Bilgisayar sistemleri aracılığıyla yazılım düzeyinde modellemeler olarak tanımlanabilecek yapay zekâ (YZ) ile YZ`nin makine öğrenimi (MÖ) ve derin öğrenme gibi alt kümesinde yer alan uygulamalar büyük veri setlerini işleyebilirler. Ortopedi ve travmatoloji cerrahisinde işlevsel iyileşme ve iş yükünde hafifleme YZ`nin maliyet analizi, taburculuk süresi tahmini, hasta seçimi ve cerrahi planlamayla hasta takibi gibi idari ve klinik karar destek uygulamaları ile mümkün olmuştur. Klinik karar verme sürecine yardımcı olmak için üç ana türde MÖ yöntemi bulunmaktadır. Bunlar; doğal dil işleme, tanısal ve öngörüsel sonuç uygulamaları içeren klinik tahmin ve sonuç hesaplayıcısıdır. Makine öğreniminin klinik karar verme sürecine entegrasyonu, büyük miktarda bilgiyi işleyebilme ve karmaşık desenleri tanımlayabilme yeteneğiyle güçlü bir öngörü aracı olmasını sağlamıştır. Bu uygulamalar, ortopedi ve travmatoloji alanında hastaların daha iyi tedavi edilmesini, hastane yönetiminin daha verimli çalışmasını ve tedavi sonuçlarının iyileştirilmesini amaçlasa da rastgele olmayan eksik veriler, sınırlı örneklem büyüklüğü, hastalık sınıflandırmasının yanlış yapılması ve ölçümlerde uyumsuzluk gibi bazı ön yargılara açık olduğu da bilinmelidir. Ayrıca, bu modellemelerle elde edilen algoritmalardan elde edilen verilerin hem farklı popülasyonlardan veya katmanlardan gelen verilerle hem de klinik tecrübelerle uyumu sorgulanmalıdır.