📄 medicine

Factors Influencing Clinical Nurses’ Intention to Use and Actual Use of Generative Artificial Intelligence in China: A Multicentre Cross-sectional Study

Diese multizentrische Querschnittsstudie unter 1.921 Pflegekräften in China zeigt, dass deren Absicht zur Nutzung sowie die tatsächliche Anwendung generativer künstlicher Intelligenz signifikant durch wahrgenutzten Nutzen, wahrgenommenen Nutzen, Benutzerfreundlichkeit, sozialen Einfluss und Vertrauen vorangetrieben, jedoch durch wahrgenommene Risiken gehemmt werden, was die Notwendigkeit von Strategien unterstreicht, die den Wert steigern und Sicherheitsbedenken adressieren, um die Integration von KI in die Pflegepraxis zu erleichtern.

Ursprüngliche Autoren: Xiaoyan Gong, Lili Wu, Shan Li, Rongping Cha, Yijing Weng, Yeru Xia, Yunxia Shen, Jingbang Liu

Veröffentlicht 2026-06-25

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Xiaoyan Gong, Lili Wu, Shan Li, Rongping Cha, Yijing Weng, Yeru Xia, Yunxia Shen, Jingbang Liu

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine Krankenhausstation wie eine geschäftige Küche vor. Seit Jahren haben die Köche (die Pflegekräfte) mit traditionellen Werkzeugen gekocht. Nun ist ein neuer, superintelligenter Roboter-Assistent (Generative KI) angekommen, der verspricht, Gemüse zu schneiden, Rezepte zu schreiben und sogar neue Gerichte vorzuschlagen. Aber bevor die Köche beginnen, diesen Roboter zu benutzen, müssen sie entscheiden: Ist er tatsächlich hilfreich? Ist er einfach zu bedienen? Kann ich darauf vertrauen, dass er das Essen nicht anbrennt? Und darf ich ihn überhaupt benutzen?

Diese Studie ist wie eine riesige Umfrage, die an fast 2.000 Köche in chinesischen Krankenhäusern gesendet wurde, um genau diese Fragen zu beantworten. Die Forscher wollten wissen, was eine Pflegekraft dazu bringt, „Ja, ich werde diese KI nutzen“ zu sagen, und was sie tatsächlich davon abhält, sie zu verwenden.

Hier ist das, was sie herausgefunden haben, aufgeschlüsselt in einfache Konzepte:

Die Hauptzutaten für die Akzeptanz

Die Forscher verwendeten ein beliebtes Rezept zum Verständnis neuer Technologien namens UTAUT (Unified Theory of Acceptance and Use of Technology). Denken Sie an dies als eine Checkliste dafür, ob jemand ein neues Gadget ausprobieren wird. Sie fügten einige zusätzliche Zutaten hinzu, die spezifisch für KI sind: Vertrauen (Trust) und Risiko (Risk).

Hier sind die vier Hauptdinge, die Pflegekräfte dazu brachten, die KI nutzen zu wollen:

Der „Hilft es mir?“-Faktor (Performance Expectity / Leistungserwartung):
- Die Analogie: Wenn der Roboter Zwiebeln in 2 Sekunden statt in 2 Minuten schneiden kann, ist der Koch glücklich.
- Das Ergebnis: Dies war der wichtigste Grund, warum Pflegekräfte die KI nutzen wollten. Wenn sie glaubten, dass das Werkzeug ihre Arbeit tatsächlich einfacher oder besser machen würde, waren sie viel eher bereit, es auszuprobieren.
Der „Ist es schwer zu lernen?“-Faktor (Effort Expectancy / Aufwandserwartung):
- Die Analogie: Wenn der Roboter eine komplizierte Fernbedienung mit 50 Knöpfen hat, wird der Koch ihn nicht anfassen. Wenn er nur einen „Start“-Knopf hat, wird er es.
- Das Ergebnis: Pflegekräfte wollten wissen, dass das Werkzeug einfach zu bedienen ist. Wenn es sich einfach und intuitiv anfühlte, waren sie eher bereit, es einzuführen.
Der „Kann ich ihm vertrauen?“-Faktor (Technology Trust / Technologietrauen):
- Die Analogie: Würden Sie einen Roboter das Essen Ihres Babys kochen lassen, wenn Sie nicht sicher wären, ob er kein Gift hinzufügt?
- Das Ergebnis: Pflegekräfte mussten glauben, dass die KI zuverlässig und sicher ist. Wenn sie dachten, dass die KI Fakten erfindet (Halluzinationen) oder falsche medizinische Ratschläge gibt, zögerten sie.
Der „Was denken andere darüber?“-Faktor (Social Influence / Sozialer Einfluss):
- Die Analogie: Wenn der Chefkoch und das gesamte Küchenteam von dem neuen Roboter schwärmen, ist die Wahrscheinlichkeit höher, dass Sie ihn auch ausprobieren.
- Das Ergebnis: Wenn Kollegen und Vorgesetzte die Nutzung von KI förderten, waren Pflegekräfte eher bereit, diesem Beispiel zu folgen, obwohl dies weniger wichtig war als Nützlichkeit oder Benutzerfreundlichkeit.

Das „Stoppschild“

Es gab einen wesentlichen Faktor, der wie eine Bremse wirkte: Wahrgenommenes Risiko (Perceived Risk).

Die Analogie: Wenn der Koch glaubt, dass der Roboter Daten leaken, Geheimnisse stehlen oder einen Patienten verletzen könnte, wird er ihn nicht benutzen, egal wie schnell er ist.
Das Ergebnis: Die Angst vor Fehlern, Datenschutzverletzungen oder ethischen Problemen senkte die Nutzungsabsicht erheblich.

Der „Schub“ vom Küchenmanager

Selbst wenn eine Pflegekraft die KI nutzen wollte, konnte sie dies nicht ohne die richtigen Werkzeuge tun.

Das Ergebnis: Erleichternde Bedingungen (Facilitating Conditions – also über die richtigen Computer, Internet und Schulungen zu verfügen) waren entscheidend. Man kann das beste Rezept haben, aber wenn man keinen Herd hat, kann man nicht kochen.

Wer nutzt es anders?

Die Studie bemerkte, dass verschiedene Gruppen von Pflegekräften unterschiedlich reagierten, wie verschiedene Arten von Köchen:

Männer vs. Frauen:
- Frauen schienen mehr darauf zu achten, ob das Werkzeug nützlich war und was ihre Kollegen darüber dachten.
- Männer (obwohl es weniger von ihnen in der Studie gab) schienen mehr darauf zu achten, ob sie der Maschine vertrauen konnten.
Jung vs. Alt:
- Jüngere Pflegekräfte (20–30er Jahre) wurden davon angetrieben, wie nützlich und einfach das Werkzeug war.
- Ältere Pflegekräfte (41+) waren viel sensibler gegenüber dem Risiko. Je älter sie wurden, desto größer wurde die Angst, einen Fehler zu machen oder dass das Werkzeug unsicher sei. Interessanterweise vertrauten ältere Pflegekräfte der Technologie weniger als die jüngeren.
Bereitwillig vs. Unwillig:
- Pflegekräfte, die bereits bereit waren, KI zu nutzen, reagierten auf alle üblichen Faktoren (Nützlichkeit, Einfachheit, Vertrauen).
- Pflegekräfte, die unwillig oder neutral waren, kümmerten sich überhaupt nicht um Nützlichkeit oder Vertrauen. Für sie zählte nur, ob sie zur Nutzung gezwungen wurden oder ob das System die Nutzung unmöglich machte.

Das Fazit

Die Studie kommt zu dem Schluss, dass Krankenhäuser drei Dinge tun müssen, damit KI zu einem regulären Bestandteil des Arbeitsalltags einer Pflegekraft wird:

Den Wert aufzeigen: Beweisen, dass es tatsächlich Zeit spart und den Patienten hilft.
Vertrauen aufbauen: Sicherstellen, dass die KI sicher, zuverlässig und erklärbar ist.
Die Angst managen: Bedenken hinsichtlich der Privatsphäre und von Fehlern direkt adressieren.

Die Forscher merkten auch an, dass sie die Pflegekräfte nur einmal gefragt haben (eine „Momentaufnahme“), sie also nicht mit Sicherheit sagen können, dass diese Faktoren die Nutzung verursachen, sondern nur, dass sie stark mit ihr verknüpft sind. Sie schlagen vor, dass zukünftige Studien die Pflegekräfte über einen längeren Zeitraum beobachten sollten, um zu sehen, wie sich diese Gefühle verändern.

Kurz gesagt: Pflegekräfte sind bereit, KI zu nutzen, aber nur, wenn sie hilfreich, einfach, sicher ist und wenn sie das Gefühl haben, dass ihr Krankenhaus sie bei der Anwendung unterstützt.

Technisches Resümee: Faktoren, die die Intention und das tatsächliche Nutzungsverhalten von klinischem Pflegepersonal hinsichtlich der Verwendung von generativer Künstlicher Intelligenz in China beeinflussen

Problemstellung
Obwohl generative Künstliche Intelligenz (GenAI) ein transformatives Potenzial für die Pflegepraxis besitzt – das von der Automatisierung der Dokumentation bis hin zur klinischen Entscheidungsunterstützung reicht – ist die empirische Evidenz bezüglich der spezifischen Faktoren, die die Einführung bei klinischem Pflegepersonal vorantreiben, begrenzt. Die bestehende Literatur befasst sich häufig mit der KI-Adoption in allgemeinen Gesundheitskontexten oder gemischten Populationen und versäumt es, die einzigartigen beruflichen Merkmale von Pflegekräften zu berücksichtigen, die die größte Gruppe der Fachkräfte im Gesundheitswesen darstellen. Darüber hinaus bringt die Integration von GenAI spezifische Herausforderungen mit sich, wie etwa das Risiko von Informationshalluzinationen, Bias und ethischen Bedenken, welche die Akzeptanz durch die Nutzer im Vergleich zu traditionellen Technologien anders beeinflussen können. Es besteht ein kritischer Bedarf, die Determinanten sowohl der Verhaltensintention als auch des tatsächlichen Nutzungsverhaltens bei klinischem Pflegepersonal zu verstehen, um eine erfolgreiche Implementierung zu erleichlegen.

Methodik
Diese Studie verwendete ein multizentrisches Querschnittsdesign, das zwischen Juli und August 2025 in China durchgeführt wurde.

Teilnehmer: Es wurden insgesamt 1.921 gültige Antworten von registrierten Pflegekräften aus verschiedenen Gesundheitseinrichtungen mittels Convenience Sampling erhoben.
Theoretischer Rahmen: Die Forschung nutzte ein erweitertes Modell der Unified Theory of Acceptance and Use of Technology (UTAUT). Die ursprünglichen UTAUT-Konstrukte (Leistungserwartung, Aufwandserwartung, Sozialer Einfluss und Unterstützende Bedingungen) wurden um Technologievertrauen und Wahrgenommenes Risiko ergänzt, um den spezifischen Kontext von GenAI in der Pflege besser abzubilden.
Instrument: Ein strukturierter Fragebogen wurde auf Basis validierter UTAUT-Instrumente entwickelt und durch eine zweistufige Delphi-Konsultation mit 15 Experten aus der Pflege verfeinert. Er maß sieben Dimensionen: Leistungserwartung (PE), Aufwandserwartung (EE), Sozialer Einfluss (SI), Unterstützende Bedingungen (FC), Technologievertrauen (TR), Wahrgenommenes Risiko (PR) und Verhaltensintention (BI). Das tatsächliche Nutzungsverhalten (UB) wurde über die selbstberichtete Häufigkeit und den Umfang der GenAI-Nutzung gemessen.
Analyse: Die Daten wurden mittels Strukturgleichungsmodellierung (SEM) analysend, um die hypothesierten Beziehungen zu testen. Zuverlässigkeit und Validität wurden mittels Cronbachs Alpha, der Compositen Reliabilität (CR), der durchschnittlich erklärten Varianz (AVE) und dem Fornell-Larcker-Kriterium bewertet. Multi-Gruppen-Analysen wurden durchgeführt, um die moderierenden Effekte von Geschlecht, Alter und Freiwilligkeit der Nutzung zu untersuchen.

Wesentliche Beiträge

Erweitertes UTAUT-Modell für GenAI: Die Studie integriert Technologievertrauen und Wgenommenes Risiko in das Standard-UTAUT-Framework und bietet so ein nuancierteres Modell zum Verständnis der Adoption von generativer KI speziell innerhalb der klinischen Pflege.
Dualer Fokus auf Intention und Verhalten: Im Gegensatz zu vielen Studien, die sich nur auf die Intention konzentrieren, untersucht diese Forschung den Pfad von der Verhaltensintention zum tatsächlichen Nutzungsverhalten und identifiziert die Unterstützenden Bedingungen als kritische Brücke.
Demografische Heterogenität: Die Studie liefert detaillierte Einblicke darüber, wie die Treiber der Adoption zwischen Geschlecht, Alter und Freiwilligkeit variieren, und stellt die Annahme einer einheitlichen Technologieakzeptanz unter Pflegekräften infrage.

Ergebnisse

Determinanten der Verhaltensintention:
- Die Leistungserwartung (PE) war der stärkste positive Prädiktor für die Verhaltensintention ( $\beta = 0,302, p < 0,001$ ).
- Auch die Aufwandserwartung (EE) ( $\beta = 0,235, p < 0,001$ ) und das Technologievertrauen (TR) ( $\beta = 0,207, p < 0,001$ ) zeigten signifikante positive Assoziationen.
- Der Soziale Einfluss (SI) hatte einen kleineren, aber signifikanten positiven Effekt ( $\beta = 0,094, p = 0,004$ ).
- Das Wahrgenommene Risiko (PR) war signifikant negativ mit der Verhaltensintention assoziiert ( $\beta = -0,134, p < 0,001$ ).
Determinanten des tatsächlichen Nutzungsverhaltens:
- Die Verhaltensintention (BI) war der primäre Treiber des tatsächlichen Gebrauchs ( $\beta = 0,409, p < 0,001$ ).
- Unterstützende Bedingungen (FC) (z. B. organisatorische Unterstützung, Ressourcen) waren ebenfalls signifikant mit dem tatsächlichen Gebrauch assoziiert ( $\beta = 0,289, p < 0,001$ ), unabhängig von der Intention.
Moderierende Effekte:
- Geschlecht: Für weibliche Pflegekräfte waren PE, EE, SI und TR signifikante Prädiktoren. Für männliche Pflegekräfte waren nur EE und TR signifikant; PE und SI waren dies nicht. Das Technologievertrauen schien für männliche Pflegekräfte relevanter zu sein.
- Alter: Das wahrgenommene Risiko wurde mit zunehmendem Alter zu einem signifikanteren negativen Prädiktor. Umgekehrt schwächte sich der Einfluss des Technologievertrauens bei Pflegekräften ab dem 41. Lebensjahr ab.
- Freiwilligkeit: In der „willigen“ Gruppe waren alle hypothetisierten Pfade signifikant. In den „neutralen“ und „unwilligen“ Gruppen verloren die meisten Antezedenzvariablen ihre statistische Signifikanz, was darauf hindeutet, dass die intrinsische Motivation den Adoptionsmechanismus verändert.

Bedeutung und Behauptungen
Die Autoren behaupten, dass die Adoption von GenAI durch klinisches Pflegepersonal ein vielschichtiger Prozess ist, der primsär durch wahrgenommene Nützlichkeit, einfache Handhabung und Vertrauen getrieben wird, während er durch wahrgenommene Risiken gehemmt wird. Die Studie postuliert, dass eine erfolgreiche Integration Strategien erfordert, die über einfache Schulungen hinausgehen; sie müssen aktiv Sicherheitsbedenken adressieren und institutionelles Vertrauen aufbauen.

Das Paper betont, dass organisatorische Unterstützung (Unterstützende Bedingungen) entscheidend ist, um die Intention in die tatsächliche Praxis zu überführen. Darüber hinaus behaupten die Autoren, dass ein „Einheitsansatz“ unzureichend ist; Implementierungsstrategien müssen auf spezifische Subgruppen zugeschnitten sein, wie etwa die Priorisierung des Risikomanagements für ältere Pflegekräfte und die Steigerung des wahrgenommenen Wertes für jüngere Kohorten.

Limitierungen
Die Autoren räumen bescheiden mehrere Einschränkungen ein:

Kausalität: Das Querschnittsdesign lässt keine kausalen Rückschlüsse zu.
Stichprobenbildung: Die Verwendung von Convenience Sampling kann einen Selektionsbias einführen, der Pflegekräfte mit einem bereits bestehenden Interesse an KI potenziell überrepräsentiert.
Selbstauskunft: Die Abhängigkeit von Selbstberichtsmaßen kann trotz Minderungsbemühungen zu einem Common-Method-Bias führen.
Generalisierbarkeit: Die Studie wurde in einem einzelnen nationalen Kontext (China) durchgeführt, was die Anwendbarkeit der Ergebnisse auf andere Gesundheitssysteme einschränken kann.

Das Paper schließt mit dem Aufruf zu longitudinalen Forschungsarbeiten, um kausale Zusammenhänge und die Entwicklung der KI-Adoption über die Zeit besser zu verstehen.