Kunstmatige intelligentie voorspelt het voornemen van zorgverleners om antibiotica te gebruiken op basis van psychologische en gedragsmaten uit meerdere theorieën

Waarom antibiotische keuzes iedereen aangaan

Antibiotica hebben talloze levens gered, maar ze gebruiken wanneer dat niet echt nodig is bevordert de opkomst van medicijnresistente bacteriën die ooit eenvoudige infecties dodelijk kunnen maken. Wereldwijd volgen veel antibiotica‑voorschriften nog steeds geen medische richtlijnen. Deze studie stelt een eenvoudige maar krachtige vraag: kunnen we psychologische inzichten, gecombineerd met kunstmatige intelligentie, gebruiken om te begrijpen welke zorgverleners het meest geneigd zijn antibiotica verstandig te gebruiken — en welke mogelijk meer ondersteuning nodig hebben?

Kijken naar de beslissing, niet alleen het recept

Eerdere pogingen om overmatig antibioticagebruik te verminderen richtten zich vooral op regels, training en toezicht. Maar echte beslissingen worden genomen onder druk, met bezorgde patiënten, tijdsdruk en de angst een ernstige infectie te missen. De onderzoekers betogen dat we verder moeten kijken dan kennis alleen en de overtuigingen, gewoonten en sociale druk moeten bestuderen die de keuzes van een hulpverlener vormen. Zij putten uit meerdere bekende gedragstheorieën — die attitudes, waargenomen risico’s, vertrouwen en sociale steun omvatten — om een gedetailleerde vragenlijst op te stellen voor eerstelijnsartsen en verpleegkundigen in vier openbare ziekenhuizen in China.

Meer dan duizend clinici vulden deze enquête in, die acht brede psychologische domeinen meette, waaronder hoeveel steun zij voelen van collega’s en leidinggevenden, hoe zij informatie verwerken, wat zij geloven over de schadelijkheid van resistentie en hoe zelfverzekerd zij zich voelen over hun eigen vaardigheden. Het team koppelde deze antwoorden vervolgens aan ieders aangegeven intentie om in de toekomst antibiotica in lijn met richtlijnen te gebruiken, waardoor een rijke dataset ontstond die innerlijke mentaliteiten verbindt met gepland gedrag.

Computers leren gedrags­patronen lezen

Om dit complexe web van invloeden te begrijpen, pasten de auteurs machinaal‑leer‑methoden toe die subtiele patronen in data kunnen detecteren. Ze trainden meerdere computermodellen, zoals gradient boosting en ensemble‑methoden, om clinici in te delen in lage, gemiddelde of hoge intentie om antibiotica op passende wijze voor te schrijven op basis van hun vragenlijstscores. Vervolgens gebruikten ze statistische tools zoals LASSO en SHAP om te benadrukken welke psychologische kenmerken het meest van belang waren voor de voorspellingen van het model en hoe die kenmerken met elkaar interageerden.

De resultaten waren opvallend. Modellen konden clinici met gemiddelde of hoge intentie met zeer hoge nauwkeurigheid identificeren, maar hadden meer moeite om degenen met lage intentie duidelijk te scheiden. Dit suggereert dat zwakke motivatie om richtlijnen te volgen mogelijk voortkomt uit meer versnipperde of gemengde oorzaken. Toch kwam er over de modellen heen een consistent beeld naar voren: sociale steun op het werk, bedachtzame informatieverwerking, degelijke kennis en vaardigheden, en sterke overtuigingen over de risico’s van resistentie waren de krachtigste voorspellers van goede intenties.

De verborgen kracht van steun, nadenken en overtuiging

Een van de duidelijkste bevindingen was de centrale rol van sociale steun. Clinici die zich gesteund voelden door collega’s en instellingen — via gedeelde normen, praktische hulp en aanmoediging — waren veel waarschijnlijker geneigd antibiotica correct te gebruiken. Zorgvuldig, reflectief nadenken en actuele kennis stimuleerden eveneens de intenties in de juiste richting, net als een levendig besef van hoe gevaarlijk medicijnresistente infecties kunnen zijn. Traditionele ideeën zoals persoonlijke wilskracht of een algemeen gevoel van controle over gedrag speelden een verrassend kleine rol in deze streng gereguleerde ziekenhuisomgeving, waar beleidslijnen en teamcultuur vaak de toon zetten.

De verklaarbare AI‑tools toonden aan dat deze factoren niet geïsoleerd werken. Zo had sociale steun een bijzonder sterk effect onder clinici die ook hoog scoorden op bedachtzaam nadenken, wat suggereert dat een ondersteunend team bedachtzame clinici kan helpen hun redenering om te zetten in dagelijkse praktijk. Dergelijke niet‑lineaire patronen zijn moeilijk te ontdekken met eenvoudigere, puur lineaire statistiek, maar worden zichtbaar wanneer computers flexibel de data kunnen verkennen en vervolgens kunnen "uitleggen" welke ingrediënten het sterkst hun voorspellingen beïnvloeden.

Wat dit betekent voor het aanpakken van antibioticaresistentie

Voor een lezer zonder medische achtergrond is de belangrijkste les dat slimmer gebruik van antibiotica niet alleen gaat over het vertellen van de regels aan clinici. Het gaat om het bouwen van ziekenhuisomgevingen waar mensen zich ondersteund, geïnformeerd en mentaal in staat voelen om helder te denken onder druk. Deze studie toont aan dat kunstmatige intelligentie, wanneer transparant gemaakt en verankerd in psychologie, clinici kan signaleren die mogelijk een hoger risico lopen om van richtlijnen af te wijken en kan aangeven waarom dat zo is. Dat opent de deur naar gerichte terugkoppeling, coaching en veranderingen op de werkplek die verstandig voorschrijven versterken — en helpt antibiotica effectief te houden voor iedereen die er ooit op afhankelijk kan zijn.

Bronvermelding: 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

Trefwoorden: antibioticaresistentie, voorschrijven van antibiotica, zorgverleners, gedragsfactoren, kunstmatige intelligentie