בינה מלאכותית חוזה את כוונות שימושם של עובדי בריאות באנטיביוטיקה מתוך מדדים פסיכולוגיים והתנהגותיים על‑פי תורות מרובות

מדוע בחירות באנטיביוטיקה רלוונטיות לכולם

אנטיביוטיקות הצילו חיים רבים, אך שימוש בהן כאשר אינן נחוצות באמת מעודד התפתחות חיידקים עמידים שיכולים להפוך זיהומים שבעבר היו פשוטים למסכני חיים. ברחבי העולם עדיין יש מרשמים רבים שלא עולים בקנה אחד עם הנחיות רפואיות. המאמר בוחן שאלה פשוטה אך חזקה: האם נוכל להשתמש בתובנות מהפסיכולוגיה, בשילוב עם בינה מלאכותית, כדי להבין אילו אנשי מקצוע רפואיים נוטים להשתמש באנטיביוטיקה בתבונה — ואילו עשויים להזדקק לתמיכה נוספת?

להסתכל אל תוך ההחלטה, לא רק על המרשם

מאמצים קודמים לצמצם שימוש יתר באנטיביוטיקה התמקדו בעיקר בכללים, הכשרה ופיקוח. אך החלטות בעולם האמיתי מתקבלות תחת לחץ, עם מטופלים מודאגים, מגבלות זמן ופחד לפספס זיהום חמור. החוקרים טוענים שעלינו להסתכל מעבר לידיעה בלבד ולחקור את האמונות, ההרגלים והלחצים החברתיים שמעצבים את בחירות הקליניקאי. הם נשענו על מספר תורות התנהגות ידועות — המכסות עמדות, סיכונים נתפסים, ביטחון עצמי ותמיכה חברתית — כדי לבנות שאלון מפורט לרופאים ולאחיות בקו החזית בארבעה בתי חולים ציבוריים בסין.

יותר מאלף עובדי בריאות מילאו את הסקר, שמדד שמונה תחומים פסיכולוגיים רחבים, כולל עד כמה הם מרגישים נתמכים על‑ידי עמיתים ומנהלים, כיצד הם מעבדים מידע, מה הם מאמינים לגבי נזקים של עמידות, וכמה ביטחון יש להם בכישורים שלהם. הצוות קישר את התשובות לכוונה המוצהרת של כל משתתף להשתמש באנטיביוטיקה על‑פי ההנחיות בעתיד, ויצר מאגר נתונים עשיר שמחבר בין מצבים נפשיים פנימיים להתנהגות מתוכננת.

ללמד מחשבים לקרוא דפוסים התנהגותיים

כדי לפענח את רשת ההשפעות המורכבת הזו, המחברים פנו לשיטות למידת מכונה שיכולות לזהות דפוסים עדינים בנתונים. הם אימנו מספר מודלים ממוחשבים, כגון גרדיאנט בוסטינג ושיטות אנסמבל, כדי למיין קליניקאים לכוונה נמוכה, בינונית או גבוהה לרשום אנטיביוטיקה בהתאם לניקוד שלהם בשאלון. לאחר מכן השתמשו בכלים סטטיסטיים כמו LASSO ו‑SHAP כדי להדגיש אילו תכונות פסיכולוגיות היו החשובות ביותר לחיזוי המודל, וכיצד תכונות אלה אינטראקטיביות זו עם זו.

התוצאות היו בולטות. המודלים הצליחו לזהות קליניקאים עם כוונה בינונית או גבוהה בדיוק גבוה מאוד, אך התקשו להפריד באופן נקי את אלו עם כוונה נמוכה. ממצא זה מצביע על כך שמוטיבציה חלשה לעקוב אחרי הנחיות עשויה לנבוע מסיבות מפוזרות או מעורבות. למרות זאת, בכל המודלים התגבש תמונה עקבית: תמיכה חברתית בעבודה, עיבוד מידע זהיר, ידע ומיומנויות מוצקות ואמונות חזקות לגבי הסיכונים של עמידות היו התחזיות החזקות ביותר לכוונה טובה.

הכוח הנסתר של תמיכה, חשיבה ואמונה

אחד הממצאים הברורים היה תפקיד מרכזי של תמיכה חברתית. קליניקאים שהרגישו מגובים על‑ידי עמיתים ומוסדות — דרך נורמות משותפות, עזרה פרקטית ועידוד — נטו להיות בעלי כוונה להשתמש באנטיביוטיקה כראוי בשיעור גבוה יותר. חשיבה זהירה והרהור, יחד עם ידע עדכני, גם הם דחפו את הכוונות לכיוון הנכון, כמו גם תחושה מוחשית עד כמה זיהומים עמידים יכולים להיות מסוכנים. רעיונות מסורתיים כמו כוח רצון אישי או תחושת שליטה כללית על ההתנהגות שיחקו תפקיד מפתיע במידה קטנה בסביבת בית החולים המופקחת, שבה מדיניות ותרבות צוות קובעים לעתים קרובות את הטון.

כלי ה‑AI המובהרים חשפו שגורמים אלה אינם פועלים בבידוד. לדוגמה, לתמיכה חברתית היה אפקט חזק במיוחד בקרב קליניקאים שציונו בחשיבה זהירה היה גבוה, מה שמרמז שצוות תומך עשוי לסייע לקליניקאים מהרהרים לתרגם את ההיגיון שלהם לפרקטיקה יומיומית. דפוסים לא‑ליניאריים מסוג זה קשים לחשיפה עם סטטיסטיקה פשוטה וקוית, אך נעשים נראים כאשר מחשבים יכולים לחקור את הנתונים באופן גמיש ואז "להסביר" אילו מרכיבים מעצבים את התחזיות בעוצמה הגדולה ביותר.

מה משמעות הדבר במאבק בעמידות לאנטיביוטיקה

לקריאה עממית, המסקנה היא ששימוש חכם יותר באנטיביוטיקה אינו עניין של מתן כללים בלבד. מדובר בבניית סביבות בית‑חולים שבהן אנשי הצוות מרגישים נתמכים, מיודעים ובעלי יכולת מנטלית לחשוב בצורה בהירה תחת לחץ. המחקר מראה כי בינה מלאכותית, כאשר היא שקופה ומעוגנת בפסיכולוגיה, יכולה לזהות קליניקאים שעשויים להיות בסיכון גבוה יותר לסטות מהנחיות ולהצביע על הסיבות הספציפיות לכך. זאת פותחת פתח למשוב מותאם, אימון ושינויים בסביבת העבודה שמחזקים מרשם נבון — ועוזרים לשמור על יעילות האנטיביוטיקות לכל מי שעשוי להזדקק להן בעתיד.

ציטוט: 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

מילות מפתח: עמידות לאנטיביוטיקה, מתן אנטיביוטיקה, עובדי מערכת הבריאות, גורמים התנהגותיים, בינה מלאכותית