引言

全球老龄化与慢性病负担加剧，护士缺口约580万，我国亦面临人力短缺，传统经验配比难适应复杂护理需求。人工智能凭借数据感知、分析与决策能力，正渗透护理实践、管理、教育与研究。2025年国务院“人工智能+”行动及“健康中国2030”推动数字化转型，但全球仅约30%护理课程纳入数字健康，智能设备更新快于教材与培养方案，供需错位制约普及。本文系统梳理该领域研究脉络与知识结构，为后续研究与实践提供理论依据。

1 概念谱系与理论基点：护理人工智能的认知框架

人工智能就是指用机器来模仿人的智能的一种技术，它包含机器学习、自然语言处理、计算机视觉、机器人等各个方面，护理学上它被广泛应用到各个方面，可以对大量的数据进行处理，并且能够给病人提供个性化的护理计划，还可以使护士更加及时地观察病人的病情变化并作出相应的护理措施。

目前主流的护理领域的AI技术主要有五种。第一种是机器学习，用数据来训练模型，预测护理风险、改善护理过程、帮助护理决策。第二点就是计算机视觉，用图像、视频的获取以及分析来加强护士的观察、监测。第三种就是自然语言处理，可以完成语音实时转文字、电子病历智能分类管理等功能，并且可以让智能对话机器人更好地与人交流。第四种是智能护理机器人，主要分为护理评估随访、护理观察、生活护理和护理治疗这四个部分。第五种是大数据分析，可以将各种各样的数据融合起来，并且可以得到量化的结果，应用到护理人力资源的需求预估、人员安排等方面。

目前，学界对“护理人工智能”还没有形成统一界定。多数研究倾向于从认知、技能、伦理和实践等多个层面，综合描述护士是否已经准备好有效、安全且负责任地把AI技术融入临床护理实践。从应用场景来看，人工智能在护理领域大致可归为三大核心方向：临床护理、护理管理以及护理教育。在临床护理当中，AI可以对患者的各项生命指标实施即时监控，并且能够发出危险警报。在护理管理当中，已经渐渐被用来做护理人力需求预估、人员调配支援、工作负担危险察觉以及人员变动调整等工作。在护理教育当中，AI可以给学生赋予个性化的学习途径以及精确的资源推送服务，促使护理教育朝着越来越智能、精确的方向发展。

2 技术跃迁与场景迟滞：护理人工智能普及的结构性张力

近些年来，人工智能技术由原来的单个辅助手段发展成全流程的智能系统。大语言模型的出现更是让人感到震惊，以ChatGPT为代表的护理实践、教育方面都有一定的应用前景ChatGPT发布两个月后，用户数量就达到了一亿；之后各种大语言模型产品也不断出现技术更新的速度很快。

放眼全球，护理AI的落地程度在不同地区差异明显。我国护理领域对数字健康技术的应用，整体上仍处在起步阶段^[1]。已有不少调查显示，临床护士的人工智能素养普遍不高。一项针对504名临床护士的调查就提示，护士的AI素养水平及其影响因素值得进一步关注；另一项对574名三级甲等医院护士的调查，也得出了类似结论。国外的情况同样不算乐观：护理学生对于人工智能大多数是中等偏积极的态度，但是他们的AI素养以及准备程度也都处在中等水平。

眼下，人工智能在护理领域正面临三重供需错位。其一，技术供给看似先进，却未必能很好地适配护理场景。智慧护理技术更新得飞快，护理教育课程的调整却相对缓慢^[4]：AI技术的更新速度已经由原来的几年一次变成现在的半年或者一年，但是护理专业的课程更新时间却要长得多，一般为四年到五年，其二，研发端投入大，但是临床护理端的接受度不高。AI在医疗护理的应用当中存在着数据安全、算法歧视、护患关系异化、责任归属不明等一系列的问题，这些问题都会对医疗护理智能化的发展造成一定的影响，其三在政策上来说虽然积极鼓励，但是行业落地没有相应的保障措施。我国已经出台了很多关于人工智能规范使用的文件，但是对于人工智能在护理领域的应用并没有形成专门的法律体系。

3 价值显现与实践图景：人工智能在护理场域的应用进展

3.1 临床护理：从风险预警到精准照护的智能嵌入

就临床护理风险预警而言，人工智能应用的效果已经得到了初步证实。对于ICU压力性损伤风险预警来说，研究者采用了逻辑回归、决策树、贝叶斯网络、循环神经网络以及集成模型等许多种机器学习的方法。在有关住院患者跌倒危险程度评定方面，也存在着一些依靠机器学习技术所创建起来的评价体系^[1]。在危重症护理当中，人工智能可以给预见性护理决策赋予辅助支撑，不过由于数据品质所限，它的精确程度还须要进一步改进。有关研究表明，把临床决策支持系统应用到呼吸窘迫综合征患儿的护理预警上时，发现AI预警模型可以有效地改善儿科护理安全。与此同时，可穿戴式柔性设备在护理安全方面的作用也越来越明显，它能对患者的各项生理指标进行不间断、无创式的检测并发出警报。

有关护理操作辅助方面的研究发现，已经有学者创建起以护理诊断为基础的临床护理计划决策支援系统，用深度学习算法来完成人工智能捕捉任务，从而明显改善护理诊断的制定比率以及护理计划单的填写准确程度。还有学者提出用知识图谱多层次评价的方法来开展护理序贯决策研究，从评估项集入手，自动生成并且挑选出护理序贯决策链。在危重症患者康复护理当中，智能技术正在促使康复模式由原来的“被动反应”向现在的“主动预知”、“精确介入”转变。

老年人以及慢性病患者居家照护里，人工智能渐渐渗入到疾病监测，健康教育，用药安排，心理照顾以及远程医疗服务等各个部分当中，对于COPD等慢性病病人来说，AI技术也能够给他们的居家管理给予有效的帮助，利用远程监测以及人工智能预测模型，再加上虚拟现实、增强现实这些沉浸式的训练手段，可以对危重症病人在家中进行康复时所处的环境做出及时的改变，并且还能根据病人的身体状况来灵活地调节康复的程度，进而有效地减少病人再次住院的情况发生。

3.2 护理管理：从经验配置到数据驱动的资源重构

护理人力资源智能管理当中，AI应用已经从护理人力需求预估，配置决定支撑，配置计划执行，服务流程改良，工作负担危险察觉并加以调节，人员稳定维持等各方面展开。有关研究创建起包含人工智能技术的儿童手术护理动态排班体系；还有学者用Python语言，配合粒子群优化算法以及遗传算法来创建护士排班智能模型，就手术室护理人力资源优化配置而言，还有学者提出了以数据治理为基础来创建出一个包含预测、优化、监测以及反馈等环节的科学排程闭环。

有关护理质量及安全控制方面，有学者探究过以人工智能为依托的护理风险预估系统创建方案，并且也对它的应用成效展开过考察，也有一些学者建立了适合于一院多区模式下数字医疗的护理质量管理信息系统，使用之后可以改善护理工作质量并缩短各个环节的时间消耗，另外一项质性研究关注的是护士长怎样利用生成式人工智能来帮助自己开展护理管理工作，结果表明GAI对于质量把控、行政事务以及沟通关怀这些方面都有着常规性的辅助作用。

3.3 护理教育：从知识传授到个性化学习的范式转型

对于虚拟仿真智能教学而言，有关AI在护理专业学生智慧教育方面的应用目的、教学环节、应用形式以及效果都有所阐述。也有学者创建了急性左心衰竭临床护理决策思维的人工智能训练系统，在新入职护士中进行了初步的应用，取得了较好的效果。根据一篇文献计量学分析可知，实验和临床教学、康复和疼痛护理属于护理虚拟仿真的研究重点；另外一项可视化分析也表明，虚拟仿真实验平台创建、课程制作以及效果评价这些方面的研究近些年来不断增多。

就个性化学习支持而言，有一项研究创建并检验了一个依靠生成式人工智能来完成护理信息学智能问答任务的系统，它既可以对学习途径展开智能化塑造，又可以达成对知识要点的自动推送，另外有研究显示，Gen-AI聊天机器人可以明显改善复杂的课程内容学习效果。

就智能考评以及教学评价而言，相关的研究也渐渐增多起来。有研究用随机对照实验来检验AI辅助练习系统对于护生防护服穿脱训练的效果，有一些研究用平行班对照的方式，探究了AI辅助教学对于本科护理心理学课程的影响^[16]。除此之外，还有学者对GenAI在护理教学中应用的场景以及边界做了系统的整理，认为它可以给护理教学带来个性化的知识拆解、虚拟实训模拟、临床案例生成等诸多方面的助力。

4 四重约束：人工智能护理落地的挑战与梗阻

就技术以及数据而言，护理数据的标准化水平还比较低，数据的质量也不尽相同，从而影响到算法的训练效果。不同的医疗机构对于护理工作负荷、护理强度等指标的定义和采集方法不一样，因此用单个中心、碎片化的数据来建立的AI模型，在跨机构的护理人力调配决策上很难得到推广。算法泛化能力不好，就无法解决。另外，“算法黑箱”问题依然存在，由于缺少解释性，临床医务人员对于人工智能做出的决定会丧失信心。有关研究表明，在机器学习驱动的可穿戴设备发展过程中，模型的选择及适用性、算法的鲁棒性与可泛化性、模型是否可以被解释、能耗和资源约束等各方面都会成为今后的研究重点。

就伦理和法律方面而言，已经有学者对AI在临床护理中遇到的各种伦理问题做了系统的整理，主要有数据隐私泄露、患者自主权被削弱、护理责任界限不清、算法偏差造成不公平等。就护理机器人辅助家庭养老的伦理问题而言，也有一些学者做了反思并提出了相应的治理对策。有学者认为老龄人因为认知能力下降而造成知情同意制度实质上的失效，全域监控技术也会侵犯老年人的隐私，并且责任主体也无法确定。另外也对AI给职业生涯规划造成的算法、隐私以及伦理问题进行了分析通过可视化比较可知，我国护理伦理研究的主要研究方向有学科建设、临床护理工作中出现的伦理问题、“护生”所面对的伦理困境、人工智能引发的伦理问题等。

从业界以及人员角度来讲，也绝不能轻视。已有研究对于护士AI准备度评价工具、影响因素和护理干预做了综述。根据调查结果可知，临床护士的人工智能素养总体上比较低。有学者认为，缺少了AI素养就会造成护生不能适应未来医疗环境，并且还会对21世纪的核心技能产生影响。就这个问题而言，有学者对AI给护理职业带来的影响进行了分析，并给出了相应的建议来改善课程体系以及加强实践教学。

从经济与制度层面看，AI产品的研发与落地成本较高，基层机构往往难以承担。护理AI产品的行业标准与准入规范体系也还不够完善。《中国护理管理》对生成式人工智能的使用提出了明确要求：不能把GenAI工具以及它的产品当作论文作者的署名人，也不能用GenAI来完成整篇论文或者论文的重要部分的写作。此外，跨部门协作机制还存在缺陷，医工交叉融合的程度不够高。

5 未来进路：面向人机协同的护理生态重构

就第五部分所表现出的技术、数据、伦理、法律、行业、人员、经济、制度这八种难题而言，未来的人工智能在护理方面的进步，并不能只是停留在局部改良的层面当中，而应当朝着更为根本性的范式变革迈进，进而探寻出新的发展途径。这些方向并不是对已有综述中的“标准化大数据库”、“轻量级基层产品”、“伦理监管”、“全周期人才培养”、“产学研协同”等展望进行简单的重复，而是在此基础上互相补充，试图从问题背后更深层次的结构矛盾出发来回答。

5.1 技术架构跃迁：联邦学习、边缘智能与护理专用可解释系统

就护理数据标准低、数据孤岛明显、隐私泄露隐患大、算法泛化性差、幻觉风险高、各个科室及各级机构之间匹配度不高这些现实问题而言，今后应该创建起以联邦学习为依托的多中心护理AI合作网络。联邦学习可以在不共享原始数据的情况下进行模型联合训练和参数聚合，解决由于数据不能出医院、模型需要大量的数据而产生的根本矛盾。同时边缘智能的建设也非常重要。将AI推理部署到床旁监护设备、可穿戴终端等边缘节点上可以减少云端的数据传输，也可以提高实时响应速度以及隐私保护水平。联邦学习同边缘计算相融合之后，即使没有大型数据中心的支撑，基层医疗机构也能加入到护理AI模型的共同演化当中去，从而达成“数据可用但不可见，模型共建共用”的目标。

按照这样的思路，未来不应该再过分依靠通用的大模型了，应该把重点放在护理领域的小型语言模型或者领域自适应模型上。将护理知识图谱、临床指南、真实病例数据融合在一起之后，可以改善模型对于具体的护理情况的精确程度和可信度。并且把规则引擎同符号推理融合起来，创建出“神经-符号”混合AI体系，既有学习的能力又有解释性的优势，并且还有安全的屏障。另外还要创建护理AI的幻觉检测和安全护栏体系，对危险的结果立刻阻止并加以人工复核。开发模块化的、可以配置的护理AI组件，也利于各个科室、各个层次的机构按照自身的需求来自由地拼接，从而达到“场景专属、安全可控”的目的。已有研究表明，可穿戴设备上的机器学习模型会遇到模型选取和适用性、算法鲁棒性及可泛化性、模型可解释性以及能耗和资源约束等诸多难题^[17]，这就给护理AI专用模型的研发指明了技术攻关的方向。

5.2 信任与伦理治理：从被动合规到动态信任校准与伦理前置

就算法黑箱、临床信任缺乏、自动化偏见造成护士过分依靠或者排桟AI、伦理审查迟缓、责任归属不明晰、算法偏见和公正性问题而言，未来的探索不能仅仅停留在“可解释AI”的技术层面，应该转向“信任校准”机制的设计上来。具体而言，可以创建出针对护理场景的信任校准工具，即时给出AI给出的结果置信度、证据出处、不确定区间以及可能产生的误判种类，并且创建起护士对于AI结果的“质疑-检验-改正”标准程序，使得信任不再是静止的态度，而是变成了一种动态的校准能力。另外还要探究人机团队信任演化长周期的规律，创建团队层面的信任管理措施，促使护士同AI达成“适度信任”，即不过分信赖，也不全面否决，在效率和安全两者间取得协调。已经有研究从伦理角度出发对医疗AI决策支持系统的可解释性做了系统的论证^[5]因此也给信任校准机制设计赋予了伦理根基。

伦理治理上更适合的做法就是实行“伦理-by-Design”(伦理嵌入设计)，即把公平性、可解释性、隐私保护、自主性尊重这些伦理要求作为设计的一部分，在系统创建之时就将它们包含进去，而不会等到出现问题之后才去修补。同时也要建立第三方算法审计制度，对护理AI做定期的偏见检测、公平性评价以及影响分析工作，并且使审计的结果更加公开透明。就责任认定而言，可以创建起护理AI责任保险体系，让开发人员、医疗机构以及护士一起承担风险，防止把所有的责任推到临床最末端。还要创建护理AI伦理影响评定的规范手段，使得伦理审查由“形式合规”转变为“实质治理”。另外可以设置护理AI的监管沙箱，在一个受控的临床环境里试验新的产品，随着真实的证据不断增多而对监管的要求做出相应的改变，从而达到研发、审批、应用、评价、退出这样一个完整的治理闭环的目的。已有研究从政策法规健全、技术革新改善、人文关怀渗入这三个方面给出了解决策略，因此给伦理治理提供可以参照的实践经验。

5.3 人才与组织重构：从工具培训到角色谱系重塑与社会技术系统变革

对于职业定位的迷茫、缺乏AI素养、产生替代焦虑、出现去技能化的危险、临床融合度不高、流程不相适应、组织反对、护士参与度低等一系列问题，未来需要重新规划护士的角色范围。除了传统的临床护士外，还可以增加“AI协调护士”、“数据诠释护士”、“人机团队沟通师”、“算法审计护士”等岗位，再具体确定这些岗位在AI系统里所承担的责任范围及所需的能力条件。护理教育也应该由原来的“工具操作训练”转变为现在的“批判性AI素养”培养，而不仅仅是教护士如何使用，更重要的是要使护士学会对AI输出进行质疑、验证、修正和伦理判断。与此同时还要进行护士职业身份的重塑研究，让护士在人工智能时代重新找到自己的价值定位，由原来的“操作执行者”变成现在的“决策协调者”“人文守护者”和“技术驯化者”，以此来减轻护士的替代焦虑感，提高护士的职业认同感。已经对护生的AI素养有系统的整理，包括定义、评价工具、影响因素和培养方法等^[19]，也为护理教育转型提供理论依据。

把AI落地当作一次简单的技术采购是错误的，应该把它当作一场社会技术系统的改变。这就意味着，在加入AI的时候，护理流程、组织文化、权力结构以及沟通方式都要随之做出相应的改变。更重要的是要让一线护士真正参与到其中来，从需求定义、原型测试到迭代优化，不能等到系统上线之后再被动地去适应。还可以创建出“AI护理创新实验室”，在真实的临床环境里做小范围、快速更新的实验。同时还要对AI给护理团队合作方式、护患关系、组织伦理氛围带来的深层次影响展开探究，并创建起组织匹配性评价手段，从而让医疗机构自行评判自身的预备状况，然后制订出分阶段、有差别化的AI融合计划。已经形成了以技术赋能、福祉浸润为双螺旋的人才培养模型，也创建起了包含理论、实践、创新三个维度的三维培养体系，给护理教育适应未来健康服务需求提供理论基础。

5.4 经济与制度创新：从成本效益争议到卫生经济学评价与价值支付

由于AI产品研发和落地的成本较高，所以基层机构很难承担得起。医保配套制度跟不上，行业标准和准入制度不健全，跨部门合作也存在缺陷。要解决这些问题，就需要创建起护理AI的卫生经济学评价体系，对它的成本-效果、成本-效用以及成本-效益展开全面的研究工作，并把AI护理对于改善不良事件发生情况，缩减住院时间，削减护士离职现象等各方面的经济效益实实在在地体现出来。在此基础上推进以价值为导向的支付方式，把经过证实的AI护理服务加入到医保支付或者长期护理保险当中去，对于基层医疗机构来说可以采取不同的补贴形式以及设备租赁的方式降低其进入门槛。另外还要创建起护理AI投资回报的长期跟踪数据库，给政策制定者不断更新的经济学证据，使AI护理由原来的“技术展示”变成现在的“可持续服务”。

同时还要创建起一个分级分类的动态准入和退出体系，按照AI产品所具有的风险级别、应用场合以及证据力度的不同来制订出更为精确的差别化监管办法。可以组建起一个由卫生健康、药品监管、医保、工信、伦理委员会等各方面的力量共同参与的护理AI治理委员会，从而创建起一个从研发到审批再到应用，最后是评价并退出的完整的治理闭环。监管方式上也可以采取敏捷治理的理念，用迭代的方式来制定规则，使规则能够适应技术的发展。依靠卫生经济学证据、价值支付改革和敏捷治理制度三者之间的协同作用，给人工智能在护理领域长久发展赋予更加稳固的制度支撑。

6 结论与前瞻：迈向以专业判断为核心的人机协同护理

根据目前的研究结果可知，人工智能在护理领域已经形成了几个方面的共识。第一，在临床护理方面，AI可以提高护理的准确性，减轻护士的工作负担，减少不良事件的发生。第二，在护理管理上它可以改善资源分配的效率，实行数据化的管理并削减管理的成本。第三，在护理教育当中，AI能冲破时间与空间的束缚，加强学生的实际操作能力，推进教育资源的均等化。吴欣娟^[1]曾对人工智能在护理领域的发展前景及现实问题做了全面的论述，认为人工智能已经不是一种遥不可及的概念了，它正在改变着护理实践的方式。

但是现有的研究也有明显的不足之处。从实证研究的角度来说还比较缺乏，大多数是采用横断面调查的方式进行研究，并没有对长期的效果进行跟踪^[13]。其次，本土化研究比较缺乏，AI模型所用的数据大多来自于欧美人种，对于我国患者来说并不适合。第三点是跨学科合作不够深入，护理同信息学、工程学之间存在交叉的地方还须加强。最后，研究性论文较少，综述类文章较多。另外，有关生成式人工智能在护理教学中应用及界限的研究表明，目前还缺少足够的大样本跟踪数据来验证其效果，并且对于GenAI会对学生产生什么样的影响以及怎样影响学生的职业发展等问题还需要做更多的研究。

护理AI对行业转型具有战略价值。未来应重点加强几个方向的研究：第一种是开展多中心、前瞻性实证研究来检验AI对于护理工作的影响是否持久有效；第二种就是创建起本土化的护理AI理论体系以及评价手段；第三种是推进医工交叉合作，促使技术革新同临床应用顺利对接；第四种是加强护理人员的AI素养培育，创建起一个完整的全周期人才培育体系。以专业判断为主导，依靠人机协同的方式创建起新的护理模式，给公立医院高质量发展以及护士队伍的持续发展赋予支持^[2]。

参考文献：

1. [1] 吴欣娟.人工智能在护理领域的应用与挑战[J].中国临床护理,2026,18(01):1-4.
2. [2] 岳丽青,李冰玉,林露,等.人工智能在护理人力资源配置中的应用进展与管理启示[J].中国护理管理,2026,26(03):341-345.
3. [3] 刘漫,沈鹏熠,张茹梦.人工智能技术在医疗护理中的应用研究[J].中国农村卫生事业管理,2025,45(03):177-182.
4. [4] 李春卉,刘小熙,金丽惠,等.智慧护理技术驱动下护理福祉人才培养模式的理论框架研究[J].中国农村卫生事业管理,2026,46(07):506-513.
5. [5] 姚博文,秦羽,胡妍,等.人工智能在临床护理应用中伦理问题的研究进展[J/OL].天津护理,1-10[2026-10-04].
6. [6] 牛瑞,张娜,宋晓东,等.护士人工智能准备度的研究进展[J].护理学报,2025,32(17):24-28.
7. [7] 吴金玉,陈曦,黎慧,等.大语言模型在护理领域的应用进展[J].护理学杂志,2024,39(17):26-29.
8. [8] 骆金铠,张杰,孙萌,等.一院多区背景下数智化护理质量管理系统的构建及应用[J].中国护理管理,2025,25(02):161-166.
9. [9] Arab E A R ,Alshakihs H A ,Alabdulwahab H S , et al.Artificial intelligence in nursing: a systematic review of attitudes, literacy, readiness, and adoption intentions among nursing students and practicing nurses[J].Frontiers in digital health,2025,71：666005-1666005.
10. [10] 席祖洋,魏永婷,李茶香,等.基于护理诊断的临床护理计划决策支持系统的研发与应用[J].中华护理杂志,2025,60(20):2458-2464.
11. [11] 尹积余,方昱龙,杨盛兰,等.基于知识图谱多层次评估策略的护理序贯决策方法[J].中国数字医学,2025,20(06):103-110.
12. [12] 马佳慧,蔺红静,张学丽,等.智能技术在危重症患者康复护理中的应用进展与挑战[J].中华急危重症护理杂志,2025,6(08):953-956.
13. [13] 陈欣,常丽娟,田书云.人工智能赋能老年临床护理工作的研究进展[J].全科护理,2025,23(24):4672-4676.
14. [14] 柳露,卢秀英,朱琳,等.手术室护理人力资源优化配置与科学排程的研究进展[J].中国护理管理,2025,25(11):1621-1625.
15. [15] 张艳冰,刘慧,陈秋香,等.护士长使用生成式人工智能协助护理管理体验的质性研究[J].军事护理,2026,43(07):41-44.
16. [16] 谢晓芳,杨雪倩,惠亚娟,等.生成式人工智能在护理教学中的应用场景与边界[J].中国当代医药,2026,33(21):125-132+137
17. [17] 陈桥,胡杰,刘文超,等.机器学习在可穿戴设备中的应用综述[J].医疗卫生装备,2025,46(12):101-108.
18. [18] 张肇廷,许子烨.智能辅助技术赋能养老服务的风险与规制[J].社会工作与管理,2025,25(06):83-90.
19. [19] 蓝雪芬,郑思敏,朱清清,等.护理专业学生人工智能素养评估工具及培养策略的研究[J].军事护理,2025,42(10):19-22.
20. [20] 张家林,张金华,王梦乐,等.国内外护理伦理研究可视化比较分析及启示[J].医学与哲学,2025,46(17):39-44.