谷歌和加州大学旧金山分校（UCSF）的研究人员开发了一个AI系统，在75%的情况下能预测医生的处方决定。如果应用于医疗系统中，它可以识别出病人或者看起来情况异常的处方。有点类似于，信息卡公司使用的欺诈检测方案。

这项成果发表在《临床药理学与治疗学》(Clinical Pharmacology and Therapeutics)杂志上。

研究科学家凯瑟琳·鲁克（Kathryn Rough）和谷歌健康医学博士阿尔文·拉吉科马尔（Alvin Rajkomar）在一份报告中写道，尽管没有医生、护士或者药剂师希望犯下伤害患者的错误，但研究表明，2%的住院患者经历了严重的，与药物错误使用有关的医疗事件。这些事件很可能危及生命，造成永久性伤害或者导致患者死亡。

为此，AI系统使用一个数据集进行训练，该数据集包含来自10万多个住院患者产生的约300万个药单，通过使用随机改变日期的可追溯性电子健康记录，并根据HIPAA删除部分记录（包括姓名、地址、联系方式、记录编号、医生姓名、免费文本注释、图像等）。更重要的是，数据集不局限于特定的疾病或者医疗领域，使得任务更具有挑战性，同时，也有助于确保模型能够识别范围更广的疾病种类。

研究人员评估了两个模型：学习了对长期依赖性进行建模的长短期记忆（LSTM）递归神经网络，以及类似于临床健康研究中常用的逻辑模型。将两者都与基线进行比较，该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）和入院以来的时间对最常用的药物进行排名。

每次在回顾性的数据中订购药物时，这些模型都会列出990种可能的药物，研研究人员评估这些模型，决定是否将每个病例中实际订购的药物以较高概率分配给医生。每一个模型的表现都是通过将其排名选择与医生实际开的药物进行比较来评估。

表现最好的是LSTM——前10名名单中至少有93%的药物是由临床医生在第二天内为给定的患者订购的。在55%的病例中，模型正确地将医生开出的药物列为最可能服用的10种药物之一，75%的订购药物排在前25名。

研究人员写道，“重要的一点是，以这种方式训练的模型重现了历史数据中医生的行为，而没有学习最佳的处方模式，这些药物可能如何工作，或可能发生什么副作用。在我们的下一阶段研究中，我们将研究在哪些情况下这些模型能用于发现伤害患者的用药错误。”

“我们期待着与医生、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、确保患者在医院的安全。”

不得不说的一点是，谷歌在AI医疗方面的工作非常广泛。

此前，谷歌开发出一种模型，能以“人类水平”的精确度对X光片进行分类。去年，谷歌表示它的肺癌检测AI系统超过了6名人类放射科医生，皮肤诊断模型能像医生一样准确地检测出26种皮肤状况。

最近谷歌的一项成果是利用AI模型，在更少的假阳性下，从乳房X光片中识别乳腺癌。谷歌还与印度马杜赖的阿拉文德眼科医院(Aravind Eye Hospital)合作，从视网膜图像诊断眼疾。