Mønstermatching og forutsigelse av et presserende behov på sykehus er en vanskelig oppgave for dyktige medisinske medarbeidere, men ikke for AI og maskinlæring. Medisinsk stab har ikke luksusen å observere hver av sine pasienter på heltid. Selv om det er utrolig flinke til å identifisere de umiddelbare behovene til pasienter under åpenbare omstendigheter, har sykepleiere og medisinsk personell ikke mulighetene til å skille fremtiden ut fra et sammensatt utvalg av pasientsymptomer som er vist over en rimelig periode. Maskinlæring har luksusen av ikke bare å observere og analysere pasientdata 24/7, men også å kombinere informasjon samlet inn fra flere kilder, dvs. historiske poster, daglige evalueringer fra medisinsk personell og sanntidsmålinger av vitaliteter som hjerterytme, oksygenbruk og blodtrykk. Bruken av AI i vurdering og prediksjon av forestående hjerteinfarkt, fall, slag, sepsis og komplikasjoner pågår for tiden over hele verden.
Et ekte eksempel er hvordan El Camino Hospital koblet EHR, sengealarm og sykepleier kaller lysdata til analyser for å identifisere pasienter med høy risiko for fall. El Camino sykehus reduserte fall, en stor kostnad for sykehusene, med 39%.
Metodikkene for maskinlæring som El Camino bruker er toppen av isfjellet, men representerer i fremtiden helsevesenets fremtid ved å bruke handlingsfokuserte innsikter eller reseptanalyse. De bruker en liten delmengde av potensiell informasjon som er tilgjengelig og de fysiske handlingene som er gjort av pasienten, for eksempel å forlate sengen og trykke på hjelpeknappen i forbindelse med helsejournaler - en periodisk måling av sykehuspersonalet. Sykehusmaskineri mater ikke for tiden signifikante data fra hjertemonitorer, respirasjonsmonitorer, oksygenmetningsmonitorer, EKG og kameraer i store datalagringsenheter med hendelsesidentifikasjon.