Antecedentes: Los sistemas de reconocimiento facial que utilizan técnicas de aprendizaje profundo pueden mejorar la precisión de la tecnología de reconocimiento facial. Sin embargo, no está claro si estos sistemas deberían estar disponibles para la identificación de pacientes en un entorno hospitalario. Métodos: Evaluamos un sistema de reconocimiento facial utilizando aprendizaje profundo y la cámara incorporada de un iPad para identificar pacientes. Probamos el sistema bajo diferentes condiciones para evaluar sus puntajes de autenticación (AS) y determinar su eficacia. Nuestra evaluación incluyó 100 pacientes en cuatro posturas: sentados, en decúbito supino y lateral, con y sin mascarillas, y en condiciones de sueño nocturno. Resultados: Nuestros resultados muestran que la tasa de certificación sin mascarilla del 99,7% fue significativamente mayor que la tasa con mascarilla del 90,8% (p < 0,0001). Además, encontramos que la tasa de autenticación superó el 99% incluso durante el sueño nocturno. Además, el sistema de reconocimiento facial fue seguro y aceptable para la identificación de pacientes dentro de un entorno hospitalario. Incluso para pacientes con mascarillas, logramos una tasa de éxito del 100% para la autenticación independientemente de la iluminación si estaban sentados con los ojos abiertos. Conclusiones: Este es el primer estudio sistemático para evaluar el reconocimiento facial entre pacientes hospitalizados en diferentes situaciones. El sistema de reconocimiento facial utilizando aprendizaje profundo para la identificación de pacientes muestra resultados prometedores, demostrando su seguridad y aceptabilidad, especialmente en entornos hospitalarios donde la identificación precisa del paciente es crucial.