Dopasowywanie wzorców i przewidywanie pilnych potrzeb w szpitalach jest trudnym zadaniem dla wykwalifikowanych pracowników medycznych, ale nie dla sztucznej inteligencji i uczenia maszynowego. Personel medyczny nie ma luksusu obserwowania każdego pacjenta w pełnym wymiarze godzin. Chociaż niezwykle oczywiste są umiejętności rozpoznawania natychmiastowych potrzeb pacjentów w oczywistych okolicznościach, pielęgniarki i personel medyczny nie są w stanie rozpoznać przyszłości na podstawie złożonej gamy objawów pacjentów wykazywanych w rozsądnym okresie. Uczenie maszynowe ma luksus polegający nie tylko na obserwacji i analizie danych pacjentów przez całą dobę, ale także na łączeniu informacji zebranych z wielu źródeł, tj. Zapisów historycznych, codziennych ocen przeprowadzanych przez personel medyczny oraz pomiarów parametrów witalnych w czasie rzeczywistym, takich jak tętno, zużycie tlenu i ciśnienie krwi. Na całym świecie obecnie stosuje się sztuczną inteligencję do oceny i przewidywania nadciągających ataków serca, upadków, udarów, sepsy i powikłań.
Prawdziwym przykładem jest to, jak szpital El Camino połączył EHR, alarm łóżka i pielęgniarkę przywołuje dane świetlne do analiz, aby zidentyfikować pacjentów z wysokim ryzykiem upadków. Szpital El Camino zmniejszył liczbę upadków, co stanowi poważny koszt dla szpitali, o 39%.
Metodologie uczenia maszynowego stosowane przez El Camino są wierzchołkiem góry lodowej, ale w znacznym stopniu odzwierciedlają przyszłość opieki zdrowotnej za pomocą spostrzeżeń dotyczących działań lub analiz na receptę. Używają niewielkiej części potencjalnych dostępnych informacji i fizycznych działań podejmowanych przez pacjenta, takich jak wychodzenie z łóżka i naciskanie przycisku pomocy w połączeniu z dokumentacją medyczną - okresowe pomiary dokonywane przez personel szpitalny. Maszyny szpitalne nie dostarczają obecnie istotnych danych z monitorów pracy serca, monitorów oddychania, monitorów nasycenia tlenem, EKG i kamer do urządzeń do przechowywania dużych danych z identyfikacją zdarzeń.
