成本。实施AI/ML需要配备必要工具和能力，直播，但它们的成本可能十分昂贵。特别是在医疗行业中，医疗成本仍然是大众关注的焦点。为了确保ML算法能很好地利用数据，人们需要有意义资本和专门技术，而光是确保拥有足够的计算能力，就将花费不菲的金钱。

　　可解释性。算法需要梳理多个数据集，而这往往会生成一些所谓的黑盒。以前一直受到严格监管的医疗行业有可能因此会推迟AI/ML应用的发展。

　　人才。采用AI/ML技术的障碍也可能来自相关领域人才的聚合。2013年，Google支付了超过4亿美元收购了DeepMind Technologies；而根据新闻报道，彼时该团队的成员大概只有十几个人。聚合这样一群高级人才的难度以及由此产生的高昂成本可能会令人望而却步。

　　数据。虽然美国政府已经颁布法令帮助实现电子健康记录的数字化，但将普遍使用纸张的系统转变为完全电子化的过程仍然存在挑战。此外，虽然许多机构已经迈过了“有意义使用”的门槛，但是重要患者数据的碎片化和缺乏可获得性仍然阻碍着改革的进一步发展。