Искусственный интеллект предсказывает намерения медицинских работников по использованию антибиотиков на основе психологических и поведенческих показателей из нескольких теорий

Почему выбор антибиотиков важен для всех

Антибиотики спасли бесчисленное количество жизней, но их применение без необходимости способствует появлению устойчивых к лекарствам бактерий, которые способны сделать когда‑то простые инфекции смертельными. Во многих странах до сих пор значительная часть назначений антибиотиков не соответствует медицинским рекомендациям. В этом исследовании ставится простой, но важный вопрос: можно ли, опираясь на идеи психологии и методы искусственного интеллекта, понять, какие медицинские работники с наибольшей вероятностью будут разумно использовать антибиотики, а кому может потребоваться дополнительная поддержка?

Исследовать само решение, а не только рецепт

Предыдущие попытки сократить чрезмерное использование антибиотиков в основном сосредотачивались на правилах, обучении и контроле. Но реальные решения принимаются в условиях давления: обеспокоенные пациенты, ограничение времени и страх упустить серьёзную инфекцию. Авторы исследования утверждают, что необходимо выходить за рамки одних только знаний и изучать убеждения, привычки и социальное давление, которые формируют выбор врача. Для этого они опирались на несколько известных теорий поведения — охватывающих установки, восприятие риска, уверенность и социальную поддержку — и создали подробную анкету для врачей и медсестёр в четырёх государственных больницах Китая.

Более тысячи клиницистов заполнили эту анкету, которая измеряла восемь широких психологических областей, включая ощущение поддержки со стороны коллег и руководства, способы обработки информации, представления о вреде устойчивости и уверенность в собственных навыках. Команда затем соотнесла эти ответы с заявленными намерениями каждого респондента в будущем применять антибиотики в соответствии с руководствами, создав богатую базу данных, связывающую внутренние установки с планируемым поведением.

Обучение компьютеров распознавать поведенческие шаблоны

Чтобы разобраться в этой сложной сети влияний, авторы использовали методы машинного обучения, способные выявлять тонкие закономерности в данных. Они обучали несколько моделей, таких как градиентный бустинг и ансамблевые методы, сортировать клиницистов по низкому, среднему или высокому уровню намерения правильно назначать антибиотики на основе баллов анкеты. Затем применялись статистические инструменты LASSO и SHAP, чтобы выделить, какие психологические признаки наиболее важны для предсказаний модели и как эти признаки взаимодействуют между собой.

Результаты оказались впечатляющими. Модели с высокой точностью идентифицировали клиницистов со средним или высоким уровнем намерения, тогда как с отделением группы с низким намерением возникали трудности. Это говорит о том, что слабая мотивация следовать рекомендациям может иметь более разрозненные или смешанные причины. Тем не менее между моделями вырисовывалась последовательная картина: социальная поддержка на работе, вдумчивая обработка информации, прочные знания и навыки, а также сильные убеждения о рисках устойчивости оказались самыми мощными предикторами благоприятных намерений.

Скрытая сила поддержки, мышления и убеждений

Одним из самых явных выводов стала центральная роль социальной поддержки. Клиницисты, которые чувствовали поддержку коллег и институций — через общие нормы, практическую помощь и поощрение — значительно чаще намеревались правильно использовать антибиотики. Вдумчивое, рефлексивное мышление и актуальные знания также сдвигали намерения в нужную сторону, как и яркое представление о том, насколько опасны инфекции, устойчивые к препаратам. Традиционные представления о личной силе воли или общем контроле над поведением играли удивительно незначительную роль в этой строго регулируемой больничной среде, где политика и культура команды часто задают тон.

Инструменты объяснимого ИИ показали, что эти факторы не действуют по одиночке. Например, социальная поддержка оказывала особенно сильное влияние среди клиницистов с высокими показателями вдумчивого мышления, что намекает на то, что поддерживающая команда может помочь вдумчивым специалистам переносить их рассуждения в ежедневную практику. Такие нелинейные взаимосвязи трудно обнаружить с помощью простых линейных статистических методов, но они становятся видимыми, когда компьютеры гибко исследуют данные и затем «объясняют», какие компоненты сильнее всего формируют их предсказания.

Что это означает для борьбы с антимикробной резистентностью

Для неспециалиста вывод таков: более разумное использование антибиотиков — это не только напоминание клиницистам о правилах. Речь о создании больничной среды, где люди чувствуют поддержку, имеют доступ к информации и способны ясно мыслить под давлением. Это исследование показывает, что искусственный интеллект, будучи прозрачным и основанным на психологических данных, может выявлять клиницистов с повышенным риском отклонения от руководств и указывать конкретные причины. Это открывает путь к персонализированной обратной связи, наставничеству и изменениям в рабочей среде, которые укрепляют разумное назначение антибиотиков — помогая сохранить их эффективность для всех, кто когда‑либо будет в них нуждаться.

Цитирование: 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

Ключевые слова: антимикробная резистентность, выписывание антибиотиков, медицинские работники, поведенческие факторы, искусственный интеллект