این سیستم می‌تواند در آینده به سازمانها و دیگر ان در پیشگامی در مبارزه با شیوع بیماری‌ها یا مشکلات دیگر کمک کند.

این سیستم در زمان آزمایش بر روی داده‌های تاریخی به ارائه نتایج جالبی پرداخته است. برای مثال گزارشات در مورد خشکسالی در آنگولا در سال 2006 باعث ایجاد هشدار برای شیوع بیماری وبا در این کشور شد چرا که به این سیستم آموخته شده بود که شیوع این بیماری در سالهای پس از خشکسالی محتمل‌تر است.

هشدار دوم در مورد بیماری وبا در آنگولا با گزارشات خبری در مورد توفانهای عظیم در آفریقا در اوایل سال 2007 ایجاد شد که پس از یک هفته، اخبار در مورد انتشار بیماری وبا شنیده شد. در آزمایشات مشابه شامل پیش‌بینی بیماری، جنگ و تعداد قابل‌توجهی از مرگ و میر، هشدارهای این سیستم بین 70 تا 90 درصد اوقات درست بود.

به گفته دانشمندان، عملکرد کنونی این دستگاه بقدری خوب بوده که می‌توان از نسخه اصلاح شده آن برای موقعیتهای واقعی در کمک به کارشناسان سازمانهای کمک‌رسانی دولت که در برنامه‌ریزی برای واکنش و آمادگی برای اعمال انسان‌دوستانه دخیل هستند، استفاده کرد.

این سیستم با استفاده از 22 سال آرشیو خبر روزنامه نیویورک تایمز از سالهای 1986 تا 2007 ساخته شده اما همچنین از اطلاعات دنیای اینترنت برای یادگیری بهتر در مورد آنچه که موجب رویدادهای خبری اصلی می‌شود، استفاده می‌کند.

از منابع دیگر مورد استفاده این سیستم می‌توان به سایت Dbpedia، ‌WordNet و OpenCyc اشاره کرد.

اطلاعات بدست آمده از این منابع، زمینه با ارزشی را ارائه می‌کند که در اخبار وجود نداشته و برای شناسایی قواعد کلی وقایعی که پیش‌زمینه رویدادهای بعدی هستند، ضروری است. برای مثال این سیستم می‌تواند ارتباط میان رویدادهای شهرهای رواندا و آنگولا را بر اساس این واقعیت که هر دو در آفریقا بوده، تولید ناخالص داخلی مشابه داشته و همچنین عوامل دیگر، استنباط کند.

این رویکرد منجر به این نتیجه‌گیری شد که برای پیش‌بینی شیوع وبا باید موقعیت کشور یا شهر، نسبت زمین پوشیده شده از آب، حجم جمعیت، تولید ناخالص داخلی و امکان وجود خشکسالی در سالهای گذشته آن را در نظر گرفت.

اگرچه شرکت مایکروسافت هنوز برنامه‌ای برای تجاری سازی پژوهش این محققان ندارد، اما به گفته آنها این تحقیقات ادامه داشته و از آرشیو اخبار بیشتر به همراه کتابهای دیجیتالی استفاده خواهد شد.

چیزهای بسیاری در دهه‌های اخیر در جهان تغییر کرده اما ذات انسان و بسیاری از جنبه‌های محیطی هنوز به همان شکل باقی مانده‌اند از این رو این سیستم می‌تواند الگوهای داده‌های بسیار قدیمی را در مورد رویدادهای پیش‌رو یاد بگیرد.