直到最近，经济学家，政策制定者和劳动力专家还依赖于美国医生劳动力的过时和不准确的快照，这使得很难预测全国范围内医疗服务的需求和可用性。

有关每个医生专业领域的数据都是在其职业生涯开始时收集的，很少更新，这增加了有关谁为我们的国家人口提供护理的过时信息的可能性。在这项研究中，Wingrove等人研究了机器学习算法如何使医疗人员更实时，更准确地进行描述，包括未正式收集专业数据的专业人士，如医师助手和护士。

算法还可以识别处于新的和不断发展的跨学科职位的医师。罗伯特·格雷厄姆中心和匹兹堡大学的一种这样的学习模型经过培训，可以识别大多数医学专业，准确率达到95%。该模型以医疗保险2014年至2016年开具的程序和处方的形式从临床遭遇中获取数据。该模型在预测某些专业方面的准确性较差，例如神经外科，物理医学和康复。但是总的来说，该模型正确地预测了医师实际执业类型的70%，占其实际人数的5个百分点，其中包括初级保健和专科，例如急诊医学，心脏病学，肠胃病学和放射学。

该模型以医疗保险2014年至2016年开具的程序和处方的形式从临床遭遇中获取数据。该模型在预测某些专业方面的准确性较差，例如神经外科，物理医学和康复。但是总的来说，该模型正确地预测了医师实际执业类型的70%，占其实际人数的5个百分点，其中包括初级保健和专科，例如急诊医学，心脏病学，肠胃病学和放射学。该模型以医疗保险2014年至2016年开具的程序和处方的形式从临床遭遇中获取数据。该模型在预测某些专业方面的准确性较差，例如神经外科，物理医学和康复。但是总的来说，该模型正确地预测了医师实际执业类型的70%，占其实际人数的5个百分点，其中包括初级保健和专科，例如急诊医学，心脏病学，肠胃病学和放射学。