人工智能通过多种理论的心理和行为测量预测医疗工作者的抗生素使用意向

为何抗生素选择与每个人息息相关

抗生素挽救了无数生命，但在不真正需要时使用会促使耐药细菌出现，使曾经简单的感染变得致命。全球范围内，许多抗生素处方仍未遵循医学指南。本研究提出了一个简单却有力的问题：能否将心理学的理念与人工智能结合起来，识别哪些医疗工作者最有可能明智地使用抗生素——以及哪些人可能需要更多支持？

关注决策过程，而不仅仅是处方

以往遏制抗生素过度使用的努力主要集中在规章、培训和监测上。但现实中的决策往往是在压力下做出的，面对焦虑的病人、时间限制以及担心漏诊严重感染的恐惧。研究者认为，我们必须超越单纯的知识层面，研究塑造临床决策的信念、习惯和社会压力。他们借鉴了几种著名的行为理论——涵盖态度、风险感知、自信以及社会支持——为中国四家公立医院的一线医师和护士设计了一份详细问卷。

超过一千名临床人员完成了这项调查，测量了八大类心理领域，包括他们感受到的同事与领导支持、信息处理方式、对耐药危害的信念以及自我技能的自信程度。研究团队将这些回答与每位受访者表明的未来按指南使用抗生素的意向相连接，形成了一套将内在心态与计划行为联系起来的丰富数据集。

教计算机读懂行为模式

为了解读这张复杂的影响网络，作者采用了能够在数据中发现细微模式的机器学习方法。他们训练了多种计算模型，如梯度提升和集成方法，根据问卷分数将临床人员分为低、中、高三类——即其适当处方抗生素的意向高低。随后他们使用名为LASSO和SHAP的统计工具，强调哪些心理特征对模型预测最为重要，以及这些特征如何相互作用。

结果令人瞩目。模型可以非常准确地识别出具有中等或高意向的临床人员，但更难以清晰地区分那些低意向的人群。这表明对指南的低动机可能源自更多分散或混合的原因。尽管如此，各模型之间呈现出一致的图景：工作中的社会支持、慎思的信息处理、扎实的知识与技能，以及对耐药风险的强烈认知，是预测良好意向的最有力因素。

支持、思考与信念的隐性力量

最清晰的发现之一是社会支持的核心作用。那些感到同事与机构给予支持——通过共同规范、实际帮助与鼓励——的临床人员，更有可能打算正确使用抗生素。审慎、反思性的思考和最新的知识也能推动正确的意向，对耐药感染危险性的鲜明认知亦然。在这种高度规范化的医院环境中，传统观念如个人意志力或对行为的一般控制感，出人意料地作用较小，政策和团队文化常常起主导作用。

可解释的人工智能工具表明，这些因素并非单独起作用。例如，社会支持在那些在慎思方面得分也很高的临床人员中表现出尤为强烈的影响，暗示支持性的团队可能帮助有思考倾向的临床人员将其推理转化为日常实践。这类非线性模式用更简单的纯线性统计难以发现，但当计算机能够灵活地探索数据并“解释”哪些要素最强烈地影响其预测时，这些模式就会显现。

这对应对抗生素耐药意味着什么

对普通读者来说，结论是：更聪明的抗生素使用不仅仅是告诉临床人员规则，而是要营造让人们感到被支持、信息充分并能在压力下清晰思考的医院环境。本研究表明，当人工智能变得透明并以心理学为基础时，它可以标记出那些可能更有偏离指南风险的临床人员，并指出具体原因。这为定向反馈、辅导和工作场所改进打开了大门，从而加强恰当处方——帮助保持抗生素对将来可能依赖它们的每个人的有效性。

引用: 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

关键词: 抗生素耐药性, 抗生素处方, 医疗工作者, 行为因素, 人工智能