当人工智能(AI)进入抗生素决策流程时,它带来了感染诊断、抗生素选择和处方决策的预测模型。然而,在实践中部署的管理工具主要基于结构化的临床和管理数据进行训练,并未系统性地捕捉患者的抗生素寻求行为、他们的恐惧和认知,或者帮助他们接受不开处方决策所需的沟通。这使它们错失了为医疗提供者尤其是初级保健的处方医生配备足够背景知识的机会,以应对患者的担忧并传达抗生素(不)处方决策,尤其是在不需要抗菌治疗的情况下。
预计到2050年,抗菌药物耐药性(AMR)每年将导致1000万人死亡 参考文献 Murray, Ikuta 和 Sharara1 。尽管有文献记录了更好的指南依从性 参考文献 Barlam, Cosgrove 和 Abbo2 、改进的诊断以及更短的抗生素疗程 参考文献 Mo, Tan 和 Cooper3 ,但不当处方仍在继续。诊断不确定性、工作流程压力和检测手段受限仍是不当处方的主要驱动因素,但有相当一部分处方是关系性的,而且往往是决定性的。在初级保健和门诊环境中,患者期望、疾病叙事、隐性压力 参考文献 Stivers 和 Timmermans4 以及达成共同理解的社交努力,比诊断或循证医学更常见地定义了处方礼仪。
患者参与改变这一现状的数据是明确的。一项Cochrane综述发现,促进患者参与处方决策的干预措施使急性呼吸道感染的抗生素处方减少了约40%,同时并未增加复诊次数或降低患者满意度 参考文献 Coxeter, Del Mar, McGregor, Beller 和 Hoffmann5 。最有效的干预并非通过说服患者接受拒绝,而是通过唤起他们的担忧并使其关注到的权衡变得可见。当患者感到真正被倾听时,他们不太可能强求不必要的抗生素。
人工智能正在进入这一关系性领域。2024年的一项系统综述指出,基于人工智能的临床决策支持工具在抗生素管理中的应用日益增长,涵盖脓毒症管理、尿路感染和呼吸道感染 参考文献 Pinto-de-Sá, Sousa-Pinto 和 Costa-de-Oliveira6 。这些工具具有真正的潜力:人工智能辅助的诊断管理可以缩短到适当抗生素的时间,并标记出个体处方医生无法察觉的过度使用模式。
然而,在许多情况下,患者对自身恐惧、认知以及感到被尊重并依从决策的需求的叙述并不在人工智能的训练数据中。近期的讨论强调了这一点,因为患者越来越多地在传统来源之外遇到人工智能生成的健康信息 参考文献 Blease7 。值得注意的是,关于人工智能对护理的关系性和沟通方面影响的证据在很大程度上仍然缺失。而这些关系性维度仍然是不当抗菌药物处方和使用的关键驱动因素。
抗生素管理项目长期以来因将患者视为被动接受者而受到批评 参考文献 Barello 和 Acampora8 ——被管理和教育,但未被真正纳入。以患者为中心的方法反复表明,这种不对称会削弱有效性:感到被排除在抗生素决策之外的患者更可能去别处寻求建议 参考文献 Blease7 或抗生素,不太可能依从商定的治疗方案,也不太可能信任未来的不开处方建议。随着人工智能快速进入抗生素管理领域,我们有机会纠正这种不对称。
弥合这一差距不仅仅是在事后加上患者满意度。它需要扩展人工智能训练数据,切实利用患者疾病叙事、问诊录音和患者报告的结局测量,其中包含与处方行为因果相关的信息。自然语言处理方法已展现出从问诊转录中提取有临床意义的信号的能力 参考文献 Ganoe, Wu 和 Barr9 或处理患者报告的经历 参考文献 van Buchem, Neve, Kant, Steyerberg, Boosman 和 Hensen10 ;将这些方法应用于抗生素管理情境不存在技术障碍。类似的面向护士的工具已经试点了利用人工智能分析患者故事叙事与结构化护理质量指标之间的对照 参考文献 Sch?nfelder, Cleland, Mccance 和 Mayer11 。实施可以包括在现有电子健康记录工作流程的处方节点处使用简短结构化提示捕捉患者担忧、已有的患者报告体验测量(PREMs)以及其他常规收集的数据。数字分诊工具已被用于在呼吸道就诊前捕捉患者报告的症状,这是大规模收集此类数据的另一个切入点 参考文献 Ellertsson, Hlynsson, Loftsson 和 Sigur Sson12 。
此外,评估框架必须扩展。一位未获得抗生素处方但带着困惑和不满离开就诊室并在一周内复诊的患者,代表了一种任何处方指标都无法捕捉的管理失败。人工智能辅助的管理应评估患者接受度、复诊率和治疗依从性。
从一开始就与患者和临床医生共同设计人工智能工具——映射问诊动态并在现场测试干预措施——比在未经理解其关系结构的情况下强加于临床问诊的工具更可能被使用和信任。
在抗菌药物耐药性负担与管理能力差距最大的地方,这一点最为重要。抗生素管理的人工智能工具几乎完全在高收入环境中开发,并在其疾病信念、就医行为和抗生素期望与中低收入国家显著不同的群体中进行验证,在中低收入国家,非处方抗生素获取是常态,而带着不满离开就诊室的社会含义完全不同。如果这些工具没有考虑到这一点,它们将加深而非缩小全球管理差距。同样的差距也存在于各国国内:抗生素和医疗获取最少的群体往往也最缺乏数字工具,以患者为中心的人工智能不应最终只服务于那些已经被最好服务的人群。
这种关系性差距不仅限于面向临床医生的工具;当人工智能直接为患者中介抗生素决策而没有临床医生参与时,它更为常见地出现,而且后果更为严重。问题的规模并非假设性的。抗菌药物自我用药和剩药共享在中低收入国家普遍存在:中低收入国家聚焦综述的汇总估计显示,大约三分之一到超过四分之三的成年人存在这种情况,抗生素通常从药房和非正式零售渠道获取,没有任何处方、诊断或临床监督 参考文献 Torres, Chibi, Kuupiel, Solomon, Mashamba-Thompson 和 Middleton13,参考文献 Gashaw, Yadeta, Weldegebreal, Demissie, Jambo 和 Assefa14 。这些正是全球抗菌药物耐药性相关死亡最高的地区 参考文献 Murray, Ikuta 和 Sharara1 。在这样的格局中,人工智能并非作为受管制的临床工具到来,而是作为不受监管、自由可用的诊断和治疗建议来源。生成式人工智能聊天机器人现已被广泛用于健康咨询,新兴证据已将它们的使用与自我诊断和抗生素自我处方联系起来,包括在非正式抗生素获取已很普遍的群体中 参考文献 Mahdi, Akram, Mumtaz, Tariq 和 Akhtar15 。至关重要的是,对这些面向消费者工具的监管落后于抗生素监管最薄弱的地区,留下了一重叠加的差距——即不受监督或临床上不合理的抗菌药物使用。如果不对这一交汇点进行科学和政策关注,人工智能的广泛渗透将带来在最受不了其后果的国家主动加速自我用药驱动型抗菌药物耐药性的风险。
不当抗生素使用在本质上是一个关系性问题,而人工智能有潜力改变这一关系性空间。现有证据说明了人类促进的共同决策在抗生素使用方面的积极效果;是否通过纳入患者生成数据来利用人工智能的潜力以再现甚至放大这一效果,是一个开放的、经验上尚未检验的问题,应成为管理研究优先关注的方向。
数据可用性声明
不适用。
致谢
不适用。
资金支持
本研究未获得任何资金。
利益冲突
无。


