Modeļu saskaņošana un nepieciešamības prognozēšana slimnīcās ir grūts kvalificēta medicīnas personāla uzdevums, bet ne AI un mašīnu apguve. Medicīnas personālam nav greznības novērot katru savu pacientu uz pilnu slodzi. Lai arī neticami labi spēj noteikt tūlītējās pacientu vajadzības acīmredzamos apstākļos, medmāsām un medicīnas personālam nav iespējas izprast nākotni no sarežģīta pacienta simptomu klāsta, kas parādīts saprātīgā laika posmā. Mašīnmācībai ir greznība ne tikai novērot un analizēt pacienta datus 24 stundas diennaktī, bet arī apvienot informāciju, kas savākta no vairākiem avotiem, ti, vēstures ierakstus, medicīnas darbinieku ikdienas novērtējumus un tādu dzīvības faktoru mērījumus reāllaikā kā sirdsdarbība, skābekļa patēriņš un asinsspiediens. AI pielietošana nenovēršamu sirdslēkmju, kritienu, insultu, sepse un komplikāciju novērtēšanā un prognozēšanā pašlaik notiek visā pasaulē.
Reālās pasaules piemērs ir tas, kā El Kamīno slimnīca sasaistīja EHR, gultas trauksmes signālus un medmāsu, lai izsauktu gaismas datus uz analītiku, lai identificētu pacientus ar augstu kritienu risku. El Camino slimnīca samazināja kritumus, kas ir lielākās slimnīcu izmaksas, par 39%.
Mašīnmācīšanās metodikas, kuras izmanto El Kamino, ir aisberga redzamā daļa, taču tās, izmantojot uz darbību vērstas atziņas vai recepšu analīzi, ievērojami atspoguļo veselības aprūpes nākotni. Viņi izmanto nelielu potenciālās pieejamās informācijas apakškopu un pacienta veiktās fiziskās darbības, piemēram, iziet no gultas un nospiež palīdzības pogu kopā ar veselības dokumentiem - periodiski to mēra slimnīcas personāls. Slimnīcu iekārtas pašlaik nesniedz nozīmīgus datus no sirds monitoriem, elpošanas monitoriem, skābekļa piesātinājuma monitoriem, EKG un kamerām lielajās datu glabāšanas ierīcēs ar notikumu identificēšanu.
