Google 和加州大学旧金山分校（UCSF）研究人员开发一个 AI 系统，75% 情况下能预测医生的处方笺。如果应用于医疗系统，可辨识病患或看起来情况异常的处方笺，有点类似资安公司使用的诈欺检测。
这项成果发表在《临床药理学与治疗学》（Clinical Pharmacology and Therapeutics）杂誌。
研究科学家凯瑟琳‧鲁克（Kathryn Rough）和Google 健康医学博士阿尔文‧拉吉科马尔（Alvin Rajkomar）报告写道，儘管没有医生、护士或者药剂师希望犯下伤害病患的错误，但研究表明，2% 住院患者经历过严重、与药物错误使用有关的医疗事件，这些事件可能危及生命，造成永久性伤害或导致病患死亡。
为此，AI 系统使用数据集训练，数据集包含 10 万多名住院患者产生约 300 万张药单，透过使用随机改变日期的可追溯性电子健康纪录，并根据 HIPAA 删除部分纪录（包括姓名、地址、联繫方式、纪录编号、医生姓名、免费文本注释、图像等）。更重要的是，数据集不限于特定疾病或医疗领域，使任务更具挑战性，同时有助确保模型辨识範围更广的疾病种类。
研究人员评估两个模型：学习对长期依赖性进行建模的长短期记忆（LSTM）递归神经网路，以及类似于临床健康研究中常用的逻辑模型。将两者与基线比较，基线根据患者的医院服务（例如普通医疗、普通外科、产科、心脏病学）和入院以来时间排名最常用的药物。
每次在回顾性的数据订购药物时，这些模型都会列出 990 种可能药物，研究人员评估这些模型，决定是否将每个病例实际订购的药物，以较高机率分配给医生。每个模型的表现，都是透过比较排名选择与医生实际开的药物来评估。
Google 在 AI 医疗的工作广泛
表现最好的是 LSTM──前 10 名名单至少有 93% 药物是由临床医生第二天内为患者订购。55% 病例中，模型正确将医生开的药物列为最可能服用的 10 种药物之一，75% 订购药物排在前 25 名。
研究人员表示，「重要的是，以这种方式训练的模型重现历史数据中医生的行为，没有学习最佳处方笺模式，这些药物可能如何工作，或可能发生什幺副作用。我们的下一阶段研究，将研究哪些情况下这些模型能用于发现伤害患者的用药错误。」
「我们期待与医生、药剂师、其他临床医生和患者合作，我们将继续研究，以量化这种模型是否有能力捕捉错误、确保患者的安全。」
不得不说的一点是，Google 在 AI 医疗方面的工作非常广泛。
之前，Google 开发出一种模型，能以「人类水準」的精确度分类 X 光片。2019 年，Google 表示肺癌检测 AI 系统超过 6 名人类放射科医生，皮肤诊断模型能像医生準确检测出 26 种皮肤状况。
最近 Google 另一项成果是利用 AI 模型，在更少的假阳性下，从乳房 X 光片辨识出乳腺癌。Google 还与印度马杜赖的阿拉文德眼科医院（Aravind Eye Hospital）合作，以视网膜图像诊断眼疾。
