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

Resumo Técnico: Impacto de um Assistente de Voz por IA nas Demandas Laborais de Enfermeiros

Definição do Problema
Enfermeiros em cuidados de longa duração (CLD) enfrentam altas demandas laborais relacionadas à documentação, caracterizadas por pressão de tempo, tensão informacional e interrupções frequentes. Essas cargas administrativas, estimadas em 25–30% do tempo de trabalho, reduzem o tempo disponível para o cuidado direto e estão ligadas ao aumento do estresse, menor satisfação no trabalho e maior burnout. Embora assistentes de voz por IA tenham mostrado promessa em ambientes médicos agudos para melhorar a eficiência da documentação, há uma carência de evidências longitudinais sobre seu impacto nas demandas psicossociais do trabalho em CLD. Além disso, o papel do "tecnostresse" — onde a tecnologia é avaliada como um desafio (recurso) ou um obstáculo (demanda) — no delineamento desses resultados permanece pouco explorado neste contexto.

Metodologia
O estudo empregou um delineamento de pesquisa longitudinal de grupo único com pré e pós-teste em 14 instalações de cuidados de longa duração estacionárias na Alemanha.

• Participantes: 5os enfermeiros registrados completaram o questionário basal (t0) antes da implementação do assistente de voz por IA "voize". Destes, 44 enfermeiros (84,6%) completaram o questionário de acompanhamento (t1) aproximadamente seis semanas após a implementação.
• Intervenção: O sistema "voize" é um aplicativo baseado em smartphone que converte a linguagem falada em entradas estruturadas de rascunho para os registros eletrônicos de saúde (EHR). A implementação incluiu treinamento padronizado e suporte técnico. O uso foi voluntário.
• Medidas:
  • Demandas Laborais: Avaliadas por meio de uma versão abreviada e validada do Questionário para Avaliação de Riscos Psicossociais no Trabalho (FGBU), focando em quatro subescalas: déficits de informação, sobrecarga de informação, intensidade do trabalho e interrupções.
  • Tecnostresse: Medido em t1 usando o Modelo Holístico de Tecnostresse, distinguindo entre tecnostressores de desafio (utilidade, envolvimento, suporte) e tecnostressores de obstáculo (complexidade, falta de confiabilidade, incerteza, insegurança, sobrecarga).
• Análise Estatística: Modelos Lineares Mistos (LMM) foram utilizados para considerar medidas repetidas e agrupamentos dentro das instalações. Os modelos incluíram interceptos aleatórios para os enfermeiros e, onde o ajuste melhorou, para as instalações. Análises de moderação testaram se as avaliações de tecnostresse em t1 influenciaram a magnitude da redução das demandas de t0 para t1. Testes de significância unilaterais foram aplicados a hipóteses direcionais pré-registradas, com valores de p ajustados usando a Taxa de Falsa Descoberta (FDR) de Benjamini–Hochberg.

Principais Resultados

1. Redução nas Demandas Laborais: A implementação do assistente de voz por IA foi associada a reduções estatisticamente significativas em todas as quatro subescalas de demandas laborais relacionadas à documentação do basal para o acompanhamento.

   • Déficits de Informação: Maior redução ($\beta = -1,23$, $p < ,001$).
   • Intensidade do Trabalho: Redução significativa ($\beta = -1,01$, $p < ,001$).
   • Sobrecarga de Informação: Redução significativa ($\beta = -0,85$, $p < ,001$).
   • Interrupções: Redução significativa ($\beta = -0,66$, $p = ,0045$).
   • Os tamanhos do efeito variaram de médios a grandes.

2. Moderação pelo Tecnostresse: As avaliações de tecnostresse mostraram um efeito moderador seletivo, em vez de generalizado, na redução das demandas:

   • Avaliações de Desafio: Uma maior percepção de utilidade moderou significativamente a redução na intensidade do trabalho ($\beta = -0,81$, $q = ,024$), indicando que enfermeiros que consideraram a ferramenta mais útil experimentaram uma maior diminuição na pressão de tempo e horas extras.
   • Avaliações de Obstáculo:
     • Uma maior percepção de falta de confiabilidade foi associada a uma menor redução nos déficits de informação ($\beta = 0,91$, $q = ,035$), sugerindo que dúvidas sobre a consistência do sistema atenuaram o alívio dos hiatos de informação.
     • Uma maior percepção de incerteza (em relação a atualizações/mudanças) foi associada a uma menor redução nas interrupções ($\beta = 0,82$, $q = ,02$).
   • Não foram encontrados efeitos de moderação significativos para sobrecarga de informação ou para outras dimensões do tecnostresse (ex: complexidade, suporte) após a correção FDR.

3. Variância entre Instalações: Embora as diferenças individuais tenham explicado a maior parte da variância nas demandas, a variância ao nível da instalação foi significativa apenas para a intensidade do trabalho, indicando que o contexto organizacional influencia os níveis basais de carga de trabalho, embora a redução relativa proporcionada pela ferramenta tenha parecido consistente entre as instalações.

Significância e Alegações
O artigo afirma que a implementação precoce de um assistente de voz por IA em cuidados de longa duração na Alemanha está associada a um alívio imediato e mensurável nas demandas laborais psicossociais relacionadas à documentação. O estudo amplia a literatura existente, que se concentrou principalmente em métricas de eficiência (ex: tempo economizado), ao demonstrar reduções na percepção de tensão cognitiva e temporal.

Os autores enfatizam que esses benefícios são robustos, mas dependentes de avaliações específicas do usuário. Os achados sugerem que, embora a tecnologia geralmente reduza a carga de trabalho, sua eficácia é maximizada quando os enfermeiros percebem o sistema como útil e confiável. Por outro lado, percepções de falta de confiabilidade e incerteza podem diminuir o potencial de alívio, particularmente em relação ao acesso à informação e interrupções no fluxo de trabalho. O estudo conclui que, para que os assistentes de voz por IA sustentem o alívio percebido em CLD, as estratégias de implementação devem priorizar a confiabilidade do sistema e a comunicação transparente sobre atualizações, juntamente com treinamentos que reforcem a utilidade da ferramenta para as tarefas diárias.

Limitações Notadas pelos Autores
Os autores reconhecem que o delineamento de grupo único limita a inferência causal, que o tamanho da amostra é modesto para detectar efeitos de interação e que a dependência de dados autorrelatados pode introduzir viés. Adicionalmente, o período de acompanhamento foi relativamente curto (aprox. 1–2 meses de uso), o que significa que a sustentabilidade a longo prazo desses efeitos ainda precisa ser estabelecida. Os resultados são específicos para o sistema "voize" e para o contexto de CLD alemão.