而对于药品订单错误，人工审核药品订单是改善药物使用和最小化处方错误的“黄金标准”，医院临床药师对医嘱的手工审查和医生对医嘱的计算机化处理可能受到警报疲劳等因素的影响，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以及纽约大学格罗斯曼学院(Grossman)和纽约大学朗格尼学院(NYU Langone)的Yindalon Aphinyanaphongs，开发了一种机器学习模型，仅使用提供者行为和其他可能反映这些新低效来源的情境特征，而不是患者的医疗记录，来识别需要药物干预的药物订单。

他们最近发表在《JAMIA Open》杂志上的题为“使用提供者行动数据预测住院患者药房订单干预”的研究，使用了一个大型都市医院系统作为案例研究。该团队收集了供应商在电子病历系统和药房订单中的行为数据。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，以识别更可能需要药剂师干预的订单。

以往预测药物顺序错误的模型从患者的医疗记录中获取数据，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。通过适当的调整，该模型和类似的模型可以显著减轻药师的工作量，增加患者的安全性。

Journal Reference:

Martina Balestra, Ji Chen, Eduardo Iturrate, Yindalon Aphinyanaphongs, Oded Nov. predicting inpatient pharmacy order interventions using provider action data. JAMIA Open, 2021; 4 (3) DOI: 10.1093/jamiaopen/ooab083