A inteligência artificial prevê as intenções de uso de antibióticos por profissionais de saúde a partir de medidas psicológicas e comportamentais em múltiplas teorias

Por que as escolhas de antibióticos interessam a todos

Os antibióticos salvaram inúmeras vidas, mas usá‑los quando não são realmente necessários contribui para o surgimento de bactérias resistentes a medicamentos que podem tornar infecções antes simples em ameaças letais. Em todo o mundo, muitas prescrições de antibióticos ainda não seguem as diretrizes médicas. Este estudo faz uma pergunta simples, porém poderosa: podemos usar ideias da psicologia, combinadas com inteligência artificial, para entender quais profissionais de saúde têm maior probabilidade de usar antibióticos com sabedoria — e quais podem precisar de mais apoio?

Olhar para dentro da decisão, não apenas para a prescrição

Esforços anteriores para reduzir o uso excessivo de antibióticos concentraram‑se principalmente em regras, treinamento e monitoramento. Mas decisões do mundo real ocorrem sob pressão, com pacientes apreensivos, limites de tempo e medo de deixar passar uma infecção grave. Os pesquisadores argumentam que é preciso ir além do conhecimento e estudar as crenças, hábitos e pressões sociais que moldam as escolhas do clínico. Eles se basearam em várias teorias comportamentais conhecidas — cobrindo atitudes, riscos percebidos, confiança e apoio social — para construir um questionário detalhado para médicos e enfermeiros de linha de frente em quatro hospitais públicos na China.

Mais de mil clínicos responderam a essa pesquisa, que mediu oito grandes áreas psicológicas, incluindo quanto apoio sentem de colegas e líderes, como processam informações, no que acreditam sobre os danos da resistência e quão confiantes se sentem em suas próprias competências. A equipe então vinculou essas respostas à intenção declarada de cada pessoa de usar antibióticos conforme as diretrizes no futuro, criando um conjunto de dados rico que conecta mentalidades internas ao comportamento planejado.

Ensinando computadores a ler padrões comportamentais

Para entender essa teia complexa de influências, os autores recorreram a métodos de aprendizado de máquina capazes de detectar padrões sutis nos dados. Treinaram vários modelos computacionais, como gradient boosting e métodos em conjunto, para classificar clínicos em intenção baixa, média ou alta de prescrever antibióticos adequadamente com base nas pontuações do questionário. Em seguida, usaram ferramentas estatísticas chamadas LASSO e SHAP para destacar quais características psicológicas mais importavam para as previsões do modelo e como essas características interagiam entre si.

Os resultados foram marcantes. Os modelos conseguiram identificar clínicos com intenção média ou alta com precisão muito elevada, mas tiveram mais dificuldade em separar claramente aqueles com intenção baixa. Isso sugere que a fraca motivação para seguir as diretrizes pode surgir por razões mais dispersas ou mistas. Ainda assim, entre os modelos, emergiu um quadro consistente: apoio social no trabalho, processamento cuidadoso da informação, conhecimento e habilidades sólidos e crenças fortes sobre os riscos da resistência foram os preditores mais poderosos de boas intenções.

O poder oculto do apoio, do pensamento e da crença

Uma das descobertas mais claras foi o papel central do apoio social. Clínicos que se sentiam respaldados por colegas e instituições — por meio de normas compartilhadas, ajuda prática e encorajamento — tinham muito mais probabilidade de pretender usar antibióticos corretamente. Pensamento cuidadoso e reflexivo e conhecimento atualizado também impulsionaram as intenções na direção correta, assim como uma percepção vívida de quão perigosas podem ser as infecções resistentes a medicamentos. Ideias tradicionais como força de vontade pessoal ou um senso geral de controle sobre o comportamento tiveram um papel surpreendentemente menor nesse ambiente hospitalar fortemente regulado, onde políticas e cultura de equipe frequentemente definem o tom.

As ferramentas de IA explicável revelaram que esses fatores não atuam isoladamente. Por exemplo, o apoio social teve um efeito especialmente forte entre clínicos que também obtiveram pontuações altas em pensamento cuidadoso, sugerindo que uma equipe de apoio pode ajudar clínicos reflexivos a traduzir seu raciocínio em prática diária. Esses tipos de padrões não lineares são difíceis de descobrir com estatísticas mais simples e puramente lineares, mas tornam‑se visíveis quando os computadores podem explorar os dados de forma flexível e então “explicar” quais ingredientes moldam com mais força suas previsões.

O que isso significa para enfrentar a resistência a antibióticos

Para o leitor leigo, a mensagem é que o uso mais inteligente de antibióticos não se resume a dizer aos clínicos as regras. Trata‑se de construir ambientes hospitalares onde as pessoas se sintam apoiadas, informadas e mentalmente aptas a pensar com clareza sob pressão. Este estudo mostra que a inteligência artificial, quando tornada transparente e fundamentada na psicologia, pode identificar clínicos que podem estar em maior risco de se afastar das diretrizes e apontar as razões específicas por que isso ocorre. Isso abre a porta para feedbacks personalizados, treinamento e mudanças no local de trabalho que fortaleçam a prescrição responsável — ajudando a manter os antibióticos eficazes para todos que um dia possam depender deles.

Citação: 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

Palavras-chave: resistência a antibióticos, prescrição de antibióticos, profissionais de saúde, fatores comportamentais, inteligência artificial