Este estudio aborda la compleja gestión de la información relacionada con los pacientes en hospitales y entornos clínicos. Esta información incluye tratamientos, medicamentos, signos vitales, ubicaciones de pacientes e intercambio de datos entre profesionales de la salud. La falta de sincronización efectiva entre estos elementos a menudo retrasa la atención oportuna. Este estudio propone una arquitectura basada en un modelo de representación semántica que articula los diversos componentes de un entorno hospitalario. Este modelo apoya la toma de decisiones en el cuidado de la salud al facilitar inferencias del entorno. El modelo semántico sirve como base para ejecutar reglas predefinidas que activan acciones a través de un razonador, lo que resulta en notificaciones, como la administración de medicamentos o la respuesta a signos vitales anormales. El modelo integra el aprendizaje supervisado para mejorar la precisión de las alertas. El experimento se centró en monitorear parámetros de signos vitales, como Spo2, temperatura corporal y frecuencia cardíaca. La combinación de modelado de representación semántica y algoritmos de aprendizaje automático demuestra un enfoque sólido para mejorar la eficiencia y precisión de las alertas de salud en entornos clínicos.