Yapay zeka, birden fazla teorideki psikolojik ve davranışsal ölçümlerle sağlık çalışanlarının antibiyotik kullanım niyetlerini tahmin ediyor

Antibiyotik seçimlerinin herkes için neden önemi var

Antibiyotikler sayısız hayat kurtardı, ancak gereksiz kullanımları bir zamanlar basit olan enfeksiyonları ölümcül kılabilecek ilaçlara dirençli bakterilerin ortaya çıkmasına yardımcı olur. Dünyanın birçok yerinde antibiyotik reçeteleri hâlâ tıbbi kılavuzlara tam olarak uymuyor. Bu çalışma basit ama güçlü bir soruyu gündeme getiriyor: Psikolojiden gelen fikirleri yapay zeka ile birleştirerek hangi sağlık çalışanlarının antibiyotikleri akıllıca kullanma olasılığı daha yüksek—ve hangilerinin daha fazla desteğe ihtiyaç duyabileceğini anlayabilir miyiz?

Reçeteye değil, kararın içini incelemek

Antibiyotik aşırı kullanımını azaltmaya yönelik geçmiş çabalar çoğunlukla kurallar, eğitim ve izleme üzerine odaklandı. Oysa gerçek dünya kararları hasta kaygıları, zaman baskısı ve ciddi bir enfeksiyonu kaçırma korkusu altında veriliyor. Araştırmacılar, yalnızca bilgiye bakmanın ötesine geçip klinisyenin seçimlerini şekillendiren inançları, alışkanlıkları ve sosyal baskıları incelememiz gerektiğini savunuyor. Bunun için tutumları, algılanan riskleri, öz‑yeterlik (güven) ve sosyal desteği kapsayan bir dizi iyi bilinen davranış teorisinden yararlanarak Çin’de dört kamu hastanesinde çalışan ön cephe doktor ve hemşireleri için ayrıntılı bir anket hazırladılar.

Binin üzerinde klinisyen bu anketi doldurdu; anket, meslektaşlar ve yöneticilerden ne kadar destek hissettiklerini, bilgiyi nasıl işlediklerini, direncin zararlarıyla ilgili inançlarını ve kendi becerilerine ne kadar güvendiklerini içeren sekiz geniş psikolojik alanı ölçtü. Ekip daha sonra bu yanıtları, her katılımcının gelecekte kılavuzlara uygun antibiyotik kullanma niyetine bağlayarak içsel zihniyetleri planlanan davranışla birleştiren zengin bir veri seti oluşturdu.

Bilgisayarlara davranış kalıplarını öğretmek

Bu karmaşık etki ağını anlamlandırmak için yazarlar, verideki ince desenleri tespit edebilen makine öğrenimi yöntemlerine başvurdular. Anket puanlarına göre klinisyenleri antibiyotikleri uygun şekilde reçeteleme niyeti açısından düşük, orta veya yüksek olarak sınıflandırmak üzere gradyan yükseltme ve topluluk (ensemble) yöntemleri gibi birkaç bilgisayar modelini eğittiler. Ardından hangi psikolojik özelliklerin modelin tahminleri için en önemli olduğunu ve bu özelliklerin nasıl etkileştiğini vurgulamak için LASSO ve SHAP gibi istatistiksel araçlar kullandılar.

Sonuçlar çarpıcıydı. Modeller, orta veya yüksek niyete sahip klinisyenleri çok yüksek doğrulukla tanımlayabiliyordu, ancak düşük niyete sahipleri net biçimde ayırmakta daha zorlandılar. Bu, kılavuzlara uymama yönündeki zayıf motivasyonun daha dağınık veya karışık nedenlerden kaynaklanabileceğini gösteriyor. Yine de, modeller arasında tutarlı bir tablo ortaya çıktı: işyerindeki sosyal destek, dikkatli bilgi işleme, sağlam bilgi ve beceriler ile direncin risklerine ilişkin güçlü inançlar iyi niyetlerin en güçlü öngörücüleri idi.

Destek, düşünme ve inancın gizli gücü

En açık bulgulardan biri sosyal desteğin merkezi rolüydü. Meslektaşları ve kurumları tarafından paylaşılan normlar, pratik yardım ve teşvik yoluyla desteklendiğini hisseden klinisyenler, antibiyotikleri doğru kullanma niyetine sahip olma olasılığı çok daha yüksekti. Dikkatli, yansıtıcı düşünme ve güncel bilgi de niyetleri doğru yönde etkiledi; ayrıca ilaç dirençli enfeksiyonların ne kadar tehlikeli olabileceğine dair canlı bir algı da etkiliydi. Kişisel irade veya davranış üzerinde genel bir kontrol duygusu gibi geleneksel fikirler ise, politikaların ve ekip kültürünün tonu belirlediği bu sıkı düzenlenmiş hastane ortamında şaşırtıcı şekilde daha küçük bir rol oynadı.

Açıklanabilir yapay zeka araçları, bu faktörlerin izole çalışmadığını gösterdi. Örneğin sosyal desteğin etkisi, aynı zamanda dikkatli düşünme puanı yüksek olan klinisyenler arasında özellikle güçlüydü; bu da destekleyici bir ekibin düşünceli klinisyenlerin muhakemesini günlük uygulamaya dönüştürmelerine yardımcı olabileceğine işaret ediyor. Bu tür doğrusal olmayan desenler daha basit, saf lineer istatistiklerle ortaya çıkarması zor olsa da bilgisayarlar veriyi esnek biçimde keşfederek hangi bileşenlerin tahminlerini en güçlü şekilde şekillendirdiğini “açıklayınca” görünür hale geliyorlar.

Antibiyotik direnciyle mücadele için bunun anlamı

Bir genel okuyucu için çıkarılacak ders, daha akıllı antibiyotik kullanımının yalnızca klinisyenlere kuralları söylemekten ibaret olmadığıdır. Bu, insanların desteklendiğini, bilgilendirildiğini ve baskı altında net düşünme kapasitesine sahip hissettikleri hastane ortamları inşa etmeye dair bir meseledir. Bu çalışma, yapay zekânın psikolojiye dayandırıldığında ve şeffaf yapıldığında kılavuzlardan sapma riski daha yüksek olabilecek klinisyenleri tespit edebileceğini ve bunun nedenlerine işaret edebileceğini gösteriyor. Bu da akıllı reçetelendirmeyi güçlendirecek kişiselleştirilmiş geribildirim, koçluk ve işyeri değişikliklerine kapı açıyor—antibiyotiklerin bir gün onlara bel bağlayabilecek herkes için etkili kalmasına yardımcı oluyor.

Atıf: 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

Anahtar kelimeler: antibiyotik direnci, antibiyotik reçetelendirmesi, sağlık çalışanları, davranışsal faktörler, yapay zeka