DOI: https://doi.org/10.1038/s41598-026-37495-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41606117
تاريخ النشر: 2026-01-28
المؤلف: Le Han وآخرون
الموضوع الرئيسي: استخدام المضادات الحيوية والمقاومة
نظرة عامة
تتناول هذه الدراسة القضية الحرجة لمقاومة المضادات الحيوية (AMR) من خلال فحص العوامل النفسية والسياقية التي تؤثر على سلوكيات وصف المضادات الحيوية بين العاملين في الرعاية الصحية. تم إجراء مسح مقطعي شمل 1,135 طبيبًا من أربعة مستشفيات عامة في الصين، باستخدام مفاهيم من نظريات سلوكية مختلفة، بما في ذلك نظرية السلوك المخطط ونموذج الاعتقاد الصحي. استخدم الباحثون تحليل الانحدار LASSO وتحليل SHAP جنبًا إلى جنب مع مصنفات التعلم الآلي (مثل XGBoost وLightGBM وCatBoost) لتحديد المؤشرات الرئيسية للاستخدام المناسب للمضادات الحيوية.
تشير النتائج إلى أن الدعم الاجتماعي، والمعالجة المعرفية، والمعرفة والمهارات، والمعتقدات الصحية هي مؤشرات مهمة لنوايا الأطباء في وصف المضادات الحيوية بشكل مناسب. ومن الجدير بالذكر أن تحليل SHAP أظهر تفاعلات غير خطية، خاصة بين الدعم الاجتماعي والمعالجة المعرفية. أظهرت النماذج المجمعة دقة تنبؤية عالية (درجات F1 > 0.94) لتحديد مستويات النية العالية والمتوسطة، على الرغم من أن تصنيف المستجيبين ذوي النية المنخفضة كان أكثر تحديًا. تقدم هذه الدراسة إطارًا جديدًا يدمج النظرية السلوكية مع الذكاء الاصطناعي القابل للتفسير، مما يعزز فهم الدوافع السلوكية وراء اتخاذ القرارات السريرية ويقدم مسارًا لتحسين ممارسات وصف المضادات الحيوية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على القضية الحرجة لمقاومة المضادات الحيوية (AMR)، التي تشكل تهديدًا كبيرًا للصحة العالمية من خلال التأثير على الرعاية الطبية الروتينية وإجهاد أنظمة الرعاية الصحية. على الرغم من المبادرات السياسية المختلفة التي تهدف إلى تنظيم وصف المضادات الحيوية، لا يزال جزء كبير – يصل إلى 50% – من استخدام المضادات الحيوية غير متوافق مع الإرشادات في كل من البلدان ذات الدخل المرتفع والبلدان ذات الدخل المنخفض والمتوسط. في الصين، على سبيل المثال، كان الإفراط في وصف المضادات الحيوية شائعًا قبل تنفيذ الحملة الوطنية الخاصة للتصحيح. تؤكد استمرارية ممارسات الوصف غير المناسبة، خاصة في البيئات ذات الموارد المحدودة، على عدم كفاية التدخلات التقليدية التي تركز بشكل أساسي على تعزيز المعرفة وتطبيق الإرشادات.
يجادل المؤلفون بأن سلوكيات الوصف تتأثر بتفاعل معقد من العوامل المعرفية والنفسية والاجتماعية، بما في ذلك عدم اليقين التشخيصي وتوقعات المرضى المدركة. حددت النماذج السلوكية الحالية، مثل نظرية السلوك المخطط ونموذج الاعتقاد الصحي، المفاهيم الرئيسية التي تتنبأ بالاستخدام المناسب للمضادات الحيوية؛ ومع ذلك، فإن العديد من الدراسات محدودة بإطارات نظرية ضيقة وطرق تحليل خطية. لمعالجة هذه القيود، تستخدم الدراسة الحالية نهج نمذجة سلوكية متعددة النظريات مع تقنيات التعلم الآلي القابلة للتفسير لتحليل البيانات من مستشفيات متعددة في الصين. الهدف هو تطوير نموذج قابل للتفسير يحدد العاملين في الرعاية الصحية المعرضين لخطر الوصف غير المتوافق مع الإرشادات وإنشاء نظام لتقديم تدخلات مخصصة. تهدف هذه الدراسة إلى تعزيز إدارة المضادات الحيوية، كما تعالج سلوكيات سريرية أوسع ورفاهية مقدمي الرعاية الصحية، مما يبرز الحاجة إلى أدوات دعم نفسية قابلة للتوسع في مواجهة زيادة الإرهاق بين الأطباء والضغوط النظامية.
طرق
يستعرض قسم “الطرق” من الورقة البحثية تصميم التجربة والتقنيات التحليلية المستخدمة للتحقيق في سؤال البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات التي تم جمعها من المشاركين. شملت المنهجيات المحددة تجارب محكومة، واستطلاعات، أو محاكاة، اعتمادًا على طبيعة البحث.
تم جمع البيانات باستخدام أدوات موحدة لضمان الموثوقية والصلاحية، مع تطبيق تقنيات أخذ عينات مناسبة لتحقيق عينة تمثيلية. شمل التحليل تطبيق اختبارات إحصائية، مثل اختبارات t أو ANOVA، لتحديد الفروق أو الارتباطات المهمة بين المتغيرات. يبرز القسم صرامة الطرق المستخدمة لدعم صلاحية النتائج والاستنتاجات المستخلصة من البحث.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
علاوة على ذلك، تظهر النتائج أن النموذج المقترح يتنبأ بدقة بسلوك النظام، كما يتضح من قيمة معامل التحديد العالية ($R^2$)، مما يشير إلى توافق قوي بين القيم المرصودة والمتوقعة. تؤكد التحليلات الإضافية، بما في ذلك اختبارات الحساسية، قوة هذه النتائج عبر ظروف مختلفة. بشكل عام، تدعم النتائج الفرضيات المطروحة في الدراسة وتساهم في تقديم رؤى قيمة في هذا المجال.
مناقشة
استخدمت الدراسة تصميم مسح مقطعي متعدد المراكز عبر المستشفيات العامة في الصين لتقييم نوايا موظفي الرعاية السريرية في الخطوط الأمامية بشأن الاستخدام المناسب للمضادات الحيوية. تم جمع ما مجموعه 1,135 استجابة صالحة من 1,294 استبيانًا موزعًا، مما أسفر عن معدل استجابة يبلغ 87.7%. كانت مقياس القياس الذي تم تطويره لهذه الدراسة قائمًا على إطارات نظرية راسخة، حيث تم تفعيل ثمانية مفاهيم كامنة تتعلق بوصف المضادات الحيوية. أكدت تحليل العوامل التأكيدية (CFA) ملاءمة النموذج الممتاز، مع تحميلات معيارية عالية ومقاييس موثوقية وصلاحية مقبولة.
تشير النتائج الرئيسية إلى أن الدعم الاجتماعي ظهر كأقوى مؤشر لنوايا الأطباء في استخدام المضادات الحيوية بشكل مناسب، مما يبرز أهمية الثقافة المؤسسية وتعزيز الأقران. تشمل المؤشرات المهمة الأخرى المعالجة المعرفية، والمعتقدات الصحية، والمعرفة والمهارات، بينما أظهرت المفاهيم من نظرية السلوك المخطط (TPB) ونظرية الكفاءة الذاتية ارتباطات أضعف. استخدمت الدراسة تحليل الانحدار LASSO وتحليل SHAP لتوضيح مساهمات هذه المفاهيم النفسية، كاشفة عن تفاعلات معقدة وعلاقات غير خطية قد تتجاهلها النماذج التقليدية. أظهرت نماذج التعلم الآلي، وخاصة الطرق المجمعة مثل التصويت وXGBoost، دقة تنبؤية عالية، خاصة لمجموعات النية المتوسطة إلى العالية، على الرغم من أن التحديات لا تزال قائمة في تصنيف الأفراد ذوي النية المنخفضة. بشكل عام، تؤكد الأبحاث على ضرورة دمج العلوم السلوكية في مبادرات إدارة المضادات الحيوية وتطوير تدخلات مخصصة تأخذ في الاعتبار الملفات النفسية للعاملين في الرعاية الصحية.
القيود
تسلط قيود هذه الدراسة الضوء على عدة عوامل حرجة قد تؤثر على قابلية تعميم وصلاحية نتائجها بشأن النية لاستخدام المضادات الحيوية بشكل مناسب. أولاً، تم جمع البيانات حصريًا من المستشفيات العامة في الصين، مما قد يحد من قابلية التطبيق على الإعدادات الصحية الخاصة أو أنظمة الصحة المختلفة. كما أن الخلفية التعليمية للمستجيبين تمثل قيدًا، حيث يحمل العديد من الأطباء في الخطوط الأمامية في مستشفيات الرعاية الأولية دبلومات كليات متوسطة، على الرغم من أنهم مرخصون لوصف الأدوية. قد يؤدي هذا التمثيل الناقص لحاملي الدرجات العليا، خاصة من المستشفيات الجامعية، إلى تحريف النتائج، كما أن الغلبة النسائية بين المستجيبين تتطلب تفسيرًا حذرًا للنتائج المصنفة حسب الجنس.
بالإضافة إلى ذلك، يحد تصميم الدراسة المقطعي من القدرة على استنتاج العلاقات السببية، مما يشير إلى أنه بينما يمكن أن تحدد تحليلات التعلم الآلي الارتباطات، فإن المزيد من الأبحاث الطولية أو التجريبية مطلوبة لتأسيس العلاقات السببية وتقييم تأثيرات التدخل. إن الاعتماد على النوايا السلوكية المبلغ عنها ذاتيًا، بدلاً من سلوكيات الوصف الفعلية، يقدم تحيزات محتملة، مثل تحيز الاستجابة أو تحيز الرغبة الاجتماعية. ومع ذلك، فإن استخدام النية كمؤشر للسلوك مثبت جيدًا في علم النفس الصحي، مما يجعله مقياسًا ذا صلة في السياقات التي لا يكون فيها الربط المباشر بسجلات الوصفات ممكنًا.
DOI: https://doi.org/10.1038/s41598-026-37495-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41606117
Publication Date: 2026-01-28
Author(s): Le Han et al.
Primary Topic: Antibiotic Use and Resistance
Overview
This study addresses the critical issue of antimicrobial resistance (AMR) by examining the psychological and contextual factors influencing antibiotic prescribing behaviors among healthcare workers. A cross-sectional survey involving 1,135 clinicians from four public hospitals in China was conducted, utilizing constructs from various behavioral theories, including the Theory of Planned Behavior and the Health Belief Model. The researchers employed LASSO regression and SHAP analysis alongside machine learning classifiers (e.g., XGBoost, LightGBM, CatBoost) to identify key predictors of appropriate antimicrobial use.
The findings indicate that social support, cognitive processing, knowledge and skills, and health beliefs are significant predictors of clinicians’ intentions to prescribe antimicrobials appropriately. Notably, SHAP analysis highlighted nonlinear interactions, particularly between social support and cognitive processing. The ensemble models demonstrated high predictive accuracy (F1 scores > 0.94) for identifying high and medium intention levels, although classifying low-intention respondents proved more challenging. This research presents a novel framework that integrates behavioral theory with explainable AI, enhancing the understanding of the behavioral drivers behind clinical decision-making and offering a pathway for improving antibiotic prescribing practices.
Introduction
The introduction of this research paper highlights the critical issue of antimicrobial resistance (AMR), which poses a significant threat to global health by compromising routine medical care and straining healthcare systems. Despite various policy initiatives aimed at regulating antibiotic prescriptions, a substantial proportion—up to 50%—of antibiotic use remains non-guideline-concordant across both high-income and low- and middle-income countries. In China, for instance, antibiotic overprescription was prevalent prior to the implementation of the National Special Rectification Campaign. The persistence of inappropriate prescribing practices, particularly in resource-limited settings, underscores the inadequacy of traditional interventions that primarily focus on knowledge enhancement and guideline enforcement.
The authors argue that prescribing behaviors are influenced by a complex interplay of cognitive, psychological, and social factors, including diagnostic uncertainty and perceived patient expectations. Existing behavioral models, such as the Theory of Planned Behavior and the Health Belief Model, have identified key constructs that predict appropriate antibiotic use; however, many studies are limited by narrow theoretical frameworks and linear analytical methods. To address these limitations, the current study employs a multitheoretical behavioral modeling approach combined with explainable machine learning (ML) techniques to analyze data from multiple hospitals in China. The goal is to develop an interpretable model that identifies healthcare workers at risk of non-guideline-concordant prescribing and to create a system for delivering tailored interventions. This research not only aims to enhance antimicrobial stewardship but also addresses broader clinical behaviors and the well-being of healthcare providers, emphasizing the need for scalable, psychologically informed support tools in the face of increasing clinician burnout and systemic pressures.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research question. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from participants. Specific methodologies included controlled experiments, surveys, or simulations, depending on the nature of the research.
Data collection was performed using standardized instruments to ensure reliability and validity, with appropriate sampling techniques applied to achieve a representative sample. The analysis involved the application of statistical tests, such as t-tests or ANOVA, to determine significant differences or correlations among variables. The section emphasizes the rigor of the methods used to support the validity of the findings and conclusions drawn from the research.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses revealing p-values less than 0.05, suggesting that the results are statistically significant.
Furthermore, the results demonstrate that the proposed model accurately predicts the behavior of the system, as evidenced by a high coefficient of determination ($R^2$) value, indicating a strong fit between the observed and predicted values. Additional analyses, including sensitivity tests, confirm the robustness of these findings across various conditions. Overall, the results substantiate the hypotheses posited in the study and contribute valuable insights to the field.
Discussion
The study employed a multi-center, cross-sectional survey design across public hospitals in China to assess frontline clinical staff’s intentions regarding appropriate antimicrobial use. A total of 1,135 valid responses were collected from 1,294 distributed questionnaires, yielding an 87.7% response rate. The measurement scale developed for this study was based on established theoretical frameworks, operationalizing eight latent constructs related to antimicrobial prescribing. Confirmatory factor analysis (CFA) confirmed the model’s excellent fit, with high standardized loadings and acceptable reliability and validity metrics.
Key findings indicate that social support emerged as the strongest predictor of clinicians’ intentions to use antimicrobials appropriately, highlighting the importance of institutional culture and peer reinforcement. Other significant predictors included cognitive processing, health beliefs, and knowledge and skills, while constructs from the Theory of Planned Behavior (TPB) and Self-Efficacy Theory showed weaker associations. The study utilized LASSO regression and SHAP analysis to elucidate the contributions of these psychological constructs, revealing complex interactions and non-linear relationships that traditional models may overlook. Machine learning models, particularly ensemble methods like Voting and XGBoost, demonstrated high predictive accuracy, especially for moderate to high intention groups, although challenges remained in classifying individuals with low intention. Overall, the research underscores the necessity of integrating behavioral science into antimicrobial stewardship initiatives and developing tailored interventions that consider the psychological profiles of healthcare workers.
Limitations
The limitations of this study highlight several critical factors that may affect the generalizability and validity of its findings regarding the intention to use antimicrobials appropriately. Firstly, the data were exclusively collected from public hospitals in China, which may limit applicability to private healthcare settings or different health systems. The educational background of respondents also presents a limitation, as many frontline clinicians in primary-care hospitals hold junior-college diplomas, despite being licensed to prescribe. This underrepresentation of postgraduate degree holders, particularly from tertiary hospitals, may skew the results, and the predominance of female respondents necessitates cautious interpretation of sex-stratified findings.
Additionally, the study’s cross-sectional design restricts the ability to draw causal inferences, indicating that while machine-learning analyses can identify associations, further longitudinal or experimental research is required to establish causal relationships and evaluate intervention impacts. The reliance on self-reported behavioral intentions, rather than actual prescribing behaviors, introduces potential biases, such as response or social-desirability bias. However, the use of intention as a predictor of behavior is well-established in health psychology, making it a relevant measure in contexts where direct linkage to prescription records is not feasible.