Las técnicas efectivas de control de acceso están en demanda, ya que los servicios de atención médica asistidos electrónicamente requieren los registros de salud sensibles del paciente. En situaciones de emergencia, donde el bienestar del paciente está en peligro, diferentes actores de la atención médica asociados con casos de emergencia deben ser autorizados para acceder a los Registros de Salud Electrónicos (EHR) de los pacientes. El objetivo de investigación de nuestro estudio es desarrollar técnicas de aprendizaje automático basadas en métricas de salud secuenciales en el tiempo de los pacientes e integrarlas con un mecanismo de Control de Acceso Basado en Atributos (ABAC). Proponemos un mecanismo ABAC que puede otorgar acceso a sistemas de EHR sensibles mediante la aplicación de controladores de contexto pronósticos donde la información contextual se utiliza para identificar condiciones de emergencia y permitir el acceso a los registros médicos. Específicamente, utilizamos el historial de salud reciente de los pacientes para predecir las métricas de salud para las próximas dos horas aprovechando las Redes Neuronales de Memoria a Corto y Largo Plazo (LSTM). Estos valores de métricas de salud predichos son evaluados por nuestros controladores de contexto difuso personalizados, para predecir la criticidad del estado de los pacientes. El método de control de acceso desarrollado proporciona acceso seguro para los médicos de emergencia a información sensible y al mismo tiempo protege el bienestar del paciente. La integración de este mecanismo predictivo con controladores de contexto personalizados demostró ser una herramienta sólida para mejorar el rendimiento del mecanismo de control de acceso para los Sistemas de EHR modernos.