התאמת דפוסים וניבוי צורך נמרץ בבתי חולים היא משימה קשה עבור הצוותים הרפואיים המיומנים, אך לא ללימודי התעשייה ולמידת המכונה. לצוותים הרפואיים אין את המותרות לצפות בכל אחד מהמטופלים שלהם במשרה מלאה. למרות שהם טובים להפליא בזיהוי הצרכים המיידיים של חולים בנסיבות ברורות, אחיות וצוותים רפואיים אינם בעלי יכולות הבחנה של העתיד ממגוון מורכב של תסמיני מטופלים שהוצגו במשך תקופה סבירה. למידת מכונות יש את היוקרה לא רק להתבונן ולנתח את נתוני המטופלים 24/7, אלא גם לשלב מידע שנאסף ממקורות רבים, כלומר רישומים היסטוריים, הערכות יומיות על ידי הצוות הרפואי, ומדידות בזמן אמת של חיוניות כמו דופק, שימוש בחמצן. ולחץ דם. יישום ה- AI בהערכה וניבוי של התקפי לב, נפילות, שבץ מוחי, אלח דם וסיבוכים מתנהל כיום בכל רחבי העולם.
דוגמה בעולם האמיתי היא כיצד בית החולים אל קמינו קישר בין EHR, אזעקת מיטה ואחות קוראים נתוני אור לניתוח כדי לזהות חולים בסיכון גבוה לנפילות. בית החולים אל קמינו צמצם את הנפילות, עלות משמעותית לבתי חולים, ב- 39%.
מתודולוגיות למידת המכונה המשמשות את אל קמינו הינן קצה הקרחון, אך מייצגות משמעותית את עתיד שירותי הבריאות באמצעות תובנות ממוקדות פעולות או ניתוח מרשם. הם משתמשים בתת-קבוצה קטנה של המידע הפוטנציאלי הקיים והפעולות הגופניות שביצע המטופל כמו יציאה מהמיטה ולחיצה על כפתור העזרה בשילוב עם רישומי הבריאות - מדידה תקופתית על ידי צוות בית החולים. מכונות בית חולים אינן מזינות נתונים משמעותיים ממוניטורי לב, מסכי נשימה, מסכי רווי חמצן, א.ק.ג ומצלמות למכשירי אחסון נתונים גדולים עם זיהוי אירועים.
