Künstliche Intelligenz sagt die Antibiotika‑Verordnungsabsichten von medizinischem Personal anhand psychologischer und verhaltensbezogener Messgrößen über mehrere Theorien hinweg voraus

Warum Antibiotika‑Entscheidungen für alle wichtig sind

Antibiotika haben unzählige Leben gerettet, doch ihr Einsatz, wenn er nicht wirklich nötig ist, fördert die Entstehung resistenter Bakterien, die einst harmlose Infektionen tödlich machen können. Weltweit entsprechen viele Antibiotikaverschreibungen weiterhin nicht den medizinischen Leitlinien. Diese Studie stellt eine einfache, aber potente Frage: Können wir psychologische Konzepte kombiniert mit künstlicher Intelligenz nutzen, um zu verstehen, welche Beschäftigten im Gesundheitswesen Antibiotika voraussichtlich verantwortungsbewusst einsetzen — und welche möglicherweise mehr Unterstützung benötigen?

Den Entscheidungsprozess betrachten, nicht nur das Rezept

Bisherige Maßnahmen zur Eindämmung von Antibiotikaübergebrauch konzentrierten sich meist auf Regeln, Schulung und Kontrolle. Reale Entscheidungen fallen jedoch unter Druck, mit besorgten Patienten, Zeitdruck und der Angst, eine schwere Infektion zu übersehen. Die Forschenden argumentieren, dass man über bloßes Wissen hinausblicken und die Überzeugungen, Gewohnheiten und sozialen Zwänge untersuchen muss, die die Wahl eines Klinikers prägen. Sie griffen auf mehrere bekannte Verhaltenstheorien zurück — mit Blick auf Einstellungen, wahrgenommene Risiken, Vertrauen in die eigene Kompetenz und soziale Unterstützung — und entwickelten so einen detaillierten Fragebogen für Ärztinnen, Ärzte und Pflegekräfte in vier öffentlichen Krankenhäusern in China.

Mehr als tausend Klinikerinnen und Kliniker füllten diese Befragung aus, die acht breite psychologische Bereiche erfasste, darunter wie viel Unterstützung sie von Kolleginnen, Kollegen und Vorgesetzten fühlen, wie sie Informationen verarbeiten, welche Vorstellungen sie über die Gefahren von Resistenzen haben und wie selbstsicher sie sich in ihren Fähigkeiten fühlen. Das Team verknüpfte diese Antworten mit der jeweiligen Absicht der Befragten, in Zukunft Antibiotika leitliniengerecht zu verwenden, und schuf damit einen umfangreichen Datensatz, der innere Einstellungen mit geplantem Verhalten verbindet.

Computern beibringen, Verhaltensmuster zu lesen

Um dieses komplexe Geflecht von Einflüssen zu verstehen, nutzten die Autorinnen und Autoren maschinelle Lernmethoden, die subtile Muster in Daten erkennen können. Sie trainierten mehrere Computermodelle, etwa Gradient Boosting und Ensemble‑Methoden, um Klinikerinnen und Kliniker anhand ihrer Fragebogenergebnisse in niedrige, mittlere oder hohe Absicht einzuordnen, Antibiotika angemessen zu verschreiben. Anschließend setzten sie statistische Werkzeuge wie LASSO und SHAP ein, um hervorzuheben, welche psychologischen Merkmale für die Vorhersagen des Modells am wichtigsten waren und wie diese Merkmale miteinander interagierten.

Die Ergebnisse waren eindrücklich. Modelle konnten Kliniker mit mittlerer oder hoher Absicht mit sehr hoher Genauigkeit identifizieren, hatten jedoch mehr Schwierigkeiten, diejenigen mit geringer Absicht klar abzugrenzen. Das deutet darauf hin, dass schwache Motivation, Leitlinien zu folgen, aus verstreuten oder gemischten Gründen entstehen kann. Über die Modelle hinweg zeichnete sich dennoch ein konsistentes Bild ab: Soziale Unterstützung am Arbeitsplatz, reflektierte Informationsverarbeitung, solides Wissen und Fähigkeiten sowie starke Überzeugungen über die Risiken von Resistenzen waren die stärksten Prädiktoren für gute Absichten.

Die verborgene Kraft von Unterstützung, Denken und Überzeugung

Einer der deutlichsten Befunde war die zentrale Rolle sozialer Unterstützung. Kliniker, die sich durch Kolleginnen und Kollegen sowie Institutionen gestützt fühlten — durch gemeinsame Normen, praktische Hilfe und Ermutigung —, hatten eine deutlich höhere Wahrscheinlichkeit, beabsichtigen, Antibiotika korrekt einzusetzen. Sorgfältiges, reflektiertes Denken und aktuelles Wissen förderten ebenfalls die richtigen Absichten, ebenso wie ein lebhaftes Bewusstsein dafür, wie gefährlich multiresistente Infektionen sein können. Traditionelle Konzepte wie persönliche Willenskraft oder ein allgemeines Gefühl der Verhaltenskontrolle spielten in diesem eng regulierten Krankenhausumfeld, in dem Richtlinien und Teamkultur oft den Ton angeben, eine überraschend untergeordnete Rolle.

Die erklärbaren KI‑Werkzeuge zeigten, dass diese Faktoren nicht isoliert wirken. So hatte soziale Unterstützung einen besonders starken Effekt bei Klinikerinnen und Klinikern, die auch hohe Werte im reflektierten Denken erreichten, was darauf hindeutet, dass ein unterstützendes Team denkenden Fachkräften besser helfen kann, ihre Überlegungen in den Alltag umzusetzen. Solche nichtlinearen Muster sind mit einfacheren, rein linearen Statistiken schwer zu entdecken, werden aber sichtbar, wenn Computer die Daten flexibel erkunden und dann erklären, welche Faktoren ihre Vorhersagen am stärksten beeinflussen.

Was das für die Bekämpfung von Antibiotikaresistenzen bedeutet

Für eine interessierte Leserin oder einen interessierten Leser lautet die Schlussfolgerung: Klügerer Antibiotikaeinsatz hängt nicht nur davon ab, Klinikerinnen und Klinikern Regeln zu vermitteln. Es geht darum, Krankenhausumgebungen zu gestalten, in denen sich Menschen unterstützt, informiert und mental in der Lage fühlen, unter Druck klar zu denken. Diese Studie zeigt, dass künstliche Intelligenz, wenn sie transparent ist und in Psychologie verankert wird, Fachkräfte identifizieren kann, die ein höheres Risiko haben, von Leitlinien abzuweichen, und zugleich die konkreten Gründe dafür benennt. Das eröffnet den Weg zu maßgeschneidertem Feedback, Coaching und Veränderungen am Arbeitsplatz, die verantwortungsbewusstes Verschreiben stärken — und so helfen, Antibiotika für alle wirksam zu halten, die eines Tages darauf angewiesen sein könnten.

Zitation: Han, L., Xian, P., Liu, Y. et al. Artificial intelligence predicts healthcare workers’ antibiotic use intentions from psychological and behavioral measures across multiple theories. Sci Rep 16, 6486 (2026). https://doi.org/10.1038/s41598-026-37495-x

Schlüsselwörter: Antibiotikaresistenz, Antibiotikaverschreibung, Gesundheitspersonal, verhaltensbezogene Faktoren, künstliche Intelligenz