Google与加大旧金山分校合作，发展可提升医生开立处方正确性的机器学习技术，最新的研究结果，研究人员使用长短期记忆模型（LSTM），可精确预测出医生可能为病患开立的处方药物。研究人员提到，目前模型仅从历史资料学习医生的开药方式，还不能真正用来侦测异常，但是学习何为正常行为是研究的第一步。
虽然没有医生和护士想要故意犯错伤害病患，但是根据研究统计，有2%的住院患者，会遭遇到严重与用药相关的失误，而这些失误可能对病患造成永久伤害或是死亡，导致失误的原因有很多，通常无法归咎单一医疗护理人员，而是因为系统问题、程序错误或是工作条件不足造成。
为了降低这些可避免的失误发生几率，研究人员想要发展一种医生处方警示系统，比当前标准健康记录软件中，以规则侦测错误的方法更为复杂，能根据患者当前状态找出异常处方，这种系统类似信用卡盗刷侦测系统，当发现异常模式能够主动发出警示。
不过，要在特定时机给病患什么样的药物，医生和药师都需要经过常年的培训，才能掌握这些知识，而由于现在医疗院所广泛地使用电子病例，因此能够使用这些资料，以机器学习模型来识别正常与异常的处方模式。
Google与加大旧金山分校合作发布的论文，发展以机器学习，预测电子健康记录资料中的住院药物处方，通过过去的记录，评估机器学习预期医生开立处方的程度，用来训练模型的资料集包括了10万多次住院记录，以及300万份的药物处方。
这个研究评估了两种机器学习模型，分别是长短期记忆模型（LSTM），以及常用于临床研究基于规则的时间分组逻辑模型；研究人员比较这两种方法，根据一般医疗、外科手术和心脏血管科等医院服务，以及入院时间，对常用的药物进行排名。根据这些历史资料，两个模型会对990种药物进行排名，并且预测这些药物实际进入医生处方的几率。
研究人员举例说明评估模型的方式，当病例是一名有感染现象的人们，模型会根据电子健康记录中，像是体温、白血球数以及呼吸频率升高等信息，评估各种药物成为处方的可能性，并且与医生实际开出的药物处方进行比较。
研究人员提到，他们发现长短期记忆模型表现较佳，这类模型对文本和语言串行资料特别有效，能够捕捉资料中，事件的顺序和时间间隔。长短期记忆模型所预测的前10名药物清单，有93%准确度至少有一种药物，会出现在医生第二天开立的处方中，而有55%的精确度，模型会正确地将医生开出的药物，排在前10名药物清单第一位，且有75%的几率，处方中的所有药物都出现在前25名药物清单中。
研究人员提到，虽然模型没有学习最佳药物处方调配方法，或是药物知识，仅就历史资料中的医生行为，就学会了预测药物的方法，接下来他们会将这个研究，用于探索可能对病患造成伤害的用药错误。