Mönstermatchning och förutsägelse av ett exigent behov på sjukhus är en svår uppgift för skickliga medicinska personal, men inte för AI och maskininlärning. Medicinska personal har inte lyxen att observera var och en av sina patienter på heltid. Även om de är oerhört bra på att identifiera de omedelbara behoven hos patienter under uppenbara omständigheter, har sjuksköterskor och medicinska personal inte förmågan att urskilja framtiden utifrån en komplex mängd patientsymptom som visas under en rimlig period. Maskininlärning har lyxen av att inte bara observera och analysera patientdata dygnet runt, utan också kombinera information som samlats in från flera källor, dvs historiska register, dagliga utvärderingar av medicinsk personal, och realtidsmätningar av vitaler som hjärtfrekvens, syreförbrukning och blodtryck. Tillämpningen av AI vid bedömning och förutsägelse av överhängande hjärtattacker, fall, stroke, sepsis och komplikationer pågår för närvarande över hela världen.
Ett verkligt exempel är hur El Camino Hospital kopplade EHR, sänglarm och sjuksköterska ringer ljusdata till analyser för att identifiera patienter med hög risk för fall. El Camino Hospital minskade fall, en stor kostnad för sjukhus, med 39%.
Maskininlärningsmetoderna som El Camino använder är toppen av isberget, men representerar betydligt hälsoomsorgens framtid med handlingsfokuserade insikter eller receptanalys. De använder en liten delmängd av potentiell information som finns tillgänglig och de fysiska åtgärder som vidtas av patienten, som att gå ut från sängen och trycka på hjälpknappen i samband med hälsoregister - en periodisk mätning av sjukhuspersonal. Sjukhusmaskinerin matar för närvarande inte betydande data från hjärtmonitorer, andningsskärmar, syremättnadsmonitorer, EKG och kameror i stordatalagringsenheter med händelseidentifiering.
