Sztuczna inteligencja przewiduje zamiary używania antybiotyków przez pracowników ochrony zdrowia na podstawie miar psychologicznych i behawioralnych z różnych teorii

Dlaczego wybory dotyczące antybiotyków mają znaczenie dla wszystkich

Antybiotyki uratowały niezliczone życia, ale stosowanie ich wtedy, gdy nie są naprawdę potrzebne, sprzyja powstawaniu bakterii opornych na leki, które mogą zmieniać niegdyś proste zakażenia w zagrażające życiu. Na całym świecie wiele recept na antybiotyki nadal nie odpowiada wytycznym medycznym. W tym badaniu postawiono proste, lecz istotne pytanie: czy możemy wykorzystać koncepcje z psychologii, połączone ze sztuczną inteligencją, aby zrozumieć, którzy pracownicy ochrony zdrowia najprawdopodobniej będą stosować antybiotyki rozsądnie — a którzy mogą potrzebować większego wsparcia?

Zajrzeć do procesu decyzyjnego, a nie tylko do recepty

Dotychczasowe działania ograniczające nadużywanie antybiotyków koncentrowały się głównie na zasadach, szkoleniach i monitorowaniu. Jednak decyzje w prawdziwym świecie zapadają pod presją, w kontakcie z zatroskanymi pacjentami, w warunkach ograniczonego czasu i obawy przed przeoczeniem poważnego zakażenia. Badacze argumentują, że trzeba spojrzeć poza samą wiedzę i badać przekonania, nawyki oraz naciski społeczne, które kształtują wybory klinicystów. Wykorzystali kilka dobrze znanych teorii zachowań — obejmujących postawy, postrzegane ryzyko, pewność siebie i wsparcie społeczne — aby stworzyć szczegółowy kwestionariusz dla lekarzy i pielęgniarek na pierwszej linii w czterech szpitalach publicznych w Chinach.

Ponad tysiąc klinicystów wypełniło tę ankietę, która mierzyła osiem szerokich obszarów psychologicznych, w tym stopień odczuwanego wsparcia od kolegów i przełożonych, sposób przetwarzania informacji, przekonania o szkodliwości oporności oraz poziom pewności własnych umiejętności. Zespół powiązał te odpowiedzi z deklarowanym zamiarze każdego uczestnika dotyczącym stosowania antybiotyków zgodnie z wytycznymi w przyszłości, tworząc bogaty zestaw danych łączący wewnętrzne nastawienia z planowanym zachowaniem.

Nauczanie komputerów rozpoznawania wzorców behawioralnych

Aby zrozumieć tę złożoną sieć wpływów, autorzy zastosowali metody uczenia maszynowego, które potrafią wykrywać subtelne wzorce w danych. Przeszkolili kilka modeli komputerowych, takich jak gradient boosting i metody zespołowe, aby przyporządkować klinicystów do grup o niskim, średnim lub wysokim zamiarze odpowiedniego przepisywania antybiotyków na podstawie wyników z kwestionariusza. Następnie wykorzystali narzędzia statystyczne, takie jak LASSO i SHAP, aby wyróżnić, które cechy psychologiczne miały największe znaczenie dla przewidywań modelu i jak te cechy ze sobą współdziałały.

Wyniki były uderzające. Modele potrafiły z bardzo dużą dokładnością identyfikować klinicystów o średnim lub wysokim zamiarze, ale miały większe trudności z wyraźnym oddzieleniem tych o niskim zamiarze. Sugeruje to, że słaba motywacja do przestrzegania wytycznych może wynikać z bardziej rozproszonych lub mieszanych przyczyn. Mimo to, we wszystkich modelach wyłonił się spójny obraz: wsparcie społeczne w miejscu pracy, przemyślane przetwarzanie informacji, solidna wiedza i umiejętności oraz silne przekonania o ryzyku związanym z opornością były najsilniejszymi predyktorami dobrych zamiarów.

Ukryta siła wsparcia, myślenia i przekonań

Jednym z najjaśniejszych wniosków była centralna rola wsparcia społecznego. Klinicyści, którzy czuli wsparcie ze strony kolegów i instytucji — poprzez wspólne normy, praktyczną pomoc i zachętę — znacznie częściej deklarowali zamiar prawidłowego stosowania antybiotyków. Uważne, refleksyjne myślenie oraz aktualna wiedza również sprzyjały właściwym zamiarom, podobnie jak wyraźne uświadomienie, jak niebezpieczne mogą być zakażenia oporne na leki. Tradycyjne koncepcje, takie jak siła woli czy ogólne poczucie kontroli nad zachowaniem, odegrały zaskakująco mniejszą rolę w tym silnie regulowanym środowisku szpitalnym, gdzie polityki i kultura zespołu często nadają ton.

Narzędzia wyjaśnialnej sztucznej inteligencji ujawniły, że te czynniki nie działają w izolacji. Na przykład wsparcie społeczne miało szczególnie silny efekt wśród klinicystów, którzy także uzyskali wysokie wyniki w zakresie uważnego myślenia, co sugeruje, że wspierający zespół może pomóc refleksyjnym klinicystom przełożyć ich rozumowanie na praktykę codzienną. Tego rodzaju nieliniowe wzorce trudno wykryć przy użyciu prostszych, czysto liniowych analiz statystycznych, ale stają się widoczne, gdy komputery elastycznie eksplorują dane i następnie „wyjaśniają”, które składniki najsilniej kształtują ich prognozy.

Co to oznacza dla zwalczania oporności na antybiotyki

Dla czytelnika niebędącego specjalistą wniosek jest prosty: mądrzejsze stosowanie antybiotyków to nie tylko przekazywanie zasad klinicystom. Chodzi o budowanie środowisk szpitalnych, w których ludzie czują się wspierani, poinformowani i zdolni do jasnego myślenia pod presją. Badanie pokazuje, że sztuczna inteligencja, gdy jest udostępniona w sposób przejrzysty i osadzona w psychologii, może wskazać klinicystów, którzy mogą być bardziej narażeni na odejście od wytycznych, i zidentyfikować konkretne powody tego stanu rzeczy. To otwiera drogę do spersonalizowanej informacji zwrotnej, szkoleń i zmian w miejscu pracy, które wzmacniają rozsądne przepisywanie — pomagając zachować skuteczność antybiotyków dla wszystkich, którzy kiedyś mogą na nich polegać.

Cytowanie: 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

Słowa kluczowe: oporność na antybiotyki, przepisywanie antybiotyków, pracownicy ochrony zdrowia, czynniki behawioralne, sztuczna inteligencja