (Continuação).
Estatísticas inferenciais 35 37,6
Ajay et al., 2016, Aldaz et al., 2015, Annapragada et al., 2021, Back et al., 2016, Barrera et al., 2020, Bian et al., 2020, Chun et al., 2021 , Cooper et al.,
2021, Cramer et al., 2019, Devos et al., 2019, Gannod et al., 2019, Gholami et al., 2012, Hunter et al., 2012, Hur et al., 2019, Im e Chee, 2011, Jung et al.,
2020, Korach et al., 2020„ Ladios-Martin et al., 2020, Li e Mathews, 2017, Mairittha et al., 2019, Martins et al., 2016, Moen e outros, 2020a, Mohammadi e outros, 2020,
Moskowitz e outros, 2020, Mufti e outros, 2019, Oh e outros, 2014, Sikka e outros, 2012, Su e outros, 2019, Sullivan e outros al. al., 2019, Wang et al., 2021,
Wang et al., 2015, Wellner et al., 2017, Wojtusiak et al., 2021, Wong et al., 2018, Zachariah et al., 2020
Usuário de IA n %
Enfermeira 79 84,9
Aldaz et al., 2015, Annapragada et al., 2021, Back et al., 2016, Barrera et al., 2020, Bian et al., 2020, Bose et al., 2019, Cabri et al., 2020 , Chu e Huang,
2020, Chun et al., 2021, Cooper et al., 2021, Cramer et al., 2019, Fratzke et al., 2014, Gangavarapu et al., 2019, Gannod et al., 2019, Gholami et al., 2012,
Ginestra et al., 2019, Guidi et al., 2015, Howarth et al., 2020, Hunter et al., 2011, Hunter et al., 2012, Hur et al., 2019, Ivanov et al., 2019, Ivanov et al. al., 2021,
Im e Chee, 2011, Jauk et al., 2021, Jindal et al., 2018, Jung et al., 2020, Kang et al., 2018; Koleck et al., 2021,2020, Korach et al., 2020, Ladios-Martin et al.,
2020, Lee e Lin, 2020, Li e Mathews, 2017, Liao et al., 2015, Lin et al., 2014 , Liu et al., 2018, Long et al., 2016, Lopes et al., 2013, Mairittha et al., 2019, Maitre et
al., 2020, Martins et al., 2016, Marukami et al., 2012, Moen et al., 2020a,b, Mohammadi et al., 2020, Morita et al., 2018, Moskowitz et al., 2020, Narang et al., 2021,
North et al., 2014, Oh et al., 2014 , Ongenae et al., 2014, Parisi et al., 2018, Rantz et al., 2014, Romero-Brufau et al., 2021, Safavi et al., 2019, Sandhu et al., 2020,
Setoguchi et al., 2016, Sikka et al., 2012, Singh et al., 2018, Skubic et al., 2015, Song et al., 2021, Soufi et al., 2018, Steurbaut et al., 2013, Subramaniam e Dass,
2021, Sullivan et al., 2019, Suominen et al., 2015, Tang et al., 2019, Tateno et al., 2020, Topaz et al., 2016, Topaz et al., 2019b, Unger et al., 2019, Vedanthan et al.,
2015, Wang et al., 2021, Wang et al., 2015, Wang et al., 2018, Wojtusiak et al., 2021, Yokota et al., 2017, Yu et al., 2020, Zachariah et al., 2020,
Zachariah et al. al. al., 2020, Zamzmi et al., 2019 Enfermeira de prática avançada Bu et al., 2020, Gholami et al., 2012, Howarth et al., 2020, Hur et al., 2019, Jung
et al., 2020 ; Koleck et al., 2021,2020, Setoguchi et al., 2016, Steurbaut et al., 2013, Zachariah et al., 2020 Médico Bu et al., 2020, Cramer et al., 2019, Ginestra et
al., 2019 , Guidi et al., 2015, Howarth et al., 2020, Jauk et al., 2021, Jindal et al., 2018, Jung et al., 2020; Koleck et al., 2021, Liu et
al., 2018, Long et al., 2016, 9 9.7
Lopes et al., 2013, Moskowitz et al., 2020, Parisi et al., 2018, Safavi et al., 2019, Sandhu et al., 2020, Singh et al., 2018, Soufi et al., 2018, Steurbaut et
al., 2013, Zachariah et al., 2020 Outros profissionais de saúde Ajay et al., 2016, Cooper
et al., 2021, 20 21,5
Devos et al., 2019, Jung et al., 2020; Koleck et al., 2021, Lin et al., 2014, Lopes et al., 2013, Nuutinen et al., 2020, Özcanhan et al., 2020, Topaz et al., 2019b Usuário
do serviço (paciente/cliente)
11 11.8
5 5.4
Alshurafa et al., 2017, Bian et al., 2020, Guidi et al., 2015, Long et al., 2016, Wang et al., 2015 Familiar ao usuário do
serviço Guidi et al., 2015, Jung et al. , 3 3.2
2020, Wang et al., 2015 Usuário não especificado Hwang et al., 2021,
Minvielle e Audiffren, 8 8.6
2019, Mufti et al., 2019, Shu e Shu, 2021, Su et al., 2019, Topaz et al., 2019a, Wellner et al., 2017, Wong et al., 2018
Recém- 4 4.3
nascido Chun et al., 2021, Hunter et al., 2011, Hunter et al., 2012, Zamzmi et al., 2019 Criança
4 4.3
Annapragada et al., 2021, Back et al., 2016, Chun et al., 2021, Sikka et al., 2012 Adolescente (13–19
anos) 2 2.2
Back et al., 2016, Ivanov et al., 2021 Adulto
Ajay 32 34,3
et al., 2016, Aldaz et al., 2015, Alshurafa et al., 2017, Back et al., 2016, Barrera et al., 2020, Bian et al., 2020, Cramer et al., 2019, Ginestra et al., 2019, Guidi et al.,
2015, Howarth et al., 2020, Hur et al., 2019, Ivanov et al., 2021, Im e Chee, 2011, Jung et al., 2020, Korach et al., 2020, Ladios-Martin et al., 2020, Liao et al.,
2015, Long et al., 2016, Martins et al., 2016, Moen et al., 2016, Moen et al. al. al., 2020a,b, Mohammadi et al., 2020, Moskowitz et al., 2020, Narang et al., 2021, Oh
et al., 2014, Romero-Brufau et al., 2021, Safavi et al. , 2019, Setoguchi et al., 2016, Topaz et al., 2016, Wang et al., 2015, Wong et al., 2018, Zachariah et al.,
2020 Idosos (anos (65+)
24 25,8
Aldaz et al., 2015, Devos et al., 2019, Gannod et al., 2019, Guidi et al., 2015, Howarth et al., 2020, Ivanov et al., 2021, Korach et al., 2020, Ladios -Martin
et al., 2020, Maitre et al., 2020, Minvielle e Audiffren, 2019, Moen et al., 2020a,b, Mohammadi et al., 2020, Morita et al., 2018, Nuutinen et al., 2020 , Oh et
al., 2014, Ongenae et al., 2014, Shu e Shu, 2021, Skubic et al., 2015, Sullivan et al., 2019, Tang et al., 2019, Tateno et al., 2020, Wang e outros, 2015, Wojtusiak
e outros, 2021
8 H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153
Tabela 1 (Continuação).
Métodos de validação n %
18 19.4
Aldaz et al., 2015, Barrera et al., 2020, Devos et al., 2019, Fratzke et al., 2014, Ginestra et al., 2019, Howarth et al., 2020, Hunter et al., 2011, Hunter et al.,
2012, Im e Chee, 2011 Jauk et al., 2021, Jindal et al., 2018, Long et al., 2016, Mairittha et al., 2019, Marukami et al., 2012, Oh et al. , 2014, Sandhu
et al., 2020, Vedanthan et al., 2015, Wang et al., 2018 Avaliação comparativa (não incluindo medidas de desempenho)
6 6,5
Ajay et al., 2016, Bian et al., 2020, Cabri et al., 2020, Li e Mathews, 2017, Moen et al., 2020a, Su et al., 2019 Avaliação da qualidade Narang et
al., 2021, Norte e 3 3.2
outros, 2014, Skubic e outros, 2015
2 2.1
(Barrera et al., 2020; Hunter et al., 2012 & Mairittha et al., 2019) ou usuários do serviço as diferentes fases de desenvolvimento da tecnologia de IA, sendo a fase de
(Oh et al., 2014). desenvolvimento a mais predominante (n = 55, 59%). Os alvos das tecnologias foram
principalmente relacionados ao paciente, com 25,5% (n = 24) de todas as pesquisas
3.2. Tecnologias baseadas em IA aplicadas à enfermagem direcionadas ao monitoramento do paciente, 19,1% (n = 18) à avaliação da saúde, 14,9%
(n = 14) à doença ou previsão de resultados e 13,8% (n = 13) na identificação ou previsão
3.2.1. Descrições de tecnologias baseadas em IA de riscos.
Embora todas as tecnologias baseadas em IA nesta revisão tenham sido aplicadas à
enfermagem, outros profissionais de saúde, incluindo médicos e profissionais de saúde Categorizamos os resultados dos estudos relatados em resultados relacionados ao
aliados, também eram utilizadores destas tecnologias (conforme indicado na Tabela 1 ) . paciente e à equipe. Quase 60% (n = 53) de todos os desfechos de interesse estavam
As maiores faixas etárias de pacientes alvo foram adultos e idosos. Notavelmente, quase diretamente relacionados ao paciente. Os resultados relacionados ao paciente incluíram
metade dos estudos não especificou uma faixa etária alvo. Os métodos de IA incluíam resultados fisiológicos ou fisiopatológicos (n = 20), físicos ou funcionais (n = 13),
predominantemente métodos de aprendizado de máquina, conforme ilustrado na tabela 2. relacionados a infecções (n = 8) e psicológicos ou cognitivos (n = 12). Os resultados
Cerca de 27% dos métodos de IA eram redes neurais artificiais, dos quais 15 estudos relacionados à equipe foram relatórios ou documentação automatizada (n = 24) e
utilizaram redes neurais profundas (ou seja, aprendizado profundo) com 9 estudos organização dos cuidados de enfermagem (n = 16).
adicionais que , com base na descrição da tecnologia, os revisores interpretaram como
utilizando aprendizagem profunda. As fontes de dados para treinamento, teste e validação
das tecnologias baseadas em IA foram registros eletrônicos de saúde (51,6%),
questionários eletrônicos (9,7%), sistemas de informação (7,5%), sensores (22,6%) e 3.3.2. Avaliação de tecnologias baseadas em IA em enfermagem
câmeras ou conjuntos de dados de imagens (8,6% ), sendo o tipo de dados dados Os tamanhos amostrais do conjunto de dados na validação ou avaliação de
estruturados (n = 41), dados não estruturados (n = 38) e imagens (n = 14). tecnologias variaram de 1 a 1.149.586, com o tamanho médio da amostra diminuindo à
medida que os estágios de desenvolvimento evoluíram. Esta mudança deve-se em parte
aos grandes conjuntos de dados utilizados no treino e teste dos algoritmos na fase de
Conforme descrito na Tabela 3, foram aplicadas técnicas de IA focadas em modelagem desenvolvimento, enquanto, por exemplo, os testes clínicos são realizados com amostras
preditiva (61,3%, n = 57), processamento de linguagem natural (11,8%, n = 11), visão mais pequenas. Duas das tecnologias de IA foram avaliadas como “não funcionando
computacional (15,1%, n = 14), reconhecimento de fala (7,5% , n = 7), ou planejamento ou conforme pretendido” quando analisadas pelos utilizadores finais (Fratzke et al., 2014;
programação (9,7%, n = 9), com 4,3% (n = 4) combinando duas ou mais técnicas. A Tabela Ginestra et al., 2019).
3 também apresenta No entanto, a maioria das tecnologias apresentadas nos artigos
Machine Translated by Google
H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153 9
Tabela 2
Fontes de dados, tipos de dados e métodos utilizados para treinar, testar e validar as tecnologias baseadas em Inteligência Artificial (IA).
Fonte de dados(n,%) Tipo de dados (n) Métodos de IA (n) A rede neural artificial
utiliza aprendizado
profundo?
Todas as fontes de Dados estruturados (41) Regressão logística (17) Sim, certamente (15)
dados (93, 100%)ÿ Dados não estruturados (38) Árvores de decisão (17) Provavelmente, com
Imagens (14) Redes neurais artificiais (25) base na
Máquina de vetores de suporte (9) descrição da tecnologia (9)
Redes bayesianas (6) Não (1)
Máquina de aumento de gradiente (3)
K-vizinho mais próximo (4)
Outros métodos de aprendizado de máquina (5)
Aprendizado de máquina indefinido (21)
Método não descrito /
Sem aprendizado de máquina (17)
Registros eletrônicos Dados estruturados (25) Regressão logística (11) Provavelmente, com
de saúde Ajay et al., 2016, Back et al., 2016, Cooper et Back et al., 2016, Cooper et al., 2021, Cramer et al., 2019, Hur et al., 2019, Lin et al., 2014, base na
(48, 51,6%) al., 2021, Cramer et al., 2019, Gholami et al., 2012, Moskowitz et al., 2020, Oh et al., 2014, Song et al., 2021, Wellner et al., 2017, descrição da tecnologia (4)
Ginestra et al., 2019, Howarth et al., 2020, Hur et al., Wojtusiak et al., 2021, Wong et al., 2018 Árvores de decisão (8) Cramer et al.,
2019, Jauk et al., 2021, Kang et al., 2018, Lin et al., 2019, Lin et al.,
2014, Lopes et al., 2013, Soufi et al., 2018, Moskowitz et al., 2014, Song et al., 2021,
2020, Oh et al., 2020, Oh et al. al. al., 2014, Romero- Cramer et al., 2019, Ginestra et al., 2019, Jauk et al., 2021, Setoguchi et al., Wellner
Brufau et al., 2021, Setoguchi et al., 2016, Song et 2016, Lin et al., 2014, Song et al., 2021, Wojtusiak et al., 2021, Wong et al., et al., 2017
al., 2021, Steurbaut et al., 2013, Tang et al., 2019, Wellner 2018 Rede neural artificial (5)
et al., 2017 , Wojtusiak et al., 2021, Wong et al., 2018, Yokota Não (1)
et al., 2017, Zachariah et al., 2020 Lin et al., 2014, Cramer et al., 2019, Song et al., 2021, Wellner et al., 2017, Wong et al., 2018 Wong et al., 2018
Máquina de vetores de suporte
(5)
Cramer et al., 2019, Lin et al., 2014, Song et al., 2021, Wong et al., 2018, Yokota et al.,
2017 Redes bayesianas (4)
Gholami et al., 2012, Lin et al., 2014, Tang et al., 2019, Wojtusiak et al.,
2021 Máquina de aumento
de gradiente (3)
Cramer et al., 2019, Romero-Brufau et al., 2021, Wong et al., 2018 K-vizinho mais próximo
(1)
Tang et al., 2019
Outros métodos de aprendizado de máquina (1)
Cramer et al., 2019
Aprendizado de Máquina Indefinido (2)
Kang et al., 2018, Zachariah et al., 2020 Método não
descrito/sem aprendizado de máquina (5)
Ajay et al., 2016, Howarth et al., 2020, Lopes et al., 2013, Soufi et al., 2018, Steurbaut et al.,
2013 Regressão logística (3)
Dados não estruturados (22) Sim, certamente (5)
Annapragada et al., 2021, Bu et al., 2020, Gangavarapu Jung et al., 2020, Ladios-Martin et al., 2020, Mufti et al., 2019 Árvores de decisão (1) Annapragada et al., 2021,
et al., 2019, Hunter et al., 2011, Hunter et al., 2012, Ivanov et
al., 2021, Jung et al., 2020; Koleck et al., 2021, Korach et Mufti et al., 2019 Rede Gangavarapu et al., 2019,
al., 2020, Ladios-Martin et al., 2020, Liao et al., 2015, Long et neural artificial (8) Moen et al., 2020a,
al., 2016, Moen et al., 2020a, Moen et al., 2020b , Annapragada et al., 2021, Liao et al., 2015, Gangavarapu et al., 2019, Moen et al., 2020a, Moen et al., 2020b,
Mohammadi et al., 2020, Mufti et al., 2019, North et al., Moen et al., 2020b, Mohammadi et al., 2020, Mufti et al., 2019, Safavi et al., 2019
2014, Safavi et al., 2019, Singh et al., 2018, Topaz et al., Máquina de vetores de suporte (1) Mohammadi et al., 2020
2016, Topaz et al., 2019a, Topázio et al., 2019b
Mufti et al., Redes Provavelmente, com
bayesianas de 2019 (1) base na
Mufti et al., 2019 Outros descrição da tecnologia (3) .
métodos de aprendizado de máquina (2) Liao et al., 2015, Mufti
Hunter et al., 2012, Bu et al., 2020 Aprendizado et al., 2019, Safavi et
de Máquina Indefinido (8) al., 2019
Ivanov et al., 2021; Koleck et al., 2021, Korach et al., 2020, Long et al., 2016,
Singh et al., 2018, Topaz et al., 2016, Topaz et al., 2019a, Topaz et al., 2019b Método não
descrito/sem aprendizado de
máquina (2)
Hunter et al., 2011, North et al., 2014 Máquina de
Imagens (1) vetores de suporte (1)
Li e Mathews, 2017 Li e Mathews, 2017
10 H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153
Tabela 2 (Continuação).
Fonte de dados(n,%) Tipo de dados (n) Métodos de IA (n) A rede neural artificial
utiliza aprendizagem
profunda?
Questionário Dados estruturados (9) Regressão logística (1) Sim, certamente (1)
eletrônico (9, Alshurafa et al., 2017, Gannod et al., 2019, Jindal et al., Gannod et al., Árvores de Sandhu et al., 2020
9,7%) 2018, Im e Chee, 2011, Martins et al., 2016, decisão de 2019 (3)
Ongenae et al., 2014, Sandhu et al., 2020, Vedanthan et Im e Chee, 2011, Martins et al., 2016, Ongenae et al., 2014 Rede neural artificial (1)
al., 2020, Vedanthan et al. al., 2015, Wang et al., 2018
Sandhu et al., Redes
bayesianas de 2020 (1)
Ongenae et al., 2014
Aprendizado de Máquina Indefinido (2)
Alshurafa et al., 2017, Vedanthan et al., 2015 Método não
descrito/sem aprendizado de máquina (2)
Jindal et al., 2018, Wang et al., 2018
Sensores Dados estruturados (4) Árvores de decisão (2) Sim, certamente (1)
(21, 22,6%) Guidi et al., 2015, Skubic et al., 2015, Su et al., Guidi et al., 2015, Skubic et al., 2015 Rede neural Subramaniam e Dass,
2019, Subramaniam e Dass, 2021 artificial (2) 2021
Skubic et al., 2015, Subramaniam e Dass, 2021 Máquina de Provavelmente, com
vetores de suporte (1) base na
Skubic et al., 2015 K- descrição da tecnologia (1)
vizinho mais próximo (1) Skubic et al., 2015
Skubic et al., 2015
Aprendizado de máquina indefinido (1)
Su et al., Regressão
Dados não estruturados (13) logística de 2019 (1) Sim, certamente (3)
Aldaz et al., 2015, Bian et al., 2020, Chu e Huang, 2020, Morita et al., Árvores de Maitre et al., 2020,
Devos et al., 2019, Fratzke et al., 2014, Mairittha et al., 2019, decisão de 2018 (1) Minvielle e
Maitre et al., 2020, Marukami et al., 2020, Marukami et Morita et al., 2018 Rede Audiffren, 2019,
al. al., 2012, Minvielle e Audiffren, 2019, Morita et al., 2018, neural artificial (4) Tateno et al., 2020
Özcanhan et al., 2020, Suominen et al., 2015, Maitre et al., 2020, Minvielle e Audiffren, 2019, Özcanhan et al., 2020, Tateno et al., 2020 Provavelmente, com
Tateno et al., 2020 Máquina de vetores de suporte base na
(1) descrição da
Morita et al., 2018 tecnologia (1)
Aprendizado de máquina indefinido (4) Özcanhan et al., 2020
Bian et al., 2020, Chu e Huang, 2020, Mairittha et al., 2019, Suominen et al., 2015
Método não descrito/sem
aprendizado de máquina (4)
Aldaz et al., 2015, Devos et al., 2019, Fratzke et al., 2014, Marukami et al.,
2012 Rede neural artificial (2)
Imagens (4) Sim, certamente (2)
Barrera et al., 2020, Lee e Lin, 2020, Narang et al., Narang et al., 2021, Lee e Lin, 2020 Método não Narang et al., 2021, Lee e
2021, Rantz et al., 2014 descrito/sem aprendizado de máquina (2) Lin, 2020
Barrera et al., 2020, Rantz et al., 2014
Conjunto de dados de Imagens (8) Regressão logística (1) Sim, certamente (3)
câmera/ Hwang et al., 2021, Wang et al., 2015, Wang et al., Yu et al., 2020 Hwang et al., 2021, Wang
imagem (8, 8,6%) 2021, Shu e Shu, 2021 , Sikka et al., 2012, Unger Rede neural artificial (3) et al., 2021, Yu et al.,
et al., 2019, Yu et al., 2020, Zamzmi et al. al. al., 2019 Hwang et al., 2021, Wang et al., 2021, Yu et al., 2020 K-vizinho mais 2020
próximo (1)
Wang et al., 2015
Aprendizado de máquina indefinido (3)
Shu e Shu, 2021, Sikka et al., 2012, Zamzmi et al., 2019 Método não descrito/
sem aprendizado de máquina (1)
Unger et al., 2019
ÿ as referências a artigos individuais listados na primeira linha da tabela são encontradas nas linhas abaixo.
Machine Translated by Google
Tabela 3
Inteligência artificial (IA) –tecnologias apresentadas por diferentes estágios de desenvolvimento.
Fase de desenvolvimento de IA (n = 55, 59,1%) Fase de formação de IA (teste) (n = 28, 30,1%) Fase de implementação de IA (n Fase operacional No geral - todas as fases
= 9, 9,7%) de IA (1 1,1%) (n = 93, 100%)ÿ
Aplicações de IA (n) Modelagem preditiva (38) Modelagem preditiva (13) Modelagem preditiva (5) Modelagem Modelagem preditiva (n =
Back et al., 2016, Bose et al., 2019, Bu et al.,
H.
2020, Chun et al., 2021, Cooper et al., 2021, Cramer et al., 2019, Gangavarapu et al., 2019,
Gannod et al., 2019, Gholami et al., 2012, Guidi et al., 2015, Hur et al., 2019, Im e Chee,
2011, Jung et al., 2020, Lee e Lin, 2020, Lin et al. , 2014, Liu et al., 2018, Lopes et
al., 2013, Maitre et al., 2020, Moen et al., 2020b, Mohammadi et al., 2020, Mufti et al., 2019,
Nuutinen et al., 2020, Ongenae et al., 2014, Özcanhan et al., 2020, Parisi et
al., 2018, Romero-Brufau et al., 2021, Setoguchi et al., 2016, Singh et al., 2018, Soufi et
al. , 2018, Su et al., 2019, Sullivan et al., 2019, Tateno et al., 2020, Topaz et al.,
2019b, Wellner et al., 2017, Wojtusiak et al., 2021, Wong et al., 2018, Yokota et al., 2017,
Zachariah et al., 2020 Processamento de linguagem natural (7)
Annapragada et al., 2021, Ivanov et al., 2021; Koleck et al., 2021, Korach et al., 2020,
Topaz et al., 2016, Topaz et al., 2019a, Yu et al., 2020 Visão computacional (6)
Aldaz et al., 2015, Li e Mathews, 2017, Shu e Shu, 2021, Sikka et al., 2012, Unger
et al., 2019, Wang et al., 2015 Reconhecimento de fala (4)
Aldaz et al., 2015, Fratzke et al., 2014, Marukami et al., 2012, Suominen et al.,
2015 Planejamento/
programação (2)
Aldaz et al., 2015, Steurbaut et al., 2013
Howarth et al., 2020, Ladios-Martin et al., 2020, Liao et
al., 2015, Martins et al., 2016, Minvielle e Audiffren, 2019,
Moskowitz et al., 2020, Narang et al.,
2021, Safavi et al., 2019, Skubic et al., 2015, Song et al.,
2021, Subramaniam e Dass, 2021, Tang et al.,
2019, Wang et al., 2018 Processamento de
linguagem natural (4)
Tecnologia
direcionada a (n)
Planejamento da assistência de enfermagem (4)
Predição de doença/
resultado (8)
von
Gannod et al., 2019, Nuutinen et al., 2020, Parisi et al., 2018, Wellner et al., 2017
Back et al., 2016, Chun et al., 2021, Cooper et al., 2021, Cramer et al., 2019, Lin et al., 2014,
Mufti et al., 2019, Setoguchi et al., 2016, Steurbaut et al., 2013 Avaliação de saúde
(12)
Annapragada et al., 2021, Bu et al., 2020, Ivanov et al., 2021, Im e Chee, 2011, Lopes et al.,
Planejamento de cuidados de enfermagem (1)
11
2013, Ongenae et al., 2014, Sikka et al., 2012, Singh et al., 2012, Singh et al. al., 2014 Identificação/predição de risco (2) Detecção/rastreamento/ 13,8%)
al., 2018, Soufi et al., 2018, Topaz et al., 2016, Wang et al., 2015, Yu et al., 2020 Ladios-Martin et al., 2020, Song et al., 2021 Detecção/ monitoramento (3)
Identificação/previsão de riscos (9) rastreamento/monitoramento (12) Ajay et al., 2016, Rantz Acompanhamento (n = 24, 25,5%)
Barrera et al., 2020, Bian et al., 2020, Cabri et al., et al., 2014, Vedanthan Documentação (n =
Hur et al., 2019, Jung et al., 2020, Korach et al., 2020, Mohammadi et 2020, Chu e Huang, 2020, Howarth et al., 2020, Hwang et al., 2015 Documentação (1) 17, 18,1%)
al., 2020, Özcanhan et al., 2020, Sullivan et al., 2019, Wong et al., 2018, Yokota et al., 2017, et al., 2021, Jindal et al., 2018, Long et al., 2018, Long Operação mãos-livres (n =
Zachariah et al., 2020 Detecção/rastreamento/monitoramento (9) et al. al., 2021 al., 2016, Minvielle e Audiffren, Norte et al., 2014 2, 2,1%)
2019, Morita et al., 2018, Moskowitz et al., 2020, Skubic et
Gholami et al., 2012, Guidi et al., 2015, Lee e Lin, 2020, Maitre et al., 2020, al., 2015 Documentação (5)
Romero-Brufau et al., 2021, Shu e Shu, 2021, Su et al., 2019, Tateno et al., 2020, Wojtusiak
et al., 2021 Documentação (11)
Hunter et al., 2011, Hunter et al., 2012, Mairittha et
Aldaz et al., 2015, Bose et al., 2019, Fratzke et al., 2014, Gangavarapu et al., 2019; Koleck et al., 2019, Moen et al., 2020a, Wang et al., 2018
al., 2021; Liu et al., 2018, Liu et al., 2018, Marukami et al., 2012, Moen et al., 2020b,
Suominen et al., 2015, Topaz et al., 2019a, Topaz et al., 2019b Mãos livres operações
(2)
Tabela 3 (Continuação).
Fase de desenvolvimento de IA (n = 55, 59,1%) Fase de formação de IA (teste) (n = 28, 30,1%) Fase de implementação de IA Fase operacional No geral - todas as
(n = 9, 9,7%) de IA (1 1,1%) fases (n = 93, 100%)ÿ
Resultados de Fisiológico/Patofisiológico (12): Informações Fisiológico/Patofisiológico (6): Informações Fisiológico/ Fisiológico / Fisiológico/
interesse sobre úlcera por pressão (3)
relacionados ao paciente (n)
sobre feridas (2)
Li e Mathews, 2017, Wang et al., 2015 Deterioração
do paciente (3)
Su et al., 2019
Eliminação de urina (1)
Lopes et al., 2013
Mortalidade (1)
Sullivan et al., 2019
Korach et al., 2020, Romero-Brufau et al., 2021, Wellner et al., 2017 Insuficiência
cardíaca congestiva (1)
Guidi et al., 2015
Pressão arterial (1)
Jung et al., 2020, Maitre et al., 2020, Özcanhan et al., 2020, Shu e Shu, 2021, Tateno
et al., 2020, Topaz et al., 2019b, Yokota et al., 2017 Atividade do paciente ( 1)
Físico /
Funcional (0)
Patofisiológico (n = 20,
21,5%): Informações
sobre úlcera por
pressão (6)
Informações sobre feridas (3)
Deterioração do paciente
(3)
Diabetes (2)
Insuficiência cardíaca
congestiva
(1), Pressão arterial (1)
Eliminação de urina (1)
Mortalidade (1)
Hipertensão (1)
Declínio da saúde (1)
Físico/Funcional (n = 13,
14,0%): Queda do
paciente (9) Atividade do
paciente (2) Abuso (1)
Estilo de vida sedentário (1)
Infecções (5):
Sepse (2)
Back et al., 2016, Cooper et al., 2021 Infecção
do trato urinário (2)
Hur et al., 2019, Zachariah et al., 2020 Interação
sem toque para diminuir infecções (1)
Unger et al., 2019
Psicológico/
cognitivo (5):
Dor (2)
Im e Chee, 2011, Sikka et al., 2012 Delirium (2)
cognitivo (1)
Devos et al., 2019
Sono (1)
Barreira et al., 2020
Infecções (2):
Sepse (2)
Ginestra et al., 2019,
Sandhu et al., 2020
Psicológico/cognitivo (2):
Delírio (1)
Oh et al., 2014
Mudanças comportamentais (1)
Alshurafa et al., 2017
Infecções (0)
Psicológico/
cognitivo (1):
Delírio (1)
Jauk et al., 2021
Infecções
(n = 8, 8,6%):
Sepse (4),
Infecção do trato urinário
(2), Interação
sem toque para diminuir
infecções (1),
Infecção renal aguda (1)
Psicológico/
cognitivo
(n = 12, 12,9%): Dor
(4)
Delirium (4),
Sedação (1),
Estado cognitivo (1),
Sono (1)
Mudanças comportamentais (1)
Tabela 3 (Continuação).
Resultados de
interesse
relacionados à equipe (n)
Fase de desenvolvimento de IA (n = 55, 59,1%)
Relatórios/documentação
automatizados (2):
Documentação geral (1)
North et al., 2014 Risco
de medicação (1)
Kang et al., 2018
Fase operacional
de IA (1 1,1%)
Relatórios/
documentação
automatizados (0)
No geral - todas as fases
(n = 93, 100%)ÿ
Relatórios/documentação
automatizados (n =
24, 25,8%):
Documentação geral (12)
Extravasamento de
infusão intravenosa (1)
13
Lin et al., 2014, Mohammadi et al., 2020 Admissão de Localização do objeto (1) Diagnóstico (1)
pacientes (1) Chu e Huang, Acompanhamento do paciente (1)
Nuutinen et al., 2020 Localização do objeto (1)
Tabela 3 (Continuação).
Fase de desenvolvimento de IA (n = 55, 59,1%) Fase de formação de IA (teste) (n = 28, 30,1%) Fase de implementação de IA (n Fase operacional No geral - todas as fases
= 9, 9,7%) de IA (1 1,1%) (n = 93, 100%)ÿ
H.
Aldaz et al., 2015, Annapragada et al., 2021, Back et al., 2016, Bose et al., 2019,
Chun et al., 2021, Cooper et al., 2021, Fratzke et al., 2014„ Guidi et al., 2015, Hur et al., 2019,
Ivanov et al., 2021, Jung et al., 2020; Koleck et al., 2021, Li e Mathews, 2017, Lopes et al.,
2013, Maitre et al., 2020, Moen et al., 2020b, Mufti et al., 2019, Nuutinen et al., 2020, Sikka
et al., 2020, Sikka et al. al., 2020 al., 2012, Singh et al., 2018, Soufi et al., 2018, Su et
al., 2019, Sullivan et al., 2019, Suominen et al., 2015, Tateno et al., 2020 , Topaz
et al., 2016, Topaz et al., 2019a, Wang et al., 2015, Wellner et al., 2017,
Wojtusiak et al., 2021, Wong et al., 2018, Yokota et al., 2017 , Yu et al., 2020,
Zachariah et al., 2020 Questões éticas discutidas (27,3%)
Aldaz et al., 2015, Chun et al., 2021, Guidi et al., 2015, Gholami et al., 2012,
Hur et al., 2019, Im e Chee, 2011, Jung et al., 2020, Li e Mathews, 2017, Lin et al., 2014,
Nuutinen et al., 2020, Shu e Shu, 2021 , Singh et al., 2018, Tateno et al., 2020, Wojtusiak et
al., 2021, Wong et al., 2018 Nenhuma discussão ética ou aprovação do IRB
(30,9%)
Bu et al., 2020, Cramer et al., 2019, Gangavarapu et al., 2019, Gannod et al., 2019,
Korach et al., 2020, Lee e Lin, 2020, Liu et al., 2018, Marukami et al., 2018, Marukami et al. al.,
2012, Mohammadi et al., 2020, Ongenae et al., 2014, Özcanhan et al., 2020, Parisi et al., 2018,
Romero-Brufau et al., 2021, Setoguchi et al., 2016, Steurbaut et al., 2013, Topaz et al., 2019b,
Unger et al., 2019
Aprovação do IRB declarada (35,7%)
Bian et al., 2020, Cabri et al., 2020, Devos et
al., 2019, Howarth et al., 2020, Jindal et al., 2018,
Ladios-Martin et al., 2020, Martins et al., 2016 , Moen et al.,
2020a, Narang et al., 2021, Skubic et al., 2015
Questões éticas
discutidas (0%)
Nenhuma
discussão ética ou
aprovação do IRB (0%)
Aprovação do IRB declarada
(57,0%)
Questões éticas
discutidas (19,4%)
Participação do
Sim (54,5%)
von
Aldaz et al., 2015, Back et al., 2016, Bose et al., 2019, Cooper et al., 2021, Cramer et al.,
2019, Fratzke et al., 2014, Hur et al., 2019, Ivanov et al., 2021, Im e Chee, 2011, Jung
enfermeiro em pesquisas (%)
et al., 2020; Koleck et al., 2021, Korach et al., 2020, Li e Mathews, 2017, Lin et al., 2014,
Lopes et al., 2013, Marukami et al., 2012, Moen et al., 2020b, Setoguchi et al., 2020b,
Setoguchi et al., 2020b al., 2020 al., 2016, Sikka et al., 2012, Su et al., 2019, Sullivan et al.,
2019, Suominen et al., 2015, Topaz et al., 2016, Topaz et al., 2019a , Topaz
et al. ., 2019b, Wellner et al., 2017, Wong et al., 2018, Yokota et al., 2017, Yu et al.,
2020, Zachariah et al., 2020
Sim (78,6%)
Barrera et al., 2020, Bian et al., 2020, Cabri et al.,
2020, Howarth et al., 2020, Hunter et al., 2011, Hunter
et al., 2012, Jindal et al., 2018, Ladios -Martin et al.,
2020, Liao et al., 2015, Long et al., 2016, Mairittha et al., 2019,
Martins et al., 2016, Moen et al., 2020a,
Moskowitz et al., 2020, Narang et al., 2021, Safavi et al.,
2019, Skubic et al., 2015, Song et al., 2021, Tang et al.,
2019, Wang et al., 2021, Wang et al., 2018, Zamzmi
et al., 2019 Não indicado (21,4%)
Tabela 3 (Continuação).
Como as pessoas
com formação em
enfermagem
foram envolvidas
no desenvolvimento
ou avaliação da
tecnologia? (n)
Fase de desenvolvimento de IA (n = 55, 59,1%)
Co-escritores (23)
H.
Back et al., 2016, Bose et al., 2019, Cooper et al., 2021, Fratzke et al., 2014, Hur et al., 2019, Ivanov
et al., 2021, Im e Chee, 2011, Jung et al., 2021, Im e Chee, 2011, Jung et al. al.al., 2020; Koleck
et al., 2021, Korach et al., 2020, Li e Mathews, 2017, Lopes et al., 2013, Moen et al.,
2020b, Setoguchi et al., 2016, Su et al., 2019, Sullivan et al., 2019, Sullivan et
al. al. al., 2019, Topaz et al., 2016, Topaz et al., 2019a, Topaz et al., 2019b, Wellner
et al., 2017, Yokota et al., 2017, Yu et al., 2020, Zachariah et al., 2020 Avaliadores
de usuários (2)
Fase de formação de IA (teste) (n = 28, 30,1%)
Co-escritores (8)
Cabri et al., 2020, Ladios-Martin et al., 2020, Martins et al., 2016,
Moen et al., 2020a, Moskowitz et al., 2020, Skubic et al.,
2015, Song et al., 2021 , Wang et al., 2021
Co-escritores (5)
Alshurafa et al., 2017, Ginestra
et al., 2019, Kang et al., 2018,
Oh et al., 2014, Rantz et al., 2014
Co-escritores (0)
Co-escritores (36)
Conselheiros (4)
Conselheiros (1)
Ajay et al., 2016
Participantes do estudo
Conselheiros (10)
15
Cabri et al., 2020, Narang et al., 2021, Tang et al., (0)
2019 ÿ as referências a Vedanthan et al., 2015
artigos individuais listados na última coluna da tabela são encontradas nas colunas anteriores.
Machine Translated by Google
16 H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153
foram avaliados por seus desenvolvedores como “funcionando conforme planejado” a necessidade de abordar e compreender o fenômeno complexo e profundamente
(n = 75, 79,8%) ou apresentando potencial promissor (n = 16, 17,0%). enraizado das atitudes dos enfermeiros em relação ao uso dessas tecnologias
é evidente (Rababah et al., 2021). As tecnologias neste escopo
3.3.3. Participação dos enfermeiros e questões éticas nas pesquisas relatadas A revisão teve como objetivo prever, avaliar, identificar ou monitorar diferentes resultados
Conforme apresentado na Tabela 3, mais de dois terços dos artigos afirmaram relacionados ao paciente, como quedas de pacientes, ferimentos
ter uma aprovação do IRB. A maioria dos artigos não avançou e as informações sobre úlceras de pressão são os desfechos individuais mais comuns.
discutir considerações éticas de pesquisa. Apenas um dos artigos incluiu uma discussão Outros desfechos frequentes identificados na pesquisa
mais ampla sobre ética em pesquisa e nenhum dos artigos abordou as considerações foram relatórios e documentação automatizados, bem como enfermagem
éticas do uso da IA na enfermagem. organização de cuidados, como avaliação de prioridade de triagem. Os resultados
O envolvimento dos enfermeiros nos estudos como coautores (n = 36), mostram a diversidade de pesquisas em tecnologias baseadas em IA na enfermagem.
avaliadores (n = 13), orientadores (n = 10) ou participantes do estudo (8) No entanto, também trazem luz a algumas questões relevantes relativas à
cresceu à medida que mais avançada era a fase da tecnologia de IA, passando de a condução e o relato deste tipo de pesquisa. Neste escopo
54,5% (n = 30) envolvimento na fase de desenvolvimento de IA até 100% revisão, apresentamos resultados como o resultado final das tecnologias em vez de
(n = 10) na fase de implementação e operação da IA. Como resultados que medem a eficácia das tecnologias. Do ponto de vista da enfermagem, o
mostrado na tabela 3, quanto mais as tecnologias foram desenvolvidas, mais resultado almejado de todos
menos ética foi discutida, além de afirmar ter aprovação do IRB: nenhum dos estudos na as tecnologias pesquisadas foi reduzir a carga de trabalho do enfermeiro; no entanto,
implementação de IA (n = 9) ou o cumprimento deste objetivo não foi avaliado em nenhum dos
A fase operacional da IA (n = 1) abordou considerações éticas relativas às especificidades artigos. Esta revisão mostra que a pesquisa sobre IA aplicável à enfermagem
da ética em pesquisa, nem foram discussões mais amplas de considerações éticas carece de avaliação abrangente dos resultados relativos, por exemplo, à qualidade do
relacionadas à aplicação e potencial cuidado, à satisfação do paciente, ao impacto nos cuidados de enfermagem,
impacto na equipe, nos pacientes e na relação enfermeiro-paciente observada. sobrecarga do cuidador, conformidade com as diretrizes profissionais ou economia
aspectos (Krick et al., 2020); faltando assim uma descrição da relevância das tecnologias
4. Discussão de IA desenvolvidas para a enfermagem clínica.
Os resultados deste estudo também confirmam descobertas anteriores
Esta revisão de escopo apresentou um amplo escopo de tecnologias baseadas em (Zhou et al., 2021) indicando a escassez de enfermeiros envolvidos no
IA para enfermagem que foram desenvolvidas durante o último Desenvolvimento de IA. Se a inclusão de enfermeiros e cientistas de enfermagem na
década, com a maioria da pesquisa sendo no desenvolvimento de IA as fases iniciais de desenvolvimento e análise do processo são asseguradas, as
Estágio. A tecnologia mais utilizada foi a análise preditiva utilizando tecnologias desenvolvidas podem ser mais centradas no utilizador,
diferentes métodos de aprendizado de máquina. As tecnologias foram avaliadas abordar as questões que surgem na enfermagem clínica com mais rigor, e
predominantemente como funcionando conforme pretendido ou mostrando potencial ser uma melhor representação da realidade clínica. No entanto, as diferentes estruturas
por seus desenvolvedores. No entanto, apenas quatro dos estudos abordaram de redação e métodos de relatório também foram um problema
a relação entre funcionalidade tecnológica e usuário final encontrados em estudos que identificaram colaboradores com formação em enfermagem.
percepção combinando avaliação de desempenho com avaliações de usuários. Além Literatura sobre metodologia de pesquisa que orienta os desenhos de estudo
disso, o valor clínico potencial destas tecnologias não foi claramente visível na maioria dos artigos incluídos, especificamente sobre os
ainda não foi validado, embora evidências anteriores mostrem que métodos de amostragem e técnicas analíticas utilizados, e uma descrição clara do
nem todas as tecnologias funcionam necessariamente como pretendido quando objetivo do estudo estava ausente em
introduzidas no trabalho clínico. Um exemplo estabelecido é o externo quase metade dos artigos.
validação do modelo de risco de sepse proprietário do EPICs EHR (Habib et al., Estas descobertas indicam uma falta de estruturas comummente aceites para relatar
2021): um modelo de previsão comumente usado e implementado em centenas de tecnologias de IA na investigação em enfermagem. Vale ressaltar que 7,5% (n = 7) dos
hospitais dos EUA. As medidas de desempenho deste modelo de sepse provaram ser estudos não especificaram o objetivo
inferiores às medidas iniciais relatadas pelos desenvolvedores; na fase de desenvolvimento, configuração, 8,6% (n = 8) o usuário pretendido e 45,2% (n = 42) o
o modelo faixa etária alvo pretendida. Isto aumenta os riscos de não se conhecer o suficiente sobre
alcançou uma área sob a curva (AUC), uma medida agregada de os utilizadores finais ou a população-alvo, o que pode
desempenho, de 0,76 a 0,83 em comparação com uma AUC de 0,63 quando levar ao uso de dados tendenciosos ou inadequados no treinamento e validação de
realmente aplicado em vários hospitais. Além disso, os resultados tecnologias baseadas em IA, bem como introduzir barreiras ao
sugeriu que o desempenho da previsão era de fato ruim, deixando Implementação de tecnologia de IA. É imperativo que os enfermeiros que utilizam estas
67% dos pacientes com sepse não identificada. (Wong et al., 2021.) tecnologias estejam conscientes dos riscos potenciais e das consequências não
Mesmo que o desempenho da IA seja adequado, o uso da tecnologia intencionais ao interpretar os resultados fornecidos pelas
pode introduzir problemas não previstos pelos desenvolvedores. Para eles (Ronquillo et al., 2021). Para evitar isso, esforços têm sido
por exemplo, um estudo conduziu uma validação externa para uma ferramenta de feito para desenvolver diretrizes de relatórios para tecnologias baseadas em IA
previsão desenvolvida para estimar a infecção pelo vírus da imunodeficiência humana em pesquisa médica, desde o desenvolvimento e validação até o teste
(HIV) entre homens que fazem sexo com homens. Apesar de e fase regulatória (Campbell et al., 2020). Contudo, uma necessidade
o desempenho da previsão diagnóstica da ferramenta provou ser eficaz, as diretrizes de notificação específicas de enfermagem são evidentes.
discriminaram pessoas com elevado risco de infecção pelo VIH ao sobrestimarem a sua A grande maioria dos estudos utilizou amostragem de conveniência ou amostragem
probabilidade preditiva de infecção pelo VIH. (Luo e outros, proposital, com a maioria dos estudos utilizando amostragem eletrônica.
2019.) Esses exemplos, juntamente com outros casos de implementação rápida de registros de saúde ou sistemas de informação como fonte de pesquisa
tecnologias em grande parte não testadas (Cummings et al., dados. No entanto, foi afirmado que os enfermeiros de todo o mundo,
2021; Singh et al., 2021), estabeleceram um precedente preocupante e executaram sendo um dos principais fornecedores deste tipo de dados, não estão satisfeitos com a
contraria as recomendações de informática em saúde baseada em evidências feitas por usabilidade, interoperabilidade ou funcionalidade do
grupos como a Associação Internacional de Informática Médica (Fernandez-Luque et al., sistemas de registros eletrônicos de saúde que eles usam. Esses sistemas são percebidos
2021). Para a enfermagem, também pode como não sendo específicos para enfermeiros e não atendendo às necessidades clínicas
sugerem a necessidade de diretrizes para enfermeiros clínicos sobre a adoção segura de dos enfermeiros, por exemplo, carecendo de terminologias de enfermagem (Topaz et al.,
tais inovações e reiterar a necessidade de conhecimentos mínimos básicos sobre o 2017). Implementações de tecnologia da informação em larga escala, como
desenvolvimento e uso de tecnologias baseadas em IA como como registros eletrônicos de saúde, também demonstraram aumentar
ferramenta para a prática de enfermagem (Ronquillo et al., 2021). Além disso, como a carga de trabalho cognitiva do enfermeiro, trazendo luz à relação
os enfermeiros desempenham um papel vital na adoção de novas tecnologias na área da saúde, entre implementação bem-sucedida, pontuações de atitude do computador de
Machine Translated by Google
H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153 17
os enfermeiros e as dificuldades que os enfermeiros podem enfrentar na aprendizagem tecnologias de saúde de IA. Pesquisa sobre como os dados qualitativos
tecnologias baseadas em computador (Parthasarathy et al., 2018). Como tal, estão sendo integrados e usados para treinar os modelos de IA também é
é possível que dados e documentação de enfermagem em formato eletrônico necessário. É necessária uma discussão mais aprofundada sobre os aspectos éticos do
os registros de saúde não são tão completos e abrangentes quanto uso da IA na enfermagem, tanto na avaliação do impacto das tecnologias baseadas na IA
deveria estar. Depois disso, a utilização de dados de registos eletrónicos de cuidados de nos indivíduos e nos cuidados de enfermagem, como também na avaliação ética.
saúde inadequados, desequilibrados, distorcidos ou possivelmente tendenciosos pode preocupações relativas à investigação de tecnologias baseadas na IA. Seria
resultar numa geração de tecnologias de IA distorcidas e inadequadas. Isto também pode Também será benéfico revisar o uso das teorias de enfermagem como base na condução
impactar negativamente grupos populacionais mal representados nestes de pesquisas e no desenvolvimento de tecnologias baseadas em IA na enfermagem. A
dados (Chen et al., 2021). É digno de nota ressaltar que investigação futura também deve explorar as atitudes dos enfermeiros em relação à IA e a
contexto de saúde varia entre países e continentes e isso sua aceitação das tecnologias de IA no
tem impacto nos sistemas de registros eletrônicos de saúde utilizados e nas aplicações de cenário clínico. Além disso, a necessidade de implementar a enfermagem
tecnologias de IA na enfermagem. Os registros eletrônicos de saúde são informática e determinação da competência de IA em todos os níveis de enfermagem
não é utilizado uniformemente para atendimento nacional e internacional, diferindo para a educação é evidente. Mais pesquisas são necessárias para avaliar o
exemplo em estrutura de dados e entradas de dados (Bonomi, 2016). Também, competência atual dos enfermeiros, bem como avaliar o nível de
a regulamentação sobre o uso secundário de dados varia e influencia as possibilidades de educação e fornecimento de conhecimento sobre tecnologias baseadas em IA em
desenvolvimento de tecnologia de IA. Os dados desta revisão foram enfermagem. Por último, permanece a necessidade de determinar o profissional
coletados em vários locais nos cinco continentes. Mas mais pesquisas papel especializado especial dos enfermeiros no desenvolvimento e implementação
é necessário explicar a associação do ambiente nas aplicações de IA na enfermagem. Tecnologias baseadas em IA em enfermagem clínica.
Pesquisas futuras são necessárias para iluminar o impacto baseado em IA Este trabalho foi apoiado pela The Finnish Nursing Education
tecnologias têm na enfermagem, incluindo a implementação e Fundação Sr., Academia da Finlândia (315376) e A Brochura
os resultados clínicos. Um método padronizado de relatórios baseado em IA Fundação. A missão da Fundação Brocher é incentivar a pesquisa sobre as implicações
estudos, especialmente na enfermagem, também podem ser necessários para melhorar a éticas, legais e sociais das novas tecnologias médicas. Suas principais atividades são
qualidade das informações coletadas e apresentadas em relação receber pesquisadores visitantes
Machine Translated by Google
18 H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153
e organizar simpósios, workshops e eventos de verão ou inverno Cramer, E., Seneviratne, M., Sharifi, H., Ozturk, A., Hernandez-Boussard, T., 2019. Prever a incidência de
academias. Mais informações sobre o programa da Fundação Brocher úlceras de pressão na unidade de terapia intensiva usando máquina
aprendizado. EGEMS (Lavagem DC) 7 (1), 1–11. doi:10.5334/egems.307.
está disponível em www.brocher.ch A Sra. Hobensack é apoiada pelo
Cummings, BC, Ansari, S, Motyka, JR, Wang, G, Medlin Jr, RP, Kronick, SL,
Bolsa de treinamento do Instituto Nacional de Pesquisa em Enfermagem Reduzindo Singh, K., Park, PK, Napolitano, LM, Dickson, RP, Mathis, MR, Sjoding, MW,
Disparidades em saúde por meio da informática (RHeaDI) (T32NR007969) como Admon, AJ, Blank, R., McSparron, JI, Ward, KR, Gillies, CE, 2021. Predição
transferências de cuidados intensivos e outros imprevistos: validação de modelo analítico
um estagiário de pré-doutorado.
estudo e comparação com métodos existentes. JMIR Med. Informar. 9 (4), e25066.
doi:10.2196/25066.
Devos, P., Debeer, J., Ophales, J., Petrovic, M., 2019. Triagem de comprometimento cognitivo
Materiais suplementares usando m-health: uma implementação android do mini-exame do estado mental (MEEM) usando
reconhecimento de fala. EUR. Geriatra. Med. 10 (3), 501–509.
doi:10.1007/s41999-019-00186-0.
Material suplementar associado a este artigo pode ser
Elo, S., Kyngäs, H., 2007. O processo qualitativo de análise de conteúdo. J. Adv. Enfermeira. 62
encontrado, na versão online, em doi:10.1016/j.ijnurstu.2021.104153. (1), 107–115. doi:10.1111/j.1365-2648.2007.04569.x.
Evans, S., 1985. Desafios enfrentados pela distribuição de um sistema baseado em inteligência artificial
sistema para enfermagem. J. Med. Sist. 9 (1–2), 79–89. doi:10.1007/BF00992524.
Referências Fernandez-Luque, L, Kushniruk, AW, Georgiou, A, Basu, A, Petersen, C, Ron-quillo, C, Paton, C, Nøhr, C,
Kuziemsky, CE, Alhuwail, D., Skiba, D., Huesing, E., .
Gabarron, E., Borycki, EM, Magrabi, F., Denecke, K., Peute, LWP, Topaz, M., Al-Shorbaji, N., Lacroix,
AI HLEG: Grupo de especialistas de alto nível em inteligência artificial, 2019. Uma definição de
P., Marcilly, R., Cornet, R., Gogia, SB, Kobayashi, S., Iyen-gar, S., Design, TM, Mettler, T., Vimarlund,
IA: Principais Capacidades e Disciplinas [Ebook]. Comissão Europeia, Bruxelas:
V., Zhu, X., 2021. Baseado em evidências
Obtido em https://www.aepd.es/sites/default/files/2019-12/ai-definition.pdf
informática em saúde como base para a resposta à COVID-19: um apelo conjunto para
Ajay, VS, Jindal, D., Roy, A., Venugopal, V., Sharma, R., Pawar, A., Kinra, S., Tan-don, N., Prabhakaran, D.,
Ação. Métodos Inf. Med. 59 (6), 183–192. doi:10.1055/s-0041-1726414.
2016. Desenvolvimento de um pacote de gerenciamento de hipertensão e diabetes mellitus habilitado
Fratzke, J., Tucker, S., Shedenhelm, H., Arnold, J., Belda, T., Petera, M., 2014. Aprimorando a prática de
para smartphone para facilitar
enfermagem utilizando reconhecimento de voz para documentação direta. J.
prestação de cuidados em unidades de saúde primária na Índia: o projeto mpower heart.
Enfermeira. Adm. 44 (2), 79–86. doi:10.1097/NNA.0000000000000030.
Geléia. Associação Coração. 5 (12), e004343. doi:10.1161/JAHA.116.004343.
Gangavarapu, T., Jayasimha, A., Krishnan, GS, Kamath, SS, 2019. TAGS: para classificação automatizada
Aldaz, G., Shluzas, LA, Pickham, D., Eris, O., Sadler, J., Joshi, S., Leifer, L., 2015.
de notas clínicas de enfermagem não estruturadas. Nat. Lang. Processo.
Captura de imagens, marcação e transferência de dados com as mãos livres usando o Google Glass:
Inf. Sist. 11608, 195–207. doi:10.1007/978-3-030-23281-8_16.
um estudo piloto para melhorar o gerenciamento do tratamento de feridas. PloS um 10 (4), e0121179.
Gannod, GC, Abbott, KM, Van Haitsma, K., Martindale, N., Heppner, A., 2019. A
doi:10.1371/journal.pone.0121179.
sistema de recomendação de aprendizado de máquina para personalizar avaliações de preferência
Alshurafa, N., Sideris, C., Pourhomayoun, M., Kalantarian, H., Sarrafzadeh, M., East-wood, JN, 2017
para melhorar o cuidado centrado na pessoa entre residentes de lares de idosos. Gerontologista 59
(1), 167–176. 10.1093/geront/gny056.
dados de linha de base e de intervenção do primeiro mês. IEEE J. Biomédica. Informação de Saúde. 21
Gholami, B., Bailey, J., Haddad, W., Tannenbaum, A., 2012. Apoio à decisão clínica
(2), 507–514. doi:10.1109/JBHI.2016.2518673.
e controle de circuito fechado para manejo cardiopulmonar e terapia intensiva
Associação Americana de Faculdades de Enfermagem, 2021. Associação Americana de Faculdades de
sedação unitária usando sistemas especialistas. IEEE Trans. Ao controle. Sist. Tecnologia. 20 (5),
Enfermagem, Os fundamentos: Competências essenciais para educação profissional em enfermagem
1343–1350. doi:10.1109/tcst.2011.2162412.
URL https://www.aacnnursing.org/Portals/42/AcademicNursing/
Ginestra, J., Giannini, H., Schweickert, W., Meadows, L., Lynch, M., Pavan, K.,
pdf/Essentials-2021.pdf
Chivers, C., Draugelis, M., Donnelly, P., Fuchs, B., Umsheid, C., 2019. Percepção do médico de um
Annapragada, AV, Donaruma-Kwoh, MM, Starosolski, ZA, 2021. Um processamento de linguagem natural
sistema de alerta precoce baseado em aprendizado de máquina projetado para prever
e abordagem de aprendizagem profunda para identificar abuso infantil a partir de registros médicos
sepse grave e choque séptico. Crítico. Cuidado Med. J. 47, 1477–1484. doi:10.1097/
eletrônicos pediátricos. PLoS Um 16 (2), e0247404. doi:10.1371/revista.
CCM.000000000003803.
coloca.0247404.
Grove, SK, 2017. Evolução da pesquisa na construção da prática de enfermagem baseada em evidências.
Arksey, H., O'Malley, L., 2005. Estudos de definição de escopo: rumo a uma estrutura metodológica.
In: Gray, JR, Grove, SK, Sutherland., S. (Eds.), Burns e Grove's the Practice of
Internacional J.Soc. Res. Método. 8, 19–32. doi:10.1080/1364557032000119616.
Pesquisa em Enfermagem. Elsevier, St. Louis, MO, pp.
Back, JS, Jin, Y., Jin, T., Lee, SM, 2016. Desenvolvimento e validação de um sistema automatizado
Guidi, G., Pollonini, L., Dacso, CC, Iadanza, E., 2015. Um sistema de monitoramento multicamadas para
sistema de avaliação de risco de sepse. Res. Enfermeira. Saúde 36 (5), 317–327. doi:10.1002/
apenas.21734. tratamento clínico de insuficiência cardíaca congestiva. BMC Med. Informar. De-cis. Mak. 15
(Suplemento 3), S5. doi:10.1186/1472-6947-15-S3-S5.
Barrera, A., Gee, C., Wood, A., Gibson, O., Bayley, D., Geddes, J., 2020. Apresentando
Habib, AR, Lin, AL, Grant, RW, 2021. O modelo épico de sepse fica aquém da importância da validação
inteligência artificial na internação psiquiátrica aguda: estudo qualitativo de sua
externa. Estagiário da JAMA. Med. doi:10.1001/jamainternmed.
usar para realizar observações de enfermagem. Evídio. Menção Baseada. Saúde. 23 (1), 34–38.
2021.3333, [Online antes da impressão].
doi:10.1136/ebmental-2019-300136.
Howarth, M., Bhatt, M., Benterud, E., Wolska, A., Minty, E., Choi, KY, Devrome, A.,
Bian, Y., Xiang, Y., Tong, B., Feng, B., Weng, X., 2020. Inteligência artificial assistida
Harrison, TG, Baylis, B., Dixon, E., Datta, I., Pannu, N., James, MT, 2020. Desenvolvimento e
sistema no acompanhamento pós-operatório de pacientes ortopédicos: estudo exploratório quantitativo
implementação inicial de suporte eletrônico à decisão clínica
e qualitativo. J. Med. Res. Internet. 22 (5), e16896. doi:10.2196/
16896. para reconhecimento e tratamento de lesão renal aguda adquirida em hospital. BMC
Med. Sem forma. Determinado. Mak. 20 (1), 287. doi:10.1186/s12911-020-01303-x.
Bonomi, S., 2016. O registo eletrónico de saúde: uma comparação de alguns
Hunter, J., Freer, Y., Gatt, A., Reiter, E., Sripada, S., Sykes, C., Westwater, D., 2011. BT-Nurse: geração
países. In: Harfouche, A., Ricciardi, F. (Eds.), Tecnologias de Informação e Comunicação nas
computacional de resumos de mudança de linguagem natural de complexos
Organizações e na Sociedade. Questões passadas, presentes e futuras.
dados médicos heterogêneos. Geléia. Med. Informar. Assoc. 18 (5), 621-624. faça:10.
Springer International Publishing, Suíça, pp.
1136/amajnl-2011-000193.
Bose, E., Maganti, S., Bowles, KH, Brueshoff, BL, Monsen, KA, 2019. Máquina
Hunter, J., Freer, Y., Gatt, A., Reiter, E., Sripada, S., Sykes, C., 2012. Geração automática de resumos de
métodos de aprendizagem para identificação de elementos críticos de dados na documentação de
turnos de enfermagem em linguagem natural em terapia intensiva neonatal: BT-Nurse . . . . Artifício.
enfermagem. Enfermeira. Res. 68 (1), 65–72. doi:10.1097/NNR.0000000000000315.
Intel. em Med. 56(3), 157–172. doi:10.1016/j.artmed.2012.09.002.
Bu, X., Lu, L., Zhang, Z., Zhang, Q., Zhu, Y., 2020. Um sistema geral de triagem ambulatorial
Hur, E., Jin, Y., Jin, T., Lee, S., 2019. Desenvolvimento e avaliação do automatizado
com base no gráfico dinâmico de causalidade incerta. Acesso IEEE 8 (1), 93249–93263.
sistema de avaliação de risco para infecção do trato urinário associada a cateter. Computação.
doi:10.1109/ACCESS.2020.2995087.
Informar. Enfermeira. 37, 463-472. doi:10.1097/cin.0000000000000506.
Buchanan, C., Howitt, ML, Wilson, R., Booth, RG, Risling, T., Bamford, M., 2020.
Hwang, YJ, Kim, GH, Sung, ES, Nam, KW, 2021. Técnica de vigilância de dígitos de painel independente
Influências previstas da inteligência artificial nos domínios da enfermagem: definição do escopo
de luz ambiente baseada em rede neural convolucional para bombas de infusão. Processo. Inst.
análise. JMIR Enfermagem 3 (1), e23939. doi:10.2196/23939.
Mecânico. Eng. H. 235 (5), 566–573. doi:10.1177/
Cabri, A., Bagley, B., Brown, K., 2020. Uso de visão computacional para identificar a frequência e magnitude
0954411921996090.
dos erros no preparo de seringas de insulina. J. Diabetes Ciência.
Im, EO, Cee, W., 2011. O DSCP-CA: um programa de computador de apoio à decisão - câncer
Técnico, 1932296820946099 doi:10.1177/1932296820946099.
manejo da dor. Computação. Informar. Enfermeira. 29 (5), 289–296. doi:10.1097/NCN.
Campbell, JP, Lee, AY, Abràmoff, M., Keane, PA, Ting, DSW, Lum, F., Chiang, MF,
0b013e3181f9dd23.
2020. Diretrizes para relatórios sobre inteligência artificial em pesquisa médica. Oftalmologia 127 (12),
Ivanov, O., Wolf, L., Brecher, D., Lewis, E., Masek, K., Montgomery, K., Andrieviev, Y.,
1596–1599. doi:10.1016/j.ophtha.2020.09.009.
McLaughlin, M., Liu, S., Dunne, R., Klauer, K., Reilly, C., 2021. Melhorando a atribuição de acuidade
Chen, IY, Pierson, E., Rose, S., Joshi, S., Ferryman, K., Ghassemi, M., 2021. Ético
do índice de gravidade de emergência ED usando aprendizado de máquina e processamento clínico
aprendizado de máquina na área da saúde. Anu. Rev. Biomédico. Ciência de Dados. 4 (1). doi:10.1146/
annurev-biodatasci-092820-114757. de linguagem natural . J. Emerg. Enfermeira. 47 (2), 265–278. doi:10.1016/j.jen.2020.
11.001.
Chu, ET, Huang, ZZ, 2020. DBOS: um sistema de consulta de objetos baseado em diálogo para hospitais
Jauk, S., Kramer, D., Avian, A., Berghold, A., Leodolter, W., Schulz, S., 2021. Aceitação tecnológica de um
enfermeiras. Sensores (Basileia) 20 (22), 6639. doi:10.3390/s20226639.
algoritmo de aprendizado de máquina que prevê delírio em um
Chun, X., Pan, L., Lin, Y., Ye, L., Liang, H., Tao, J., Luo, Y., 2021. Um modelo para prever resultados de
cenário clínico: um estudo de métodos mistos. J. Med. Sist. 45 (4), 48. doi:10.1007/
lesões por pressão em 7 dias em pacientes pediátricos: um aprendizado de máquina
s10916-021-01727-6.
abordagem. J. Adv. Enfermeira. 77 (3), 1304–1314. doi:10.1111/jan.14680.
Jindal, D., Gupta, P., Jha, D., Ajay, VS, Goenka, S., Jacob, P., Mehrotra, K., Perel, P.,
Cooper, PB, Hughes, BJ, Verghese, GM, Just, JS, Markham, AJ, 2021. Implementação de uma ferramenta
Nyong, J., Roy, A., Tandon, N., Prabhakaran, D., Patel, V., 2018. Desenvolvimento de
automatizada de triagem de sepse em um ambiente hospitalar comunitário. J.
mWellcare: uma intervenção mHealth para gestão integrada da hipertensão
Enfermeira Cuidado Qual. 36 (2), 132–136. doi:10.1097/NCQ.0000000000000501.
Machine Translated by Google
H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153 19
e diabetes em ambientes com poucos recursos. Globo. Ação de Saúde. 11 (1), 1517930. artroplastia: estudo observacional retrospectivo. JMIR Med. Informar. 8 (11) de novembro,
doi:10.1080/16549716.2018.1517930. e19761. doi:10.2196/19761.
Jung, H., Park, HA, Hwang, H., 2020. Melhorar a previsão do risco de queda usando dados de registros Morita, T., Taki, K., Fujimoto, M., Suwa, H., Arakawa, Y., Yasumoto, K., 2018. Reconhecimento espaço-tempo
eletrônicos de saúde com vários tipos e fontes em vários momentos. baseado em beacon para relatórios automáticos de cuidados diários para lares de idosos. (2018),
Computação. Informar. Enfermeira. 38 (3), 157–164. doi:10.1097/CIN.0000000000000561. 2625195 doi:10.1155/2018/2625195.
Kang, MJ, Jin, Y., Jin, T., Lee, SM, 2018. Sistema automatizado de avaliação de risco de erro de medicação Moskowitz, G., Egorova, NN, Hazan, A., Freeman, R., Reich, DL, Leipzig, RM, 2020.
(Auto-MERAS). J. Nurs. Cuidado Qual. 33 (1), 86–93. doi:10.1097/NCQ. Usando registros eletrônicos de saúde para melhorar as previsões de risco de queda em pacientes internados
000000000000266. configurações. Jt Com. J.Qual. Paciente Saf. 46 (4), 199–206. doi:10.1016/j.jcjq.2020.
Koleck, T., Tatonetti, N., Bakken, S., Mitha, S., Henderson, M., George, M., Mi-askowski, C., Smaldone, A., 01.009.
Topaz, M., 2021. Identificação informações sobre sintomas Mufti, HN, Hirsch, GM, Abidi, SR, Abidi, SSR, 2019. Explorando o aprendizado de máquina
em notas clínicas usando processamento de linguagem natural. Enfermeira. Res. 70 (3), 173-183. algoritmos e métodos para a predição de delirium agitado após cardiopatia
doi:10.1097/NNR.0000000000000488. cirurgia: desenvolvimento de modelos e estudo de validação. JMIR Med. Informar. 7 (4),
Korach, ZT, Yang, J, Rossetti, SC, Cato, KD, Kang, MJ, Knaplund, C, Schnock, KO, e14993. doi:10.2196/14993.
Garcia, JP, Jia, H., Schwartz, JM, Zhou, L., 2020. Mineração de frases clínicas de Munn, Z., Peters, MJD, Stern, C., Tufanaru, C., McArthur, A., Aromataris, E., 2018.
anotações de enfermagem para descobrir fatores de risco de deterioração do paciente. Internacional J. Revisão sistemática ou revisão de escopo? Orientação para os autores na escolha entre uma abordagem
Med. Informar. 135. doi:10.1016/j.ijmedinf.2019.104053. de revisão sistemática ou de escopo. BMC Med. Res. Método. 18
Krick, T., Huter, K., Seibert, K., Domhoff, D., Wolf-Ostermann, K., 2020. Medição (1), 143. doi:10.1186/s12874-018-0611-x.
a eficácia das tecnologias digitais de enfermagem: desenvolvimento de uma estrutura abrangente de Narang, A., Bae, R., Hong, H., Thomas, Y., Surette, S., Cadieu, C., Chaudhry, A., Martin, RP, McCarthy, PM,
resultados de tecnologia digital de enfermagem com base em uma revisão de escopo. Rubenson, DS, Goldstein , S., Pequeno, SH, Lang, RM,
BMC Health Serv Res 20 (1), 243. doi:10.1186/s12913-020-05106-8. Weissman, NJ, Thomas, JD, 2021. Utilidade de um algoritmo de aprendizagem profunda para orientar
Ladios-Martin, M., Fernández-de-Maya, J., Ballesta-López, FJ, Belso-Garzas, A., Mas-Asencio, M., Cabañero- novatos para adquirir ecocardiogramas para uso diagnóstico limitado. JAMA Cardiol.
Martínez, MJ, 2020. Modelagem preditiva de pressão em- risco de júri em pacientes internados em doi:10.1001/jamacardio.2021.018.
unidade de terapia intensiva. Sou J. Crit. Cuidado 29 (4), North, F., Richards, D., Bremseth, K., Lee, M., Cox, D., Varkey, P., Stroebel, R.,
e70–e80. doi:10.4037/ajcc2020237. 2014. O apoio à decisão clínica melhora a qualidade da documentação da triagem telefônica - uma
Lee, HC, Lin, JS, 2020. Um sistema de sensor vestível de código aberto para detectar extravasamento de análise da documentação da triagem antes e depois da informatização
infusão intravenosa. IEEE Trans. Instrumento. Medidas. 70, 1–11. faça:10. apoio à decisão clínica. BMC Med. Informar. Decis. Mak. 14 (20). doi:10.1186/
1109/TIM.2020.3025394. 1472-6947-14-20.
Levac, D., Colquhoun, H., O'Brien, KK, 2010. Estudos de escopo: avançando o Nuutinen, M., Leskelä, R., Torkki, P., Suojalehto, E., Tirronen, A., Komssi, V., 2020.
metodologia. Implemento. Ciência. 5 (69), 1–9. doi:10.1186/1748-5908-5-69. Desenvolvimento e validação de modelos para previsão de admissão em lares de idosos usando
Li, D., Mathews, C., 2017. Medição automatizada de lesão por pressão por meio de imagem apenas dados do instrumento RAI-HC. Informar. Sociedade de Saúde. Cuidados 45 (3), 292–308. faça:10.
em processamento. J. Clin. Enfermeira. 26 (21–22), 3564–3575. doi:10.1111/jocn.13726. 1080/17538157.2019.1656212.
Liao, PH, Hsu, PT, Chu, W., Chu, WC, 2015. Aplicando tecnologia de inteligência artificial para apoiar a tomada Oh, SH, Park, EJ, Jin, Y., Piao, J., Lee, SM, 2014. Previsão automática de delirium
de decisão em enfermagem: um estudo de caso em Taiwan. Saúde sistema em uma unidade de terapia intensiva cirúrgica coreana. Enfermeira. Crítico. Cuidado. 19 (6), 281–
Informática J. 22, 137–148. doi:10.1177/1460458213509806. 291.doi :10.1111/nicc.12048.
Lin, H., Hsu, YL, Hsu, MS, Cheng, CM, 2014. Desenvolvimento de um sistema de apoio à decisão de Ongenae, F., Claeys, M., Kerckhove, W., Dupont, T., Verhoeve, P., De Turck, F., 2014.
telessaúde para pacientes que recebem alta hospitalar. Telemed. J. E. Um sistema de chamada de enfermeira com autoaprendizagem. Computação. Biol. Med. 44, 110–123. doi:10.1016/
Saúde 20 (8), 748–756. doi:10.1089/tmj.2013.0261. j.compbiomed.2013.10.014.
Liu, H., Hu, QV, He, L., 2018. Personalização baseada em termos para seleção de recursos em Özcanhan, MH, Utku, S., Unluturk, MS, 2020. Sistema de prevenção de quedas adaptativo ao paciente apoiado
preenchimento automático do formulário de transferência clínica. Trad. Computação. Biol. Bioinformato. 14 (4), por rede neural. Computação Neural. Aplicar. 32, 9369–9382. faça:10.
1219–1230. doi:10.1109/TCBB.2018.2874237. 1007/s00521-019-04451-y.
Long, J., Yuan, MJ, Poonawala, R., 2016. Um estudo observacional para avaliar a capacidade de utilização e Parisi, L., RaviChandran, N., Manaog, M., 2018. Sistema de apoio à decisão para melhorar
a intenção de adotar uma ferramenta de reconciliação de medicamentos alimentada por inteligência alta pós-operatória: uma nova abordagem de classificação multiclasse. Sabe.
artificial, interact. J. Med. Res. 5(2),e14. doi:10.2196/ijmr.5462. Sistema Baseado 152, 1–10. doi:10.1016/j.knosys.2018.03.033.
Lopes, MH, Ortega, NR, Silveira, PS, Massad, E., Higa, R., Hde, F.Marin, 2013. Fuzzy Parthasarathy, R., Steinbach, T., Knight, J., Knight, L., 2018. Estrutura para melhorar
mapa cognitivo no diagnóstico diferencial de alterações na eliminação urinária: uma uso do EMR pelos enfermeiros. Hospital. Principal. 96 (3), 85–93. doi:10.1080/00185868.2018.
abordagem de enfermagem. Internacional J Med. Informar. 82 (3), 201–208. doi:10.1016/j.ijmedinf. 1488545.
2012.05.012. Peirce, AG, Elie, S., George, A., Gold, M., O'Hara, K., Rose-Facey, W., 2020. Desenvolvimento de
Luo, Q., Huang, X., Li, L., Ding, Y., Mi, G., Robbins Scott, S., Zhao, Y., Rou, K., conhecimento, tecnologia e questões de ética em enfermagem. Enfermeira. Ética 27
He, N., Wu, H., Wu, Z., 2019. Validação externa de uma ferramenta de previsão para estimar o risco de (1), 77–87. doi:10.1177/0969733019840752.
infecção pelo vírus da imunodeficiência humana entre homens que Rababah, JA, Al-Hammouri, MM, Ta'an, WF, 2021. Um estudo da relação entre a experiência dos enfermeiros,
fazer sexo com homens. Medicina (Baltimore) 98 (29), e16375. doi:10.1097/MD. o empoderamento estrutural e as atitudes em relação ao uso do computador. Internacional J. Nurs.
0000000000016375. Ciência. 8, 439–443. doi:10.1016/j.ijnss.2021.09.007.
Mairittha, T., Mairittha, N., Inoue, S., 2019. Avaliando um sistema de diálogo falado para Rantz, MJ, Banerjee, T, Cattoor, E, Scott, SD, Skubic, M, Popescu, M.
sistemas de registro de cuidados de enfermagem. Sensores (Basileia) 19 (17), 3736. doi:10.3390/ 2014. Detecção automatizada de quedas com “retrocesso” de melhoria de qualidade para reduzir quedas
s19173736. em quartos de hospital. J. Gerontol. Enfermeira. 40 (1), 13–17. doi:10.3928/
Maitre, J., Bouchard, K., Gaboury, S., 2020. Detecção de queda com radares UWB e arquitetura CNN-LSTM. 00989134-20131126-01.
IEEE J. Biomédica. Informação de Saúde. 25 (4), 1273–1283. faça:10. Robert, N., 2019. Como a inteligência artificial está mudando a enfermagem. Enfermeira. Gerenciar. 50
1109/JBHI.2020.3027967. (9), 30–39. doi:10.1097/01.NUMA.0000578988.56622.21.
Martins, L.C.G., Lopes, M.V.O., Guedes, N.G., Menezes, A.P., Farias, O.O., Santos, N., Romero-Brufau, S., Whitford, D., Johnson, MG, Hickman, J., Morlan, BW, Th-erneau, T., Naessens, J.,
2016. Árvore de classificação para avaliação do sedentarismo entre hipertensos. Investir. Educ. Enferm. Huddleston, JM, 2021. Usando aprendizado de máquina para melhorar a precisão das previsões de
34 (1), 113-119. doi:10.17533/udea.iee.v34n1a13. deterioração do paciente: mayo Clinic Early Warning Score (MC-EWS). Geléia. Med. Informar. Assoc.
Marukami, T., Tani, S., Matsuda, A., Takemoto, K., Shindo, A., Inada, H., 2012. Um básico ocaa347. doi:10.1093/jamia/
estudo sobre aplicação de entrada de reconhecimento de voz em um prontuário eletrônico de enfermagem ocaa347.
sistema - avaliação da função como interface de entrada. J. Med. Sist. 36, 1053– Ronquillo, CE, Peltonen, LM, Pruinelli, L., Chu, CH, Bakken, S., Beduschi, A.,
1058. doi:10.1007/s10916-010-9567-z. Cato, K., Hardiker, N., Junger, A., Michalowski, M., Nyrup, R., Eng, SR, Reed, DN,
Matheny, M., Israni, ST, Whicher, D., Ahmed, M., 2019. Capítulo 1. Inteligência artificial nos cuidados de saúde: Salakoski, T., Salanterä, S., Walton, N., Weber, P., Wiegand, T., Topaz, M., 2021.
a esperança, o hype, a promessa, o perigo. In: Matheny, M., Inteligência artificial em enfermagem: prioridades e oportunidades de um grupo de reflexão internacional
Israni, ST, Ahmed, M., Whicher, D. (Eds.), Inteligência artificial em cuidados de saúde. por convite da liderança em enfermagem e inteligência artificial
A esperança, o hype, a promessa, o perigo. Uma publicação especial da Academia Nacional de Medicina. colaborativo. J. Adv. Enfermeira. doi:10.1111/jan.14855, [Epub antes da impressão].
Academia Nacional de Medicina, pp. Ryan, SA, 1985. Um sistema especialista para a prática de enfermagem. Apoio à decisão clínica. J.
McGrow, K., 2019. Inteligência artificial. Fundamentos para enfermagem. Enfermagem 46 (9), 46– Com. Sist. 9 (1–2), 29–41. doi:10.1007/BF00992520.
49. doi:10.1097/01.ENFERMEIRA.0000577716.57052.8d. Safavi, KC, Khaniyev, T, Copenhaver, M, Seelen, M, Zenteno Langle, AC, Zanger, J.
Minvielle, L., Audiffren, J., 2019. NurseNet: monitorando os níveis de atividade dos idosos com Daily, B., Levi, R., Dunn, P., 2019. Desenvolvimento e validação de uma máquina
um piso piezoelétrico. Sensores (Basiléia), 19 (18), 3851. doi:10.3390/s19183851. modelo de aprendizagem para auxiliar processos de alta para atendimento cirúrgico de pacientes internados. JAMA
Moen, H., Hakala, K., Peltonen, LM, Matinolli, HM, Suhonen, H., Terho, K., Rede. Abrir. 2 (12), e1917221. doi:10.1001/jamanetworkopen.2019.17221.
Danielsson-Ojala, R., Valta, M., Ginter, F., Salakoski, T., Salanterä, S., 2020a. Auxiliar o enfermeiro na Sandhu, S., Lin, AL, Brajer, N., Sperling, J., Ratliff, W., Bedoya, AD, Balu, S.,.
documentação assistencial: a partir da classificação automatizada de sentenças O'Brien, C., Sendak, MP, 2020. Integrando um sistema de aprendizado de máquina em
para estruturas de documentos coerentes com títulos de assunto. J. Biomédica. Semântica fluxos de trabalho clínicos: estudo qualitativo. J. Med. Res. Internet. 22 (11), e22421.
11 (1), 10–17. doi:10.1186/s13326-020-00229-7. doi:10.2196/22421.
Moen, H., Hakala, K., Peltonen, LM, Suhonen, H., Ginter, F., Salakoski, T., Setoguchi, Y., Ghaibeh, AA, Mitani, K., Abe, Y., Hashimoto, I., Moriguchi, H., 2016.
Salanterä, S., 2020b. Apoiando o uso de terminologias de enfermagem padronizadas com previsão Previsibilidade das úlceras por pressão com base na duração da operação, atividade de transferência,
automática de títulos de assuntos: uma comparação de métodos de classificação de texto em nível de e índice de massa corporal através do uso de uma árvore de decisão alternada. J. Med.
frase. Geléia. Med. Informar. Assoc. 27 (1), 81–88. Investir. 63 (3–4), 248–255. doi:10.2152/jmi.63.248.
doi:10.1093/jamia/ocz150. Shu, F., Shu, J., 2021. Um sistema de detecção de queda de oito câmeras usando padrão de queda humana
Mohammadi, R., Jain, S., Namin, AT, Scholem Heller, M., Palacholla, R., Kamarthi, S., reconhecimento via aprendizado de máquina por uma caixa Android de baixo custo. Ciência. Rep. 11 (1),
Wallace, B., 2020. Predição de readmissões não planejadas após lesão no quadril ou joelho 2471.doi :10.1038/s41598-021-81115-9.
Machine Translated by Google
20 H. von Gerich, H. Moen, LJ Block et al. / Revista Internacional de Estudos de Enfermagem 127 (2022) 104153
Sikka, K., Ahmed, A., Diaz, D., Goodwin, M., Craig, K., Bartlett, M., Huang, J., 2012. Topázio, M., Murga, L., Gaddis, KM, McDonald, MV, Bar-Bachar, O., Goldberg, Y.,.
Avaliação automatizada da dor pós-operatória em crianças usando visão computacional. Bowles, KH, Bowles, K., 2019b. Mineração de informações relacionadas à queda em notas clínicas:
Pediatria 136 (1), e124–e131. doi:10.1542/peds.2015-0029. comparação de aprendizado de máquina baseado em regras e em novas palavras baseadas em incorporação
Singh, K., Valley, TS, Tang, S., Li, BY, Kamran, F., Sjoding, MW, Wiens, J., Otles, E., abordagens. J. Biomédica. Informar. 90, 103103. doi:10.1016/j.jbi.2019.103103.
Donnelly, JP, Wei, MY, McBride, JP, Cao, J., Penoza, C., Ayanian, JZ, Nal-lamothu, BK, 2021. Tran, BX, Vu, GT, Ha, GH, Vuong, QH, Ho, MT, Vuong, TT, La, VP,
Avaliando uma deterioração proprietária amplamente implementada Ho, MT, Nghiem, KCP, Nguyen, HLT, Latkin, CA, Tam, WWS, Cheung, NM,
modelo de índice entre pacientes hospitalizados com COVID-19. Ann Am Thorac Sociedade Nguyen, HKT, Ho, CSH, Ho, RCM, 2019. Evolução global da pesquisa em inteligência artificial em
18 (7), 1129–1137. doi:10.1513/AnaisATS.202006-698OC. saúde e medicina: um estudo bibliométrico. J Clin Med 8 (3),
Singh, VK, Shrivastava, U., Bouayad, L., Padmanabhan, B., Ialynytchev, A., 360. doi:10.3390/jcm8030360.
Schultz, SK, 2018. Aprendizado de máquina para triagem de pacientes psiquiátricos: uma investigação Tricco, AC, Lillie, E., Zarin, W., O'Brien, KK, Colquhoun, H., Levac, D., Moher, D., Peters, MDJ, Horsley, T.,
de classificadores em cascata. Geléia. Med. Informar. Assoc. 25 (11), 1481–1487. Weeks, L. , Hempel, S., Akl, EA, Chang, C., McGowan, J.,
doi:10.1093/jamia/ocy109. Stewart, L., Hartling, L., Aldcroft, A., Wilson, MG, Garritty, C., Lewin, S., God-frey, CM, Macdonald,
Sitompul, D., Randhawa, SU, 1990. Modelos de agendamento de enfermagem: uma revisão do estado da MT, Langlois, EV, Soares-Weiser, K., Moriarty, J., Clif-ford, T., Tunçalp, Ö., Straus, SE, 2018. Extensão
arte. J.Soc. Sistema de Saúde. 2 (1), 62–72. PRISMA para revisões de escopo
Skubic, M., Guevara, RD, Rantz, M., 2015. Alertas de saúde automatizados usando uso doméstico (PRISMA-ScR): lista de verificação e explicação. Ana. Estagiário. Med. 169 (7), 467-473.
dados de sensores para avaliação de saúde incorporada. IEEE J. Trad. Eng. Saúde Med. 3, doi:10.7326/M18-0850.
1–11. doi:10.1109/JTEHM.2015.2421499. Unger, M., Black, D., Fischer, NM, Neumuth, T., Glaser, B., 2019. Projeto e avaliação de um sistema de
Song, W., Kang, MJ, Zhang, L., Jung, W., Song, J., Bates, DW, Dykes, PC, 2021. suporte de rastreamento ocular para o instrumentador. MRCAS 15 (1).
Predição de lesão por pressão utilizando fenótipos de avaliação de enfermagem e máquina doi:10.1002/rcs.1954.
métodos de aprendizagem. Geléia. Med. Informar. Assoc. 28 (4), 759–765. doi:10.1093/ Vedanthan, R., Blank, E., Tuikong, N., Kamano, J., Misoi, L., Tulienge, D., Hutchin-son, C., Ascheim, DD,
jamia/ocaa336. Kimaiyo, S., Fuster, V. , Were, MC, 2015. Usabilidade e viabilidade de uma ferramenta de suporte à
Soufi, M., Samad-Soltani, T., Vahdati, S., Hachesu, P., 2018. Sistema de Apoio à Decisão decisão e manutenção integrada de registros (DE-SIRE) baseada em tablet no gerenciamento de
para gerenciamento de triagem: uma abordagem híbrida usando raciocínio baseado em regras e fuzzy enfermagem da hipertensão na zona rural do oeste do Quênia.
lógica. Internacional J. Med.l Informar. 114, 35–44. doi:10.1016/j.ijmedinf.2018.03.008. Internacional J. Med. Informar. 84 (3), 207–219. doi:10.1016/j.ijmedinf.2014.12.005.
Staggers, N., Gassert, C., Curran, C., 2002. Um estudo Delphi para determinar a informática Wang, Y., Jiang, X., Yu, K., Shi, F., Qin, L., Zhou, H., Cai, F., 2021. Térmico infravermelho
competências para enfermeiros em quatro níveis de prática. Enfermeira. Res. 51 (6), 383–390. classificação de imagens para prevenção de lesão por pressão, incorporando as redes neurais
doi:10.1097/00006199-200211000-00006. convolucionais. Acesso IEEE 9, 15181–15190. doi:10.1109/ACCESS.2021.
Steurbaut, K., Latré, S., Decruyenaere, J., De Turck, F., 2013. Plataforma de cuidado autônomo 3051095.
para otimizar o desempenho da consulta. BMC Med. Informar. Decis Mak. 13 (1), 120. Wang, L., Pedersen, PC, Strong, DM, Tulu, B., Agu, E., Ignotz, R., 2015. Sistema de avaliação de feridas
doi:10.1186/1472-6947-13-120. baseado em smartphone para pacientes com diabetes. IEEE Trans.
Stokes, F., Palmer, A., 2020. Inteligência artificial e robótica em enfermagem: ética da Biomed.l Eng. 62 (2), 477–488. doi:10.1109/TBME.2014.2358632.
cuidar como um guia para dividir tarefas entre IA e humanos. Enfermeira. Filós. 21 (4), Wang, S., Zhang, Q., Huang, W., Tian, H., Hu, J., Cheng, Y., Peng, YA, 2018. A
e12306. doi:10.1111/nup.12306. novo sistema móvel inteligente para gerenciamento de tratamento de feridas crônicas. Acesso IEEE 6,
Su, BY, Enayati, M., Skubic, M., Despins, L., Keller, J., Popescu, M., Guidoboni, G., 52355–52365. doi:10.1109/ACCESS.2018.2864264.
Rantz, M., 2019. Monitoramento da pressão arterial relativa usando uma cama hidráulica Wellner, B., Grand, J., Canzone, E., Coarr, M., Brady, PW, Simmons, J., Kirkendall, E.,
sistema de sensores. IEEE Trans. Biomédica. Eng. 66 (3), 740–748. doi:10.1109/TBME. Dean, N., Kleinman, M., Sylvester, P., 2017. Prever transferências não planejadas para o
2018.2855639. unidade de terapia intensiva: uma abordagem de aprendizado de máquina que aproveita diversos
Subramaniam, SD, Dass, B., 2021. Avaliação automatizada da dor nociceptiva usando elementos clínicos. JMIR Med. Informar. 5 (4), e45. doi:10.2196/medinform.8680.
sinais fisiológicos e uma rede híbrida de aprendizagem profunda. IEEE Sens. J. 21 (3), Wong, A., Young, A., Liang, A., Gonzales, R., Douglas, V., Hadley, D., 2018. Desenvolvimento e validação
3335–3343. doi:10.1109/JSEN.2020.3023656. de um modelo de aprendizado de máquina baseado em registros eletrônicos de saúde para estimar o
Sullivan, SS, Hewner, S., Chandola, V., Westra, BL, 2019. Risco de mortalidade em idosos domiciliares risco de delirium em pacientes recentemente hospitalizados sem
previsto a partir de dados de enfermagem coletados rotineiramente. Enfermeira. Res. comprometimento cognitivo conhecido. Rede JAMA. Abra 1 (4), e181018. doi:10.1001/
68 (2), 156-166. doi:10.1097/NNR.0000000000000328. jamanetworkopen.2018.1018.
Suominen, H., Johnson, M., Zhou, M., Sanchez, P., Sirel, R., Basilakis, J., Hanlen, L., Wong, A., Otles, E., Donnelly, JP, Krumm, A., McCullough, J., DeTroyer-Cooley, O.,
Estival, D., Dawson, L., Kelly, B., 2015. Captura de informações do paciente nas mudanças de turno Pestrue, J., Phillips, M., Konye, J., Penoza, C., Ghous, M., Singh, K., 2021. Validação externa de um
de enfermagem: avaliação metodológica do reconhecimento de fala e extração de informações. modelo proprietário de previsão de sepse amplamente implementado em
Geléia. Med. Informar. Assoc. 22, 48–66. doi:10.1136/ pacientes hospitalizados. Estagiário da JAMA. Med. doi:10.1001/jamainternmed.2021.2626,
amajnl-2014-002868. [publicado on-line].
Tang, V., Siu, P., Choy, K., Lam, Y., Ho, G., Lee, C., Tsang, Y., 2019. Uma clínica adaptativa Wojtusiak, J., Asadzadehzanjani, N., Levy, C., Alemi, F., Williams, AE, 2021. Índice de Barthel computacional:
sistema de apoio à decisão para atendimento de idosos com doenças crônicas no setor de saúde. uma ferramenta automatizada para avaliar e prever atividades
Sistema especialista 36 (2), E12369. doi:10.1111/exsy.12369. da vida diária entre pacientes de lares de idosos. BMC Med. Informar. Decis. Mak. 21
Tateno, S., Meng, F., Qian, R., Hachiya, Y., 2020. Método de detecção de queda com privacidade (1), 17. doi:10.1186/s12911-020-01368-8.
preservada com rede neural convolucional tridimensional usando sensor infravermelho de baixa Yokota, S., Endo, M., Ohe, K., 2017. Estabelecer um sistema de classificação para alto risco de queda
resolução. Sensores (Basileia) 20 (20), 5957. doi:10.3390/ entre pacientes internados usando máquinas de vetores de suporte. Computação. Informar. Enfermeira. 35
s20205957. (8), 408–416. doi:10.1097/CIN.0000000000000332.
Topaz, M., Lai, K., Dowding, D., Lei, VJ, Zisberg, A., Bowles, KH, Zhou, L., 2016. Identificação automatizada Yu, JY, Jeong, GY, Jeong, OS, Chang, DK, Cha, WC, 2020. Aprendizado de máquina
de informações de feridas em anotações clínicas de pacientes com e sistema de triagem baseado na avaliação inicial de enfermagem para pronto-socorro.
doenças cardíacas: desenvolvendo e validando uma aplicação de processamento de linguagem Saúde. Informar. Res. 26 (1), 13–19. doi:10.4258/hir.2020.26.1.13.
natural. Internacional J. Nurs. Viga. 64 (2016), 25–31. doi:10.1016/j.ijnurstu.2016.09.013. Zachariah, E.Sanabria, Liu, J., Cohen, B., Yao, D., Larson, E., 2020. Novas estratégias
Topázio, M., Ronco, C., Peltonen, LM, Pruinelli, L., Vinha, RF, Texugo, MK. para prever infecções associadas aos cuidados de saúde na admissão. Enfermeira. Res. 69 (5),
Ali, S., Lewis, A., Georgsson, M., Jeon, E., Tayaben, JL, Kuo, CH, Islam, T., So-mer, J., Jung, H., Eler, 399-403. doi:10.1097/NNR.0000000000000449.
GJ, Alhuwail , D., Lee, YL, 2017. Enfermeiros informáticos relatam baixa satisfação e preocupações Zamzmi, G., Chih-Yun, P., Goldgof, D., Kasturi, R., Ashmeade, T., Sun, Y., 2019. Uma avaliação abrangente
em vários níveis com registros eletrônicos de saúde: e sensível ao contexto da dor neonatal usando visão computacional . IEEE Trans. Afeto. Computação.
resultados de uma pesquisa internacional. AMIA Annu. Simp. Processo. 2016, 2016–2025. 1 (1), 1. doi:10.1109/TAFFC.2019.2926710.
https://www-ncbi-nlm-nih-gov.ezproxy.utu.fi/pmc/articles/PMC5333337/. Zhou, Y., Li, Z., Li, Y., 2021. Colaboração interdisciplinar entre enfermagem e
Topaz, M., Murga, L., Bar-Bachar, O., McDonald, M., Bowles, K., 2019a. Mineiro ágil: engenharia em saúde: uma revisão de escopo. Internacional J. Nurs. Viga. 117, 103900.
um sistema de processamento de linguagem natural sensível à enfermagem de código aberto baseado em doi:10.1016/j.ijnurstu.2021.103900.
incorporação de palavras. Computação. Informar. Enfermeira. 37 (11), 583–590. doi:10.1097/CIN.
000000000000557.