La coincidencia de patrones y la predicción de una necesidad exigente en los hospitales es una tarea difícil para el personal médico calificado, pero no para la inteligencia artificial y el aprendizaje automático. El personal médico no puede darse el lujo de observar a cada uno de sus pacientes a tiempo completo. Aunque es increíblemente bueno para identificar las necesidades inmediatas de los pacientes en circunstancias obvias, las enfermeras y el personal médico no poseen la capacidad de discernir el futuro a partir de una compleja gama de síntomas de pacientes exhibidos durante un período razonable. El aprendizaje automático tiene el lujo de no solo observar y analizar los datos de los pacientes las 24 horas del día, los 7 días de la semana, sino también combinar información recopilada de múltiples fuentes, es decir, registros históricos, evaluaciones diarias por parte del personal médico y mediciones en tiempo real de elementos vitales como la frecuencia cardíaca, el uso de oxígeno y presión arterial. La aplicación de IA en la evaluación y predicción de ataques cardíacos inminentes, caídas, derrames cerebrales, sepsis y complicaciones está actualmente en curso en todo el mundo.
Un ejemplo del mundo real es cómo el Hospital El Camino relacionó los datos de EHR, alarma de cama y llamada de enfermera a análisis para identificar pacientes con alto riesgo de caídas. El Camino Hospital redujo las caídas, un costo importante para los hospitales, en un 39%.
Las metodologías de aprendizaje automático utilizadas por El Camino son la punta del iceberg, pero representan significativamente el futuro de la atención de la salud utilizando conocimientos centrados en la acción o análisis de prescripciones. Están utilizando un pequeño subconjunto de la información potencial disponible y las acciones físicas tomadas por el paciente, como salir de la cama y presionar el botón de ayuda junto con los registros de salud , una medición periódica realizada por el personal del hospital. La maquinaria del hospital actualmente no está suministrando datos significativos de monitores cardíacos, monitores de respiración, monitores de saturación de oxígeno, ECG y cámaras en dispositivos de almacenamiento de grandes datos con identificación de eventos.
