L’intelligence artificielle prédit les intentions d’utilisation des antibiotiques par les soignants à partir de mesures psychologiques et comportementales issues de plusieurs théories

Pourquoi les choix d’antibiotiques comptent pour tout le monde

Les antibiotiques ont sauvé d’innombrables vies, mais les utiliser lorsqu’ils ne sont pas vraiment nécessaires favorise l’émergence de bactéries résistantes aux médicaments, qui peuvent rendre des infections auparavant simples mortelles. Partout dans le monde, de nombreuses prescriptions d’antibiotiques ne respectent pas encore les recommandations médicales. Cette étude pose une question simple mais puissante : peut‑on s’appuyer sur des concepts de psychologie, combinés à l’intelligence artificielle, pour comprendre quels professionnels de santé sont les plus susceptibles d’utiliser les antibiotiques à bon escient — et lesquels pourraient nécessiter davantage d’accompagnement ?

Examiner la décision, pas seulement l’ordonnance

Les tentatives précédentes pour réduire la surutilisation des antibiotiques se sont principalement concentrées sur des règles, la formation et le contrôle. Mais les décisions en situation réelle se prennent sous pression, avec des patients inquiets, des contraintes de temps et la crainte de manquer une infection grave. Les auteurs soutiennent qu’il faut dépasser la seule connaissance et étudier les croyances, les habitudes et les pressions sociales qui façonnent le choix d’un clinicien. Ils se sont appuyés sur plusieurs théories du comportement bien connues — couvrant les attitudes, les risques perçus, la confiance en soi et le soutien social — pour construire un questionnaire détaillé destiné aux médecins et infirmiers de première ligne dans quatre hôpitaux publics en Chine.

Plus de mille cliniciens ont rempli ce questionnaire, qui mesurait huit grandes dimensions psychologiques, notamment le degré de soutien ressenti de la part des collègues et de la direction, la manière dont ils traitent l’information, leurs convictions sur les dangers de la résistance, et leur confiance dans leurs propres compétences. L’équipe a ensuite lié ces réponses à l’intention déclarée de chaque personne d’utiliser à l’avenir les antibiotiques conformément aux recommandations, créant un ensemble de données riche reliant les dispositions mentales aux comportements prévus.

Apprendre aux ordinateurs à lire les motifs comportementaux

Pour comprendre ce réseau complexe d’influences, les auteurs ont eu recours à des méthodes d’apprentissage automatique capables de détecter des motifs subtils dans les données. Ils ont entraîné plusieurs modèles informatiques, comme le gradient boosting et des méthodes d’ensemble, pour classer les cliniciens en intentions faibles, moyennes ou fortes d’une prescription appropriée d’antibiotiques à partir de leurs scores au questionnaire. Ils ont ensuite utilisé des outils statistiques appelés LASSO et SHAP pour mettre en évidence les caractéristiques psychologiques qui importaient le plus pour les prédictions du modèle, et comment ces caractéristiques interagissaient entre elles.

Les résultats furent frappants. Les modèles pouvaient identifier avec une très grande précision les cliniciens ayant une intention moyenne ou élevée, mais rencontraient davantage de difficultés à distinguer nettement ceux ayant une intention faible. Cela suggère que la faible motivation à suivre les recommandations peut découler de raisons plus dispersées ou mixtes. Pourtant, à travers les modèles, une image cohérente est apparue : le soutien social au travail, un traitement réfléchi de l’information, des connaissances et compétences solides, et des convictions fortes sur les risques liés à la résistance étaient les prédicteurs les plus puissants d’intentions favorables.

Le pouvoir caché du soutien, de la réflexion et des croyances

L’un des résultats les plus clairs est le rôle central du soutien social. Les cliniciens qui se sentaient soutenus par leurs collègues et leur institution — via des normes partagées, une aide pratique et des encouragements — étaient beaucoup plus susceptibles d’avoir l’intention d’utiliser correctement les antibiotiques. Une réflexion attentive, des connaissances à jour et une perception vive de la dangerosité des infections résistantes poussaient également les intentions dans la bonne direction. Des idées plus traditionnelles, comme la volonté personnelle ou un sentiment général de contrôle sur le comportement, jouaient un rôle étonnamment mineur dans cet environnement hospitalier fortement réglementé, où les politiques et la culture d’équipe déterminent souvent le ton.

Les outils d’IA explicable ont révélé que ces facteurs n’agissent pas isolément. Par exemple, le soutien social avait un effet particulièrement fort chez les cliniciens qui obtenaient également des scores élevés en réflexion attentive, ce qui suggère qu’une équipe bienveillante peut aider les cliniciens réfléchis à traduire leur raisonnement en pratiques quotidiennes. Ce type de schémas non linéaires est difficile à déceler avec des statistiques linéaires simples, mais devient visible lorsque les ordinateurs explorent les données de manière flexible puis « expliquent » quels éléments façonnent le plus fortement leurs prédictions.

Ce que cela implique pour la lutte contre la résistance aux antibiotiques

Pour le lecteur non spécialiste, la conclusion est que l’utilisation plus intelligente des antibiotiques ne se résume pas à rappeler les règles aux cliniciens. Il s’agit de bâtir des environnements hospitaliers où les professionnels se sentent soutenus, informés et mentalement capables de réfléchir clairement sous pression. Cette étude montre que l’intelligence artificielle, lorsqu’elle est rendue transparente et ancrée dans la psychologie, peut repérer les cliniciens susceptibles de s’éloigner des recommandations et indiquer les raisons spécifiques. Cela ouvre la voie à des retours personnalisés, du coaching et des changements organisationnels qui renforcent des prescriptions avisées — contribuant à préserver l’efficacité des antibiotiques pour tous ceux qui pourraient en dépendre un jour.

Citation: 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

Mots-clés: résistance aux antibiotiques, prescription d’antibiotiques, professionnels de santé, facteurs comportementaux, intelligence artificielle