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

Technische Samenvatting: Impact van een AI-spraakassistent op de werkeisen van verpleegkundigen

Probleemstelling
Verpleegkundigen in de langdurige zorg (LTC) worden geconfronteerd met hoge werkgerelateerde eisen op het gebied van documentatie, gekenmerkt door tijdsdruk, informatiebelasting en frequente onderbrekingen. Deze administratieve lasten, die naar schatting 25–30% van de werktijd in beslag nemen, verminderen de tijd die beschikbaar is voor directe zorg en zijn gekoppeld aan hogere stress, lagere werktevredenheid en een verhoogde burn-out. Hoewel AI-spraakassistenten in acute medische settings veelbelovend zijn gebleken voor het verbeteren van de efficiëntie van documentatie, is er een gebrek aan longitudinaal bewijs met betrekking tot hun impact op psychosociale werkeisen in de langdurige zorg. Bovendien blijft de rol van "technostress" — waarbij technologie wordt beoordeeld als ofwel een uitdaging (bron) ofwel een hindernis (eis) — in het vormgeven van deze uitkomsten in deze context onderbelicht.

Methodologie
De studie maakte gebruik van een single-group longitudinaal pre–post survey-ontwerp bij 14 stationaire instellingen voor langdurige zorg in Duitsland.

• Deelnemers: 52 geregistreerde verpleegkundigen voltooiden de nulmeting (t0) vóór de implementatie van de AI-spraakassistent "voize". Hi van onder voltooiden 44 verpleegkundigen (84,6%) de follow-up enquête (t1) ongeveer zes weken na implementatie.
• Interventie: Het "voize"-systeem is een smartphone-gebaseerde applicatie die gesproken taal omzet in gestructureerde conceptversies voor elektronische patiëntendossiers (EPD). De implementatie omvatte gestandaardiseerde training en technische ondersteuning. Het gebruik was vrijwillig.
• Metingen:
  • Werkvereisten (Job Demands): Beoordeeld met behulp van een verkorte, gevalideerde versie van de Questionnaire for Psychosocial Risk Assessment at Work (FGBU), gericht op vier subschalen: informatiegebrek, informatieoverbelasting, werkintensiteit en onderbrekingen.
  • Technostress: Gemeten op t1 met behulp van het Holistic Technostress Model, waarbij onderscheid wordt gemaakt tussen challenge technostressors (bruikbaarheid, betrokkenheid, ondersteuning) en hindrance technostressors (complexiteit, onbetrouwbaarheid, onzekerheid, onveiligheid, overbelasting).
• Statistische Analyse: Lineaire gemengde modellen (LMM) werden gebruikt om rekening te houden met herhaalde metingen en clustering binnen instellingen. De modellen bevatten random intercepts voor verpleegkundigen en, waar de fit verbeterde, voor instellingen. Moderatieanalyses testten of technostress-beoordelingen op t1 de omvang van de reductie in werkvereisten van t0 naar t1 beïnvloedden. Eénzijdige significantietoetsen werden toegepast op vooraf geregistreerde directionele hypothesen, waarbij p-waarden werden gecorrigeerd met de Benjamini–Hochberg False Discovery Rate (FDR).

Belangrijkste Resultaten

1. Reductie in Werkvereisten: De implementatie van de AI-spraakassistent was geassocieerd met statistisch significante reducties in alle vier de subschalen van documentatie-gerelateerde werkvereisten van de nulmeting tot de follow-up.

   • Informatiegebrek: Grootste reductie ($\beta = -1.23$, $p < .001$).
   • Werkintensiteit: Significante reductie ($\beta = -1.01$, $p < .001$).
   • Informatieoverbelasting: Significante reductie ($\beta = -0.85$, $p < .001$).
   • Onderbrekingen: Significante reductie ($\beta = -0.66$, $p = .0045$).
   • Effectgroottes varieerden van medium tot groot.

2. Technostress Moderatie: Technostress-beoordelingen vertoonden een selectief, in plaats van een alomvattend, modererend effect op de reductie van werkvereisten:

   • Challenge Appraisals: Een hogere waargenomen bruikbaarheid moduleerde significant de reductie in werkintensiteit ($\beta = -0.81$, $q = .024$), wat aangeeft dat verpleegkundigen die het hulpmiddel nuttiger vonden, een grotere afname in tijdsdruk en overuren ervoeren.
   • Hindrance Appraisals:
     • Een hogere waargenomen onbetrouwbaarheid was geassocieerd met een kleinere reductie in informatiegebrek ($\beta = 0.91$, $q = .035$), wat suggereert dat twijfels over de consistentie van het systeem de verlichting van informatieverschillen temperden.
     • Een hogere waargenomen onzekerheid (met betrekking tot updates/wijzigingen) was geassocieerd met een kleinere reductie in onderbrekingen ($\beta = 0.82$, $q = .02$).
   • Geen significante moderatie-effecten werden gevonden voor informatieoverbelasting of voor andere dimensies van technostress (bijv. complexiteit, ondersteuning) na FDR-correctie.

3. Variantie tussen Instellingen: Hoewel individuele verschillen het grootste deel van de variantie in werkvereisten verklaarden, was de variantie op instellingsniveau alleen significant voor werkintensiteit, wat aangeeft dat de organisatorische context het basisniveau van de werkdruk beïnvloedt, hoewel de relatieve reductie door het hulpmiddel consistent leek over de verschillende instellingen heen.

Significantie en Claims
Het artikel beweert dat de vroege implementatie van een AI-spraakassistent in de Duitse langdurige zorg geassocieerd is met directe, meetbare verlichting van documentatie-gerelateerde psychosociale werkvereisten. De studie breidt de bestaande literatuur, die zich primair heeft gericht op efficiëntiemetrieken (bijv. bespaarde tijd), uit door reducties aan te tonen in de waargenomen cognitieve en temporele belasting.

De auteurs benadrukken dat deze voordelen robuust zijn, maar afhankelijk van specifieke gebruikersbeoordelingen. De bevindingen suggereren dat hoewel de technologie de werkdruk over het algemeen vermindert, de effectiviteit wordt gemaximaliseerd wanneer verpleegkundigen het systeem als nuttig en betrouwbaar ervaren. Omgekeerd kunnen percepties van onbetrouwbaarheid en onzekerheid de potentiële verlichting dempen, met name wat betreft de toegang tot informatie en workflow-onderbrekingen. De studie concludeert dat voor AI-spraakassistenten om de waargenomen verlichting in de langdurige zorg te handhaven, implementatiestrategieën de systeembetrouwbaarheid en transparante communicatie over updates moeten prioriteren, naast training die de bruikbaarheid van het hulpmiddel voor dagelijkse taken versterkt.

Door Auteurs Genoemde Beperkingen
De auteurs erkennen dat het single-group ontwerp de causale inferentie beperkt, de steekproefomvang bescheiden is voor het detecteren van interactie-effecten, en dat de afhankelijkheid van zelfrapportage bias kan introduceren. Daarnaast was de follow-up periode relatief kort (ongeveer 1–2 maanden gebruik), wat betekent dat de duurzaamheid van deze effecten op de lange termijn nog vastgesteld moet worden. De resultaten zijn specifiek voor het "voize"-systeem en de Duitse context van de langdurige zorg.