Machine Learning in Causal Effect Estimation and Causal Evaluation of ML-Enabled Interventions in Nursing-Related Research: A Scoping Review.

چکیده اصلی

Machine learning (ML) informs nursing practice, but prediction cannot establish intervention or workflow effects. Aim To map ML use within causal effect estimation and causal evaluations of ML-enabled interventions in nursing and midwifery. Eight electronic sources were searched for reports published January 2015-June 2026, followed by backward citation searching. Eligibility required a causal estimand, corresponding identification strategy, substantive ML role, and nursing or midwifery relevance. Two reviewers independently screened records and full texts. Fifteen studies (17 reports) were included. Five addressed acute deterioration or sepsis; others covered care prioritization, falls, post-discharge care, and nurse- or midwife-led services. Five used ML within causal effect estimation to examine longitudinal and spillover effects, treatment-effect heterogeneity, and targeting strategies. Ten evaluated ML-enabled interventions or workflows; reported favorable effects on mortality, care escalation, message-review time, and nursing processes, while several controlled estimates were null or imprecise. Evidence remains small and methodologically uneven. Future studies should align estimands, identification strategies, analytic methods, and workflows and evaluate model-plus-workflow effects on nursing processes and patient outcomes.

ترجمه فارسی چکیده

یادگیری ماشین (ML) به عملکرد پرستاری کمک می‌کند، اما پیش‌بینی نمی‌تواند اثر مداخله یا جریان کار را تثبیت کند. هدف این مطالعه نقشه‌برداری از استفاده از ML در برآورد اثرات علی و ارزیابی‌های علیِ مداخلات مبتنی بر ML در پرستاری و زنانگی است. هشت منبع الکترونیکی برای گزارش‌های منتشر شده از ژانویه ۲۰۱۵ تا ژوئن ۲۰۲۶ جستجو شد. پنج مطالعه به بدتر شدن حاد یا سپتیسمی پرداختند؛ سایر موارد شامل اولویت‌بندی مراقبت، سقوط، مراقبت پس از ترخیص و خدمات رهبری شده توسط پرستار یا ماما بود. پنج مطالعه از ML در برآورد اثرات علی برای بررسی اثرات طولی و اثرات جانبی، ناهمگونی اثر درمان و استراتژی‌های هدف‌گیری استفاده کردند. ده مطالعه مداخلات یا جریان‌های کار مبتنی بر ML را ارزیابی کردند و اثرات مثبتی بر مرگ‌ومیر، ارتقای مراقبت، زمان بازبینی پیام و فرآیندهای پرستاری گزارش دادند، در حالی که چندین برآورد کنترلی خالی یا نامشخص بودند. شواهد همچنان کم و روش‌شناختی ناهمگون است. مطالعات آینده باید برآوردها، استراتژی‌های شناسایی، روش‌های تحلیلی و جریان‌های کار را هماهنگ کرده و اثرات مدل-به‌همراه-جریان کار را بر فرآیندهای پرستاری و نتایج بیماران ارزیابی کنند.

متن کامل اصلی