Google研究人员想要借助机器学习技术技术，最大化加护病房资源使用效率，Google提出了一种称为串行子网络路由（Sequential Sub-Network Routing，SeqSNR）的多任务学习架构（MTL），能够良好地根据现实情况的复杂性，做出更全面的预测。该研究的贡献在于，研究人员成功将SeqSNR应用在加护病房环境，预测病患连续不良事件，即便在缺少训练资料的情况，也能良好地处理单项任务以及简单的多重任务。
加护病房负责照顾极脆弱的病患，其中许多病患需要机械式呼吸辅助或是透析来维持生命。加护病房的资源相当吃紧，尤其是在COVID-19大流行期间，面对大量的病患，医院需要把资源留给最需要的病患，而准确预测加护病房病患的临床结果，能够指引治疗方法，提供医护重要的决策消息，包括人员配置和分流支持。
Google提到，过去将机器学习用于电子健康履历（EHR）的研究，已经显示出预测临床结果的潜力，但是这些机器学习模型，都是基于单任务学习，也就是说，模型仅适用于预测特定的不良事件，像是器官功能衰竭，或是生命支持性干预，而多任务模型，则可以带来更大的好处，可以考虑竞争风险或是器官系统间的依赖性，更全面地预测现实环境中病患的状况。
研究人员使用免费开放且去识别化的MIMIC-III EHR资料集，该资料集具有36,498名成年患者的资料，包含加护病房患者的多模式记录。研究人员提到，与其他机器学习所使用的资料集不同的地方是，输入和目标之间的关系通常没有明确定义，需要从资料推理出来，因此研究人员根据基于规则的自动化方法，以及临床审查，定义了一系列不同的目标，包括重症医疗干预、特定器官功能衰竭等。
研究人员设计模型要能预测患者进入加护病房后，24到48小时间的一系列不良事件，这些不良事件诸如急诊性肾损伤、连续性肾脏替代疗法透析、死亡率和剩余住院时间等。研究人员解释，虽然多任务学习可以捕捉器官系统之间的相依关系并且平衡风险，但是实例上通常会面临联合学习的任务，互相干扰的负迁移（Negative Transfer）问题，而SeqSNR的特性，能过滤掉与任务相关性低的资料，最大程度降低负迁移，简单来说，也就是每个任务都会使用不同的模型路径。
MIMIC-III资料集包含性别和年龄，但是不包含人种信息，研究人员计算了在不同年龄和性别子群的模型，在资料集很少的情况，SeqSNR预测的结果通常优于单任务学习模型。这项研究是将SeqSNR用于EHR预测任务的概念性验证，研究团队已经公开架构程序代码，希望能够促进更多的临床预测研究。
研究人员提到，SeqSNR的性能与任务、时间和资料集有关，拥有人种等额外的人口消息，将有助于提升算法性能。目前的研究都仅是雏形，会需要更严格的评估，才能在实际场景使用该工具。