Impact of an AI Speech Assistant on Nurses’ Job Demands: A Longitudinal Survey in Long-Term Care

Resumen Técnico: Impacto de un Asistente de Voz con IA en las Demandas Laborales de Enfermería

Planteamiento del Problema
El personal de enfermería en cuidados de larga duración (LTC, por sus siglas en inglés) enfrenta altas demandas laborales relacionadas con la documentación, caracterizadas por la presión temporal, la tensión informativa y las interrupciones frecuentes. Estas cargas administrativas, que se estima consumen entre el 25 % y el 30 % del tiempo de trabajo, reducen el tiempo disponible para la atención directa y están vinculadas a un mayor estrés, menor satisfacción laboral y un aumento del agotamiento profesional (burnout). Si bien los asistentes de voz con IA han mostrado ser prometedores en entornos médicos agudos para mejorar la eficiencia de la documentación, existe una falta de evidencia longitudinal sobre su impacto en las demandas psicosociales del trabajo en el sector de cuidados de larga duración. Además, el papel del "tecnoestrés" —donde la tecnología es evaluada como un desafío (recurso) o como un obstáculo (demanda)— sigue siendo poco explorado en este contexto.

Metodología
El estudio empleó un diseño de encuesta longitudinal de grupo único pre-post en 14 centros de cuidados de larga duración en Alemania.

• Participantes: 52 enfermeros colegiados completaron la encuesta basal (t0) antes de la implementación del asistente de voz con IA "voize". De estos, 44 enfermeros (84,6 %) completaron la encuesta de seguimiento (t1) aproximadamente seis semanas después de la implementación.
• Intervención: El sistema "voize" es una aplicación basada en teléfonos inteligentes que convierte el lenguaje hablado en entradas de borrador estructuradas para las historias clínicas electrónicas (EHR). La implementación incluyó capacitación estandarizada y soporte técnico. El uso fue voluntario.
• Medidas:
  • Demandas Laborales: Evaluadas mediante una versión acortada y validada del Cuestionario para la Evaluación de Riesgos Psicosociales en el Trabajo (FGBU), centrándose en cuatro subescalas: déficits de información, sobrecarga de información, intensidad del trabajo e interrupciones.
  • Tecnoestrés: Medido en t1 utilizando el Modelo de Tecnoestrés Holístico, distinguiendo entre tecnoestresores de desafío (utilidad, implicación, apoyo) y tecnoestresores de obstáculo (complejidad, falta de fiabilidad, incertidumbre, inseguridad, sobrecarga).
• Análisis Estadístico: Se utilizaron Modelos Lineales Mixtos (LMM) para tener en cuenta las medidas repetidas y la agrupación dentro de los centros. Los modelos incluyeron interceptos aleatorios para los enfermeros y, cuando el ajuste mejoraba, para los centros. Los análisis de moderación probaron si las evaluaciones del tecnoestrés en t1 influían en la magnitud de la reducción de la demanda de t0 a t1. Se aplicaron pruebas de significancia de una cola para las hipótesis direccionales preregistradas, con valores p ajustados mediante la tasa de falso descubrimiento (FDR) de Benjamini–Hochberg.

Resultos Clave

1. Reducción de las Demandas Laborales: La implementación del asistente de voz con IA se asoció con reducciones estadísticamente significativas en las cuatro subescalas de demandas laborales relacionadas con la documentación desde la línea base hasta el seguimiento.

   • Déficits de Información: Mayor reducción ($\beta = -1,23$, $p < ,001$).
   • Intensidad del Trabajo: Reducción significativa ($\beta = -1,01$, $p < ,001$).
   • Sobrecarga de Información: Reducción significativa ($\beta = -0,85$, $p < ,001$).
   • Interrupciones: Reducción significativa ($\beta = -0,66$, $p = ,0045$).
   • Los tamaños del efecto oscilaron entre medianos y grandes.

2. Moderación del Tecnoestrés: Las evaluaciones del tecnoestrés mostraron un efecto moderador selectivo, en lugar de generalizado, sobre la reducción de la demanda:

   • Evaluaciones de Desafío: Una mayor percepción de utilidad moderó significativamente la reducción de la intensidad del trabajo ($\beta = -0,81$, $q = ,024$), lo que indica que los enfermeros que consideraban la herramienta más útil experimentaron una mayor disminución de la presión temporal y las horas extras.
   • Evaluaciones de Obstáculo:
     • Una mayor percepción de falta de fiabilidad se asoció con una menor reducción de los déficits de información ($\beta = 0,91$, $q = ,035$), lo que sugiere que las dudas sobre la consistencia del sistema atenuaron el alivio de las brechas de información.
     • Una mayor percepción de incertidumbre (respecto a actualizaciones/cambios) se asoció con una menor reducción de las interrupciones ($\beta = 0,82$, $q = ,02$).
   • No se encontraron efectos de moderación significativos para la sobrecarga de información ni para otras dimensiones del tecnoestrés (por ejemplo, complejidad, apoyo) tras la corrección por FDR.

3. Varianza entre Centros: Mientras que las diferencias individuales explicaron la mayor parte de la varianza en las demandas, la varianza a nivel de centro fue significativa solo para la intensidad del trabajo, lo que indica que el contexto organizacional influye en los niveles basales de carga de trabajo, aunque la reducción relativa proporcionada por la herramienta pareció constante entre los centros.

Significancia y Reivindicaciones
El artículo sostiene que la implementación temprana de un asistente de voz con IA en los cuidados de larga duración en Alemania está asociada con un alivio inmediato y mensurable en las demandas psicosociales laborales relacionadas con la documentación. El estudio amplía la literatura existente, que se ha centrado principalmente en métricas de eficiencia (por ejemplo, tiempo ahorrado), al demostrar reducciones en la percepción de la tensión cognitiva y temporal.

Los autores enfatizan que estos beneficios son robustos pero dependen de las evaluaciones específicas del usuario. Los hallazgos sugieren que, si bien la tecnología generalmente reduce la carga de trabajo, su eficacia se maximiza cuando los enfermeros perciben el sistema como útil y fiable. Por el contrario, las percepciones de falta de fiabilidad e incertidumbre pueden disminuir el alivio potencial, particularmente en lo que respecta al acceso a la información y las interrupciones en el flujo de trabajo. El estudio concluye que, para que los asistentes de voz con IA mantengan el alivio percibido en los cuidados de larga duración, las estrategias de implementación deben priorizar la fiabilidad del sistema y la comunicación transparente respecto a las actualizaciones, junto con una capacitación que refuerce la utilidad de la herramienta para las tareas diarias.

Limitaciones Señaladas por los Autores
Los autores reconocen que el diseño de un solo grupo limita la inferencia causal, que el tamaño de la muestra es modesto para detectar efectos de interacción y que la dependencia de datos autoinformados puede introducir sesgos. Además, el periodo de seguimiento fue relativamente corto (aproximadamente 1 a 2 meses de uso), lo que significa que aún debe establecerse la sostenibilidad a largo plazo de estos efectos. Los resultados son específicos para el sistema "voize" y el contexto de cuidados de larga duración en Alemania.