ผู้ป่วย ICU คือผู้ป่วยเร่งด่วนที่ควรรีบช่วยชีวิตและให้แผนการรักษาที่เหมาะสม จากข้อมูล Clinical data สามารถนำมาวิเคราะห์หาข้อมูลเชิงลึก และจัดกลุ่มผู้ป่วยเพื่อวางแผนการรักษาที่เหมาะสมได้ โดยใช้การแบ่งกลุ่มผู้ป่วย 2 ระยะ ก่อนและหลังเข้า ICU 3 กลุ่ม โดยระยะที่1 กลุ่ม A จะเป็นการแบ่งกลุ่มตามทุนร่างกายที่มีก่อนเข้า ICU และระยะที่2 กลุ่ม B จะเป้นการแบ่งกลุ่มอาการโดยใช้ข้อมูลหลังเข้า ICU ซึ่ง 2 กลุ่มนี้จะใช้วางแผนการรักษา โดย หากกลุ่ม A มีอาการแบบกลุ่ม B จะควรให้การรักษาแบบใด และสุดท้าย ระยะที่2 กลุ่ม C จะเป็นกลุ่มที่ใช้ฟีเจอร์ทั้งหมดทั้งก่อนและหลังเข้า ICU ในการพยากรณ์โรค เพื่อแบ่งกลุ่มและวิเคราะห์อัตราการเสียชีวิตหรือประมาณการเวลาที่จะออกจาก ICU โดยฟีเจอร์ที่เลือกใช้จะมีทั้งกลุ่มทุนสำรองร่างกาย และตัวแทนการทำงานของระบบอวัยวะต่างๆ รวมถึงการให้ยาและค่าความรุนแรง (apache 3) โดยใช้ Hybrid Normalize ให้เหมาะสมแต่ละการกระจายตัวของข้อมูล อีกทั้งยังจำกัดระยะ span ของข้อมูลให้เท่ากัน เพื่อไม่ให้โมเดลเอนเอียงไปในฟีเจอร์ใดฟีเจอร์หนึ่ง โมเดลที่ใช้สำหรับการแบ่งกลุ่มคือ KPrototype เนื่องจากในข้อมูลจะมี 1 ฟีเจอร์ ที่เป็น categorical ซึ่ง KPrototype จะจัดการด้วยวิธี similarity measure และให้ gramma เป็นตัวให้น้ำหนักความสำคัญ และกรณีที่ไม่มี categorical KPrototype จะเป็นเหมือน Kmean โดยผลลัพธ์จากการแบ่งกลุ่มจะได้ว่า กลุ่ม A 3 กลุ่ม, กลุ่ม B 3 กลุ่ม และ กลุ่ม C 3 กลุ่ม และกลุ่มแผนการรักษา A -> B จะได้เป็น 9 กลุ่มหรือ 9 รูปแบบแผนการรักษา
