医嘱错误是一个重大而可预防的公共卫生问题。电子健康记录和计算机化订单录入系统的广泛应用，在很大程度上减少了住院病人的用药订单错误和效率低下。然而，新兴的研究表明，它们也引入了与提供商和平台之间的交互相关的新的错误来源。
然而，对于医嘱错误，人工审查收到的医嘱是改善用药和减少处方错误的“黄金标准”，以医院为基础的临床药师对医嘱的手工审查和医生的计算机化医嘱可能会受到警觉疲劳等因素的影响，从而可能导致医疗差错。
开始解决这些错误和低效,马蒂娜就领导的研究小组,前博士后、副教授中心城市科学和进步(尖头)在纽约大学经脉工程学院,包括欧迪11月,纽约大学的技术管理和创新教授经脉,陈季,爱德华多·Iturrate和纽约大学格罗斯曼和纽约大学朗格尼的Yindalon Aphinyanaphongs，开发了一个机器学习模型来识别需要药物干预的医药单，只使用提供者的行为和其他上下文特征，这些特征可能反映了这些新的低效率来源，而不是患者的医疗记录。
他们的研究“利用供应商的行动数据预测住院病人的药单干预”，最近发表在jama Open上，该研究使用了一个主要的大都市医院系统作为案例研究。该小组收集了有关供应商在电子病历系统中的行动和药房订单的数据。利用这个数据集，研究人员构建了一个基于机器学习的分类模型，以识别更有可能需要药剂师干预的订单。
以前预测用药顺序错误的模型从患者的病历中获取数据，而该团队开发的分类模型则侧重于临床医生的数据。因此，降低了患者数据的隐私和安全风险。通过适当调整，该模型及类似模型可以显著减轻药师的工作量，提高患者的安全性。
