Kuvioiden sovittaminen ja sairaalahoidon tarpeiden ennakointi on vaikea tehtävä ammattitaitoiselle lääketieteen henkilöstölle, mutta ei AI: n ja koneoppimisen kannalta. Lääkintähenkilökunnalla ei ole ylellisyyttä tarkkailla kaikkia potilaitaan kokopäiväisesti. Vaikka sairaanhoitajilla ja lääketieteellisellä henkilökunnalla on uskomattoman hyvä tunnistaa potilaiden välittömät tarpeet ilmeisissä olosuhteissa, niillä ei ole kykyä havaita tulevaisuutta monimutkaisesta joukosta potilasoireita, jotka ovat nähtävissä kohtuullisen ajanjakson ajan. Koneoppimisella on ylellisyyttä seurata ja analysoida potilastietoja 24 tuntia vuorokauden ympäri, mutta myös yhdistää useista lähteistä kerättyjä tietoja, kuten historiallisia tietoja, lääkintähenkilöstön päivittäisiä arviointeja ja reaaliaikaisia mittauksia elintoiminnoista, kuten syke, hapenkulutus ja verenpaine. AI: n soveltaminen välittömien sydänkohtausten, laskujen, aivohalvauksien, sepsiksen ja komplikaatioiden arviointiin ja ennustamiseen on parhaillaan käynnissä kaikkialla maailmassa.
Todellinen esimerkki on siitä, kuinka El Caminon sairaala yhdisti EHR: n, sängyhälytyksen ja sairaanhoitajan kutsuvat valotiedot analytiikkaan potilaiden tunnistamiseksi, joilla on suuri putoamisriski. El Caminon sairaala laski 39%: lla putoamisia, mikä sairaalalle aiheutti huomattavia kustannuksia.
El Caminon käyttämät koneoppimismenetelmät ovat jäävuoren huippu, mutta ne edustavat merkittävästi terveydenhuollon tulevaisuutta käyttämällä toimintakeskeisiä oivalluksia tai reseptilääkeanalyysejä. He käyttävät pientä osaa käytettävissä olevista tiedoista ja potilaan suorittamista fyysisistä toimista, kuten poistuminen sängystä ja työntöpainikkeen painaminen terveyskertomusten yhteydessä - sairaalan henkilökunnan suorittama määräaikainen mittaus. Sairaalalaitteet eivät tällä hetkellä syötä merkittävää tietoa sydämen monitorista, hengitysmonitorista, happea kyllästävästä monitorista, EKG: stä ja kamerasta suuriin tiedontallennuslaitteisiin, joissa on tapahtuman tunnistetiedot.
