医疗保护和医疗救助中心用预测分析来对某些特定的赔偿或医疗服务供应者进行风险评分，甄别计费模式并发现用传统方法难以查明的反常情况。以规则为基础的模式基本上能自动标示部分赔偿结果异常。而异常分析模式基本上是靠分析反常因素发现问题。预测分析模式是将某一赔偿案例与另外一个已被确认为诈骗的案例进行比较来发现可疑之处。而图表模式一般是依据关系网来分析，它认为一般存疑的医疗服务提供者总是与其他存在欺诈性的收费者保持紧密联系。
通过预测分析提高效果
不少积极的尝试，例如正在加速电子健康记录(Electronic Health Records,EHRs)的有效利用、病人信息的数量和细节，能够通过多种信息源组合、分析各种各样的结构化和非结构化的数据有助于提高诊断病人病状的准确性、根据病状匹配治疗方案以及预测病人患病或再患病的风险。
以电子健康记录（EHR）中的数据为来源的预测模型被应用于早起疾病的检测，并且还降低了一些疾病的死亡率，比如充血性心力衰竭（CHF）和败血症等疾病。降低充血性心力衰竭（Congestive Heart Failure ，CHF）和败血症等疾病的死亡率。CHF在医疗保健支出的占比最大，CHF越早治疗越好，这样能够避免花更多的钱治疗并发症。但是医生常常会忽略它的早期临床表现。来自于佐治亚理工学院的一个机器学习示例表明机器学习算法能够比医生从病人的图表中分析出更多的因素，同时通过增加额外的特征，机器学习算法能够有效提高模型区分CHF患者和非CHF患者的能力。