La inteligencia artificial predice las intenciones de uso de antibióticos de los trabajadores sanitarios a partir de medidas psicológicas y conductuales basadas en múltiples teorías

Por qué las decisiones sobre antibióticos importan para todos

Los antibióticos han salvado innumerables vidas, pero usarlos cuando no son realmente necesarios fomenta la aparición de bacterias resistentes a los fármacos que pueden convertir infecciones sencillas en amenazas mortales. En todo el mundo, muchas prescripciones de antibióticos siguen sin ajustarse a las guías médicas. Este estudio plantea una pregunta sencilla pero potente: ¿podemos usar enfoques de la psicología, combinados con inteligencia artificial, para entender qué profesionales sanitarios tienen más probabilidad de usar antibióticos de forma prudente y cuáles podrían necesitar más apoyo?

Mirar la decisión, no solo la receta

Los esfuerzos previos para reducir el uso excesivo de antibióticos se han centrado principalmente en normas, formación y vigilancia. Pero las decisiones en el mundo real se toman bajo presión, con pacientes preocupados, límites de tiempo y el temor a pasar por alto una infección grave. Los investigadores sostienen que hay que ir más allá del conocimiento y estudiar las creencias, hábitos y presiones sociales que moldean las decisiones de un clínico. Se inspiraron en varias teorías del comportamiento bien conocidas —que abarcan actitudes, riesgos percibidos, confianza y apoyo social— para diseñar un cuestionario detallado dirigido a médicos y enfermeras en primera línea en cuatro hospitales públicos de China.

Más de mil clínicos completaron este cuestionario, que midió ocho áreas psicológicas amplias, incluida la percepción del apoyo de colegas y líderes, la forma de procesar la información, las creencias sobre los daños de la resistencia y la confianza en sus propias habilidades. El equipo vinculó luego estas respuestas con la intención declarada de cada persona de usar antibióticos conforme a las guías en el futuro, creando un conjunto de datos rico que conecta actitudes internas con conductas previstas.

Enseñar a los ordenadores a leer patrones conductuales

Para comprender esta compleja red de influencias, los autores recurrieron a métodos de aprendizaje automático que pueden detectar patrones sutiles en los datos. Entrenaron varios modelos informáticos, como el gradient boosting y métodos de ensamblado, para clasificar a los clínicos en intención baja, media o alta de prescribir antibióticos apropiadamente en función de sus puntuaciones del cuestionario. Luego usaron herramientas estadísticas llamadas LASSO y SHAP para destacar qué características psicológicas eran más relevantes para las predicciones del modelo y cómo interactuaban entre sí.

Los resultados fueron llamativos. Los modelos podían identificar con muy alta precisión a los clínicos con intención media o alta, pero mostraron más dificultad para separar con claridad a quienes tenían intención baja. Esto sugiere que la motivación débil para seguir las guías puede surgir de motivos más dispersos o mixtos. Aun así, a través de los modelos surgió una imagen consistente: el apoyo social en el trabajo, el procesamiento reflexivo de la información, el conocimiento y las habilidades sólidas y las fuertes creencias sobre los riesgos de la resistencia fueron los predictores más potentes de buenas intenciones.

El poder oculto del apoyo, el pensamiento y la creencia

Uno de los hallazgos más claros fue el papel central del apoyo social. Los clínicos que se sentían respaldados por colegas e instituciones —mediante normas compartidas, ayuda práctica y ánimo— tenían mucha más probabilidad de manifestar la intención de usar los antibióticos correctamente. El pensamiento cuidadoso y reflexivo y el conocimiento actualizado también impulsaban las intenciones en la dirección adecuada, al igual que una percepción vívida de lo peligrosas que pueden ser las infecciones resistentes a los fármacos. Ideas tradicionales como la fuerza de voluntad personal o una sensación general de control sobre la conducta desempeñaron un papel sorprendentemente menor en este entorno hospitalario fuertemente regulado, donde las políticas y la cultura del equipo suelen marcar el tono.

Las herramientas de IA explicable revelaron que estos factores no actúan de forma aislada. Por ejemplo, el apoyo social tenía un efecto especialmente fuerte entre los clínicos que también obtenían puntuaciones altas en pensamiento cuidadoso, lo que sugiere que un equipo de apoyo puede ayudar a los clínicos reflexivos a traducir su razonamiento en la práctica diaria. Este tipo de patrones no lineales son difíciles de descubrir con estadísticas más simples y puramente lineales, pero se vuelven visibles cuando los ordenadores exploran los datos con flexibilidad y luego “explican” qué elementos configuran con mayor fuerza sus predicciones.

Qué significa esto para combatir la resistencia a los antibióticos

Para un lector no especializado, la conclusión es que un uso más inteligente de los antibióticos no consiste solo en decir a los clínicos las normas. Se trata de construir entornos hospitalarios donde las personas se sientan apoyadas, informadas y mentalmente capaces de pensar con claridad bajo presión. Este estudio muestra que la inteligencia artificial, cuando es transparente y se fundamenta en la psicología, puede identificar a los clínicos que corren mayor riesgo de alejarse de las guías y señalar las razones específicas por las que ocurre. Eso abre la puerta a retroalimentación a medida, mentoría y cambios en el lugar de trabajo que refuercen la prescripción prudente—ayudando a mantener la eficacia de los antibióticos para todos los que algún día puedan necesitarlos.

Cita: 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

Palabras clave: resistencia a los antibióticos, prescripción de antibióticos, profesionales sanitarios, factores conductuales, inteligencia artificial