Hastanelerde örüntü eşleştirme ve aşırı bir ihtiyacı tahmin etme, kalifiye tıbbi personel için zor bir görevdir, ancak yapay zeka ve makine öğrenimi için zor değildir. Sağlık personeli hastalarının her birini tam zamanlı gözlemleme lüksüne sahip değildir. Her ne kadar bariz koşullarda hastaların acil ihtiyaçlarını belirlemede inanılmaz derecede iyi olsa da, hemşireler ve tıbbi personel, geleceği makul bir süre boyunca ortaya çıkan karmaşık bir dizi hasta semptomundan ayırt etme yeteneklerine sahip değildir. Makine öğrenimi sadece hasta verilerini 7/24 gözlemlemek ve analiz etmekle kalmayıp, aynı zamanda birden fazla kaynaktan toplanan bilgileri, yani geçmiş kayıtları, sağlık personeli tarafından günlük değerlendirmeleri ve kalp atış hızı, oksijen kullanımı gibi hayati değerlerin gerçek zamanlı ölçümlerini birleştirme lüksüne sahiptir ve kan basıncı. AI'nın yakın kalp krizi, düşme, felç, sepsis ve komplikasyonların değerlendirilmesinde ve öngörülmesinde uygulanması şu anda tüm dünyada devam etmektedir.
Gerçek dünyadaki bir örnek, El Camino Hastanesi'nin EHR'yi, yatak alarmını ve hemşireyi, düşme riski yüksek olan hastaları tanımlamak için ışık verilerini analitiğe nasıl bağladığıdır. El Camino Hastanesi, hastaneler için önemli bir maliyet olan düşmeleri% 39 oranında azalttı.
El Camino tarafından kullanılan makine öğrenme metodolojileri buzdağının görünen kısmıdır, ancak eyleme odaklanan bilgiler veya reçeteli analizler kullanarak sağlık bakımının geleceğini önemli ölçüde temsil eder. Mevcut potansiyel bilgilerin küçük bir alt kümesini ve yataktan çıkma ve sağlık kayıtlarıyla birlikte yardım düğmesine basma - hastane personeli tarafından periyodik bir ölçüm gibi hasta tarafından alınan fiziksel eylemleri kullanıyorlar. Hastane makineleri şu anda kardiyak monitörlerden, solunum monitörlerinden, oksijen satürasyon monitörlerinden, EKG'lerden ve kameralardan önemli verileri olay tanımlamalı büyük veri depolama cihazlarına beslemiyor.
