并不是说IBM沃森没有问题，事实上，它的问题比任何其它的项目都要大。
到底是什么使得研究受挫？首先你要深入理解机器学习系统（比如沃森）的训练方式。沃森持续对内部处理流程进行微调，从中学习经验，这样一来解决某些问题时获得正确答案的概率就会提高。正确答案必须是已知的，这样系统才会知道什么时候对了，什么时候错了。系统处理的训练问题越多，结果就会越好。
要训练系统在X线中识别恶性肿瘤还是比较简单的。如果解决的谜题大大超出人类的已知范畴，比如了解基因变异与疾病的关系，沃森就会显得无能为力，它会碰到“鸡与蛋”的问题：数据没有经过专家的筛选，没有有效组织过，如何用这样的数据训练系统呢？纽约斯隆-凯特琳癌症中心计算病理学家Thomas Fuchs解释说：“如果你正在训练自动驾驶汽车，任何人都可以给树、标志贴标签，这样系统就可以学习如何识别它。但是医学是一个特殊的领域，需要专家训练几十年，给信息贴上正确的标签，输入计算机。”
IBM希望沃森能够在一些领域做出贡献，其它企业的机器学习解决方案也是样打算的，在所有这些领域都有障碍存在。要训练沃森处理海量数据，从中挑选出少数与单个病人有关的重要信息，首先需要人亲自训练，用成千上万个案例训练。
例如，为了让沃森识别与疾病有关的基因，它需要成千上万的病历，这些病人患有特殊疾病，他们的DNA已经分析过。然而，要获得“基因-病历”结合的数据相当难。许多时候，数据并没有以正确的格式记录，或者根本不存在，又或者数据来自于几十个不同的系统，很难处理。
如果将更好的数据交给临床医生，就可以提高初级治疗水平。在日常的初级治疗过程中，当问题不太严重时医生如果错过了治疗机会，等到病情变得严重起来，病人进了急诊室或者让专家治疗，此时承受的痛苦会更大，成本也会大幅增加。IBM沃森健康首席医疗官Anil Jain说：“在健康方面花的钱有三分之一是不需要的。”人们认为，机器学习有机会解决这个问题。
诊断病人时，为了让医生得出更好的结论，沃森需要找到彼此的关联，也就是健康记录和健康社会决定因素的关系。这些因素包括：病人是否吸毒、饮食是否健康、呼吸的空气是否清新等等。唐认为，今天，几乎没有医院或者医疗实践从大量病人身上获得可靠的数据。部分是因为医生接受现代数据驱动型医疗实践方法的速度有点慢。克利兰夫诊所（Cleveland Clinic）的内科医生、卫生保健信息专家Manish Kohli认为：“卫生保健行业接受技术的速度很慢，真是让人尴尬。”
如果存在这样的数据，IBM一般会花钱购买。IBM收购了一些企业，比如Truven Health Analytics、Explorys和Phytel，它们都是处理大数据的企业，这些数据来自医院和病人群体。虽然与安德森癌症中心的合作终止了，IBM还是与其它机构达成了重要合作，进一步获得更多的病人数据。
与IBM合作的就有Atrius Health，它是一个网络，里面有将近900位内科医生，主要是初级护理内科医生，他们来自波士顿地区。合作的目标是为开发、测试以沃森作为基础的系统功能，从笔记、记录、文章中提取面向独立个体的关键信息。Atrius Health首席医疗官Joe Kimura说：“对于初级护理内科医生而言，提取所有相关信息是一项繁重的任务。”他还说，每一次访问数据都会增加，有了这样的系统数据会大幅增加，不需要按标准格式提交，检索很方便。
还有，病人病历中许多重要的笔记是以句子的形式存在的，传统IT系统无法识别。沃森使用了自然语言处理技术，这种技术当时是为参加 Jeopardy! 开发的，它可以从句子中提取意义。在理想的情况下，系统可以给内科医生提建议，给病人更好的帮助，省去不必要的护理。Kimura说：“病人臀部受伤，我们全心全意照看，为什么我们只关心这个？为什么不能提前预测，判断病人有跌倒的风险，让他们避免臀部受伤？我们要让护理朝着上游延伸。”
沃森健康还与纽约中央医疗中心（Central New York Care Collaborative）合作，这是一个州政府提供资金成立的机构，与6个国家大约2000个卫生保健提供商合作。合作的目标很明确：将急诊数量、再入院数量降低25%，有时病人已经获得批准出院，结果又因为相关的问题重新回医院治疗。合作还带来了大量的病人数据。