Das Anpassen von Mustern und das Vorhersagen eines dringenden Bedarfs in Krankenhäusern ist eine schwierige Aufgabe für medizinisches Fachpersonal, nicht jedoch für KI und maschinelles Lernen. Das medizinische Personal hat nicht den Luxus, jeden seiner Patienten auf Vollzeitbasis zu beobachten. Obwohl es unglaublich gut ist, die unmittelbaren Bedürfnisse von Patienten unter offensichtlichen Umständen zu erkennen, verfügen Krankenschwestern und medizinisches Personal nicht über die Fähigkeit, die Zukunft anhand einer komplexen Reihe von Patientensymptomen zu erkennen, die über einen angemessenen Zeitraum auftreten. Maschinelles Lernen bietet den Luxus, nicht nur rund um die Uhr Patientendaten zu beobachten und zu analysieren, sondern auch Informationen aus verschiedenen Quellen zu kombinieren, z. B. historische Aufzeichnungen, tägliche Auswertungen durch medizinisches Personal und Echtzeitmessungen von Vitalwerten wie Herzfrequenz und Sauerstoffverbrauch und Blutdruck. Die Anwendung von KI bei der Beurteilung und Vorhersage von bevorstehenden Herzinfarkten, Stürzen, Schlaganfällen, Sepsis und Komplikationen ist derzeit auf der ganzen Welt im Gange.
Ein Beispiel aus der Praxis ist, wie das El Camino Hospital die EHR-, Bettalarm- und Schwesternrufdaten mit der Analytik verknüpft, um Patienten mit hohem Sturzrisiko zu identifizieren. Das Krankenhaus El Camino reduzierte die Stürze, die die Krankenhäuser am meisten kosteten, um 39%.
Die von El Camino verwendeten Methoden des maschinellen Lernens sind die Spitze des Eisbergs, stellen jedoch mithilfe aktionsorientierter Erkenntnisse oder verschreibungspflichtiger Analysen die Zukunft des Gesundheitswesens erheblich dar. Sie verwenden einen kleinen Teil der verfügbaren potenziellen Informationen und der vom Patienten ergriffenen physischen Maßnahmen, z. B. das Verlassen des Bettes und das Drücken der Hilfetaste in Verbindung mit Gesundheitsakten - eine regelmäßige Messung durch das Krankenhauspersonal. Krankenhausmaschinen speisen derzeit keine signifikanten Daten von Herzmonitoren, Beatmungsmonitoren, Sauerstoffsättigungsmonitoren, EKGs und Kameras in große Datenspeichergeräte mit Ereigniserkennung.
