Artificiell intelligens förutspår vårdpersonals intentioner att använda antibiotika utifrån psykologiska och beteendemässiga mått över flera teorier

Varför antibiotikaval berör alla

Antibiotika har räddat otaliga liv, men att använda dem när de inte verkligen behövs bidrar till framväxten av läkemedelsresistenta bakterier som kan göra tidigare enkla infektioner dödliga. Runt om i världen följer många antibiotikaförskrivningar fortfarande inte medicinska riktlinjer. Denna studie ställer en enkel men kraftfull fråga: kan vi använda idéer från psykologin, kombinerat med artificiell intelligens, för att förstå vilka vårdpersoner som är mest benägna att använda antibiotika klokt — och vilka som kan behöva mer stöd?

Att se in i beslutet, inte bara receptet

Tidigare insatser för att begränsa överanvändning av antibiotika har främst fokuserat på regler, utbildning och övervakning. Men verkliga beslut fattas under press, med oroliga patienter, tidsbrist och rädsla för att missa en allvarlig infektion. Forskarna hävdar att vi måste titta bortom kunskap ensam och studera de övertygelser, vanor och sociala påtryckningar som formar en klinikers val. De använde flera välkända beteendeteorier — som täcker attityder, upplevda risker, självförtroende och socialt stöd — för att bygga ett detaljerat frågeformulär för läkare och sjuksköterskor i frontlinjen vid fyra offentliga sjukhus i Kina.

Mer än tusen kliniker fyllde i denna enkät, som mätte åtta breda psykologiska områden, inklusive hur mycket stöd de känner från kollegor och ledare, hur de bearbetar information, vad de tror om skadorna av resistens och hur trygga de känner sig i sina egna färdigheter. Teamet kopplade sedan dessa svar till varje persons uppgivna intention att i framtiden använda antibiotika i enlighet med riktlinjerna, och skapade en rik datamängd som förbinder inre inställningar med planerat beteende.

Att lära datorer läsa beteendemönster

För att förstå detta komplexa nät av påverkan vände sig författarna till maskininlärningsmetoder som kan upptäcka subtila mönster i data. De tränade flera datormodeller, såsom gradientförstärkning och ensemblemetoder, för att sortera kliniker i låg, medel eller hög intention att förskriva antibiotika på ett lämpligt sätt baserat på deras enkätpoäng. De använde sedan statistiska verktyg som LASSO och SHAP för att framhäva vilka psykologiska egenskaper som betydde mest för modellens prediktioner och hur dessa egenskaper samverkade med varandra.

Resultaten var slående. Modellerna kunde identifiera kliniker med medelhög eller hög intention med mycket hög noggrannhet, men hade svårare att tydligt särskilja dem med låg intention. Detta tyder på att svag motivation att följa riktlinjer kan uppstå av mer splittrade eller blandade skäl. Ändå framträdde över modellerna en konsekvent bild: socialt stöd på arbetsplatsen, eftertänksam informationsbearbetning, gedigen kunskap och färdigheter samt starka övertygelser om riskerna med resistens var de mest kraftfulla prediktorerna för goda intentioner.

Det dolda värdet av stöd, tänkande och övertygelse

En av de tydligaste fynden var den centrala rollen för socialt stöd. Kliniker som kände sig stödda av sina kollegor och institutioner — genom delade normer, praktisk hjälp och uppmuntran — var mycket mer benägna att avse att använda antibiotika korrekt. Noggrant, reflekterande tänkande och aktuella kunskaper pushade också intentionerna i rätt riktning, liksom en levande känsla av hur farliga läkemedelsresistenta infektioner kan vara. Traditionella idéer som personlig viljekraft eller en allmän känsla av kontroll över beteendet spelade en förvånansvärt liten roll i denna tätt reglerade sjukhusmiljö, där policyer och teamkultur ofta sätter tonen.

De förklarliga AI-verktygen visade att dessa faktorer inte fungerar isolerat. Till exempel hade socialt stöd en särskilt stark effekt bland kliniker som också hade höga poäng i eftertänksamt tänkande, vilket antyder att ett stödjande team kan hjälpa tankfulla kliniker att omsätta sitt resonemang i vardagligt handlande. Denna typ av icke-linjära mönster är svåra att upptäcka med enklare, rent linjära statistiska metoder, men blir synliga när datorer flexibelt kan utforska data och sedan ”förklara” vilka ingredienser som mest påverkar deras prediktioner.

Vad detta betyder för att bekämpa antibiotikaresistens

För en allmän läsare är slutsatsen att smartare användning av antibiotika inte bara handlar om att berätta för kliniker vilka regler som gäller. Det handlar om att bygga sjukhusmiljöer där människor känner sig stödda, informerade och mentalt kapabla att tänka klart under press. Denna studie visar att artificiell intelligens, när den görs transparent och förankrad i psykologi, kan flagga kliniker som kan vara i högre risk att avvika från riktlinjer och peka på de specifika skälen till varför. Det öppnar dörren för skräddarsydd återkoppling, coachning och arbetsplatsförändringar som stärker klok förskrivning — och hjälper till att hålla antibiotika effektiva för alla som en dag kan vara beroende av dem.

Citering: 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

Nyckelord: antibiotikaresistens, antibiotikaförskrivning, vårdpersonal, beteendefaktorer, artificiell intelligens