📄 medicine

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

Deze multicentrische cross-sectionele studie onder 1.921 klinische verpleegkundigen in China onthult dat hun intentie om generatieve kunstmatige intelligentie te gebruiken en de daadwerkelijke adoptie ervan significant worden gedreven door waargenomen bruikbaarheid, gebruiksgemak, sociale invloed en vertrouwen, terwijl ze worden gehinderd door waargenomen risico's, wat de noodzaak benadrukt van strategieën die waarde verhogen en veiligheidszorgen aanpakken om de integratie van AI in de verpleegkundige praktijk te faciliteren.

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

Gepubliceerd 2026-06-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een ziekenhuisafdeling voor als een drukke keuken. Jarenlang hebben de chefs (verpleegkundigen) met traditionele gereedschappen gekookt. Nu is er een nieuwe, super slimme robotassistent (Generatieve AI) gearriveerd, die belooft groenten te snijden, recepten te schrijven en zelfs nieuwe gerechten voor te stellen. Maar voordat de chefs met deze robot aan de slag gaan, moeten ze beslissen: Is het eigenlijk wel nuttig? Is het gemakkelijk in gebruik? Vertrouw ik erop dat hij de voeding niet aanbrandt? En mag ik het überhaupt wel gebruiken?

Deze studie is als een enorme enquête die naar bijna 2.000 chefs in Chinese ziekenhuizen is gestuurd om precies die vragen te beantwoorden. De onderzoekers wilden weten wat een verpleegkundige doet zeggen: "Ja, ik ga deze AI gebruiken" en wat hen juist tegenhoudt om het te gebruiken.

Hier is wat ze ontdekten, onderverdeeld in eenvoudige concepten:

De belangrijkste ingrediënten voor adoptie

De onderzoekers gebruikten een populair recept voor het begrijpen van nieuwe technologie genaamd UTAUT (Unified Theory of Acceptance and Use of Technology). Zie dit als een checklist om te bepalen of iemand een nieuw apparaatje zal uitproberen. Ze voegden een paar extra ingrediënten toe die specifiek zijn voor AI: Vertrouwen en Risico.

Hier zijn de vier belangrijkste zaken die verpleegkundigen de AI lieten willen gebruiken:

De "Helpt het mij?"-factor (Prestatieverwachting):
- De analogie: Als de robot uien snijdt in 2 seconden in plaats van 2 minuten, is de chef blij.
- De bevinding: Dit was de grootste reden waarom verpleegkundigen de AI wilden gebruiken. Als zij geloofden dat het hulpmiddel hun werk daadwerkelijk makkelijker of beter zou maken, waren ze veel eerder geneigd het te proberen.
De "Is het moeilijk om te leren?"-factor (Gebruiksgemak):
- De analogie: Als de robot een ingewikkelde afstandsbediening heeft met 50 knoppen, zal de chef hem niet aanraken. Als hij gewoon één "Start"-knop heeft, zullen ze dat wel doen.
- De bevinding: Verpleegkundigen wilden weten dat het hulpmiddel gemakkelijk in gebruik was. Als het simpel en intuïtief aanvoelde, waren ze eerder bereid om het te adopteren.
De "Kan ik het vertrouwen?"-factor (Technologievertrouwen):
- De analogie: Zou jij een robot het eten van je baby laten koken als je niet zeker wist of hij er geen gif aan zou toevoegen?
- De bevinding: Verpleegkundigen moesten geloven dat de AI betrouwbaar en veilig was. Als zij dachten dat de AI feiten zou verzinnen (hallucinaties) of verkeerd medisch advies zou geven, aarzelden ze.
De "Wat vinden anderen ervan?"-factor (Sociale invloed):
- De analogie: Als de hoofdchef en het hele keukenteam enthousiast zijn over de nieuwe robot, is de kans groter dat jij hem ook wilt proberen.
- De bevinding: Als collega's en leidinggevenden het gebruik van AI aanmoedigden, waren verpleegkundigen eerder geneigd dit ook te doen, hoewel dit minder belangrijk was dan nut of gebruiksgemak.

Het "Stopbord"

Er was één belangrijke factor die fungeerde als een rempedaal: Waargenomen Risico.

De analogie: Als de chef denkt dat de robot gegevens kan lekken, geheimen kan stelen of een patiënt kan schaden, zullen ze de AI niet gebruiken, hoe snel hij ook is.
De bevinding: Angst voor fouten, privacylekken of ethische kwesties verlaagde de intentie om de AI te gebruiken aanzienlijk.

De "Duw" van de Keukenmanager

Zelfs als een verpleegkundige de AI wilde gebruiken, konden ze dat niet zonder de juiste middelen.

De bevinding: Faciliteerde Condities (het hebben van de juiste computers, internet en training) waren cruciaal. Je kunt het beste recept hebben, maar als je geen fornuis hebt, kun je niet koken.

Wie gebruikt het anders?

De studie merkte op dat verschillende groepen verpleegkundigen anders reageerden, zoals verschillende soorten koks:

Mannen versus Vrouwen:
- Vrouwen leken meer te geven om de vraag of het hulpmiddel nuttig was en wat hun collega's ervan vonden.
- Mannen (hoewel er minder van hen in de studie voorkwamen) leken meer te geven aan de vraag of ze de machine konden vertrouwen.
Jong versus Oud:
- Jongere verpleegkundigen (20–30 jaar) werden gedreven door hoe nuttig en gemakkelijk het hulpmiddel was.
- Oudere verpleegkundigen (41+) waren veel gevoeliger voor risico. Naarmate ze ouder werden, werd de angst om een fout te maken of dat het hulpmiddel onveilig was een grotere barrière. Opvallend genoeg vertrouwden oudere verpleegkundigen de technologie minder dan de jongere verpleegkundigen.
Bereid versus Niet-bereid:
- Verpleegkundigen die al bereid waren om AI te gebruiken, reageerden op alle gebruikelijke factoren (nut, gemak, vertrouwen).
- Verpleegkundigen die niet-bereid of neutraal waren, leken helemaal niet te geven om nut of vertrouwen. Voor hen was het enige dat telde of ze het gedwongen werden te gebruiken of dat het systeem het onmogelijk maakte om het te vermijden.

De Kern van de zaak

De studie concludeert dat voor AI een vast onderdeel van de dagelijkse routine van een verpleegkundige te worden, ziekenhuizen drie dingen moeten doen:

Toon de waarde aan: Bewijs dat het daadwerkelijk tijd bespaart en patiënten helpt.
Bouw vertrouwen op: Zorg dat de AI veilig, betrouwbaar en uitlegbaar is.
Beheer de angst: Spreek zorgen over privacy en fouten direct aan.

De onderzoekers merkten ook op dat omdat ze verpleegkundigen slechts één keer hebben gevraagd (een "momentopname"), ze niet met zekerheid kunnen zeggen dat deze factoren het gebruik veroorzaken, alleen dat ze er sterk mee verbonden zijn. Ze suggereren dat toekomstige studies verpleegkundigen over een langere periode moeten volgen om te zien hoe deze gevoelens veranderen.

Kortom: Verpleegkundigen staan klaar om AI te gebruiken, maar alleen als het nuttig, gemakkelijk, veilig is en als ze het gevoel hebben dat hun ziekenhuis hen ondersteunt terwijl ze leren ermee om te gaan.

Technische Samenvatting: Factoren die de intentie tot en het daadwerkelijke gebruik van generatieve kunstmatige intelligentie door klinisch verpleegkundigen in China beïnvloeden

Probleemstelling
Hoewel generatieve kunstmatige intelligentie (GenAI) een transformerend potentieel heeft voor de verpleegkundige praktijk — variërend van automatisering van documentatie tot klinische besluitvormingsondersteuning — blijft empirisch bewijs over de specifieke factoren die de adoptie onder klinisch verpleegkundigen drijven, beperkt. Bestaande literatuur richt zich vaak op AI-adoptie in algemene gezondheidszorgcontexten of bij gemengde populaties, waarbij de unieke professionele kenmerken van verpleegkundigen, die de grootste groep zorgprofessionals vormen, buiten beschouwing worden gelaten. Bovendien introduceert de integratie van GenAI specifieke uitdagingen, waaronder risico's op informatiehallucinaties, bias en ethische zorgen, die de acceptatie door gebruikers anders kunnen beïnvloeden dan traditionele technologieën. Er is een kritieke behoefte aan begrip van de determinanten van zowel de gedragsintentie als het daadwerkelijke gebruikgedrag onder klinisch verpleegkundigen om een succesvolle implementatie te faciliteren.

Methodologie
Deze studie maakte gebruik van een multicentrische cross-sectionele enquête die werd uitgevoerd in China tussen juli en augustus 2025.

Deelnemers: In totaal werden 1.921 geldige reacties verzameld van geregistreerde verpleegkundigen uit diverse zorginstellingen via een gemakkelijke steekproef (convenience sampling).
Theoretisch kader: Het onderzoek maakte gebruik van een uitgebreid Unified Theory of Acceptance and Use of Technology (UTAUT) model. De oorspronkelijke UTAUT-constructen (Prestatieverwachting, Inspanningsverwachting, Sociale Invloed en Facilitaire Condities) werden aangevuld met Technologievertrouwen en Waargenomen Risico om de specifieke context van GenAI in de verpleegkunde beter te reflecteren.
Instrument: Een gestructureerde vragenlijst werd ontwikkeld op basis van gevalideerde UTAUT-instrumenten en verfijnd via een twee-ronden Delphi-consultatie met te weten 15 verpleegkundige experts. Het mat zeven dimensies: Prestatieverwachting (PE), Inspanningsverwachting (EE), Sociale Invloed (SI), Facilitaire Condities (FC), Technologievertrouwen (TR), Waargenomen Risico (PR) en Gedragsintentie (BI). Daadwerkelijk Gebruikgedrag (UB) werd gemeten via de zelfgerapporteerde frequentie en reikwijdte van GenAI-gebruik.
Analyse: Gegevens werden geanalyseerd met behulp van Structural Equation Modelling (SEM) om de gepostuleerde relaties te testen. Betrouwbaarheid en validiteit werden beoordeeld via Cronbach's alfa, Composiete Betrouwbaarheid (CR), Gemiddelde Verkregen Variantie (AVE) en de Fornell-Larcker criterion. Multi-groep analyses werden uitgevoerd om de modererende effecten van geslacht, leeftijd en vrijwilligheid van gebruik te onderzoeken.

Belangrijkste Bijdragen

Uitgebreid UTAUT-model voor GenAI: De studie integreert Technologievertrouwen en Waargenomen Risico in het standaard UTAUT-kader, wat een genuanceerder model biedt voor het begrijpen van de adoptie van generatieve AI specifiek binnen de klinische verpleegkunde.
Dubbele focus op intentie en gedrag: In tegenstelling tot veel studies die zich uitsluitend richten op intentie, onderzoekt dit onderzoek het pad van gedragsintentie naar daadwerkelijk gebruikgedrag, waarbij Facilitaire Condities als een cruciale brug worden geïdentificeerd.
Demografische Heterogeniteit: De studie biedt gedetailleerde inzichten in hoe drijfveren voor adoptie variëren tussen geslacht, leeftijd en vrijwilligheid, wat de aanname van uniforme technologie-acceptatie onder verpleegkundigen uitdaagt.

Resultaten

Determinanten van Gedragsintentie:
- Prestatieverwachting (PE) was de sterkste positieve voorspeller van gedragsintentie ( $\beta = 0,302, p < 0,001$ ).
- Inspanningsverwachting (EE) ( $\beta = 0,235, p < 0,001$ ) en Technologievertrouwen (TR) ( $\beta = 0,207, p < 0,001$ ) vertoonden eveneens significante positieve associaties.
- Sociale Invloed (SI) had een kleiner maar significant positief effect ( $\beta = 0,094, p = 0,004$ ).
- Waargenomen Risico (PR) was significant negatief geassocieerd met gedragsintentie ( $\beta = -0,134, p < 0,001$ ).
Determinanten van Daadwerkelijk Gebruikgedrag:
- Gedragsintentie (BI) was de primaire drijfveer van daadwerkelijk gebruik ( $\beta = 0,409, p < 0,001$ ).
- Facilitaire Condities (FC) (bijv. organisatorische ondersteuning, middelen) waren ook significant geassocieerd met daadwerkelijk gebruik ( $\beta = 0,289, p < 0,001$ ), onafhankelijk van de intentie.
Modererende Effecten:
- Geslacht: Voor vrouwelijke verpleegkundigen waren PE, EE, SI en TR significante voorspellers. Voor mannelijke verpleegkundigen waren alleen EE en TR significant; PE en SI waren dat niet. Technologievertrouwen leek prominenter voor mannelijke verpleegkundigen.
- Leeftijd: Waargenomen risico werd een significantere negatieve voorspeller met toenemende leeftijd. Omgekeerd nam de invloed van Technologievertrouwen af bij verpleegkundigen van 41 jaar en ouder.
- Vrijwilligheid: In de "bereidwillige" groep waren alle gepostuleerde paden significant. In de "neutrale" en "onwillige" groepen verloren de meeste antecedent variabelen hun statistische significantie, wat suggereert dat intrinsieke motivatie het adoptiemechanisme verandert.

Betekenis en Claims
De auteurs stellen dat de adoptie van GenAI door klinisch verpleegkundigen een veelzijdig proces is dat primair wordt gedreven door waargenomen nut en gebruiksgemak, en vertrouwen, terwijl het wordt gehinderd door waargenomen risico's. De studie stelt dat succesvolle integratie strategieën vereist die verder gaan dan eenvoudige training; ze moeten actief veiligheidszorgen adresseren en institutioneel vertrouwen opbouwen.

Het artikel benadrukt dat organisatorische ondersteuning (Facilitaire Condities) cruciaal is voor het vertalen van intentie naar daadwerkelijke praktijk. Verder beweren de auteurs dat een "one-size-fits-all" benadering onvoldoende is; implementatiestrategieën moeten worden afgestemd op specifieke subgroepen, zoals het prioriteren van risicobeheer voor oudere verpleegkundigen en het versterken van de waargenomen waarde voor jongere cohorten.

Beperkingen
De auteurs erkennen bescheiden enkele beperkingen:

Causaliteit: Het cross-sectionele ontwerp staat geen causale gevolgtrekkingen toe.
Steekproef: Het gebruik van een gemakkelijke steekproef kan leiden tot selectiebias, waarbij verpleegkundigen met een vooraf bestaande interesse in AI mogelijk oververtegenwoordigd zijn.
Zelfrapportage: De afhankelijkheid van zelfgerapporteerde metingen kan leiden tot een 'common method bias', ondanks mitigatiepogingen.
Generaliseerbaarheid: De studie werd uitgevoerd binnen één nationale context (China), wat de toepasbaarheid van de bevindingen op andere gezondheidszorgsystemen kan beperken.

Het artikel concludeert met een oproep tot longitudinaal onderzoek om de causale relaties en de evolutie van AI-adoptie in de loop van de tijd beter te begrijpen.