Mønstermatchning og forudsigelse af et presserende behov på hospitaler er en vanskelig opgave for dygtige medicinske medarbejdere, men ikke for AI og maskinlæring. Medicinsk personale har ikke den luksus at observere hver af deres patienter på fuld tid. Selvom utroligt gode til at identificere de umiddelbare behov hos patienter under åbenlyse omstændigheder, besidder sygeplejersker og medicinske medarbejdere ikke evnerne til at skelne fremtiden ud fra et komplekst udvalg af patientsymptomer, der udstilles over en rimelig periode. Maskinlæring har den luksus at ikke kun observere og analysere patientdata døgnet rundt, men også kombinere information indsamlet fra flere kilder, dvs. historiske poster, daglige evalueringer fra medicinsk personale og realtidsmålinger af vitaler såsom hjerterytme, iltforbrug og blodtryk. Anvendelsen af AI til vurdering og forudsigelse af forestående hjerteanfald, fald, slagtilfælde, sepsis og komplikationer er i øjeblikket i gang over hele verden.
Et ægte eksempel er, hvordan El Camino Hospital koblet EHR, sengealarm og sygeplejerske kalder lysdata til analyser for at identificere patienter med høj risiko for fald. El Camino Hospital reducerede fald, en stor omkostning for hospitaler, med 39%.
Maskinlæringsmetodologier, der bruges af El Camino, er toppen af isbjerget, men repræsenterer markant fremtiden for sundhedsvæsenet ved hjælp af handlingsfokuseret indsigt eller receptanalyse. De bruger en lille delmængde af den tilgængelige information og de fysiske handlinger, som patienten har truffet, f.eks. At forlade sengen og trykke på hjælpeknappen i forbindelse med sundhedsregistre - en periodisk måling fra hospitalets personale. Hospitalets maskiner indfører i øjeblikket ikke signifikante data fra hjertemonitorer, respirationsmonitorer, iltmætningsmonitorer, EKG'er og kameraer i store datalagringsenheder med begivenhedsidentifikation.
