RPA: двигатель интеллектуальной автоматизации в здравоохранении

Цифровая трансформация названа главной тенденцией в здравоохранении, и интеллектуальная автоматизация может быть частью этого.

Рынок роботизированной процессной автоматизации (RPA) бурно растет, прогнозируется достижение $4,4 млрд к 2023 году. Он предоставляет бизнесу огромную возможность автоматизировать ручные, трудоемкие, повторяющиеся и транзакционные процессы. RPA может помочь улучшить качество процессов, скорость и продуктивность и интегрировать унаследованные системы, что все более важно в текущем климате, поскольку организации стремятся ускорить проекты цифровой трансформации.

Однако ясно, что пока RPA имеет потенциал быть очень ценным инструментом, распространенными препятствиями к его успеху являются бизнес-сложности, субъективные решения и неструктурированные данные. RPA может автоматизировать только простые задачи. Ему нужны процессы, следующие конечным предопределенным правилам со структурированными данными.

Ключ к запуску проектов цифровой оптимизации — соединить голову (искусственный интеллект и машинное обучение) с руками (RPA). Я говорю о сходимости RPA с AI и ML для создания интеллектуальной автоматизации, которая имеет потенциал массово увеличить диапазон знания-работы, который ранее считался слишком сложным для автоматизации и требовал человеческого вмешательства для предсказаний. С интеллектуальной автоматизацией AI и ML автоматизируют принятие решений, а RPA автоматизирует ручные следующие шаги в процессе.

Как? На высоком уровне машинное обучение можно разбить на две основные компоненты. Первая часть включает обучение моделей на исторических данных для предсказаний. Это включает сбор и подготовку данных — часто самый трудоемкий шаг в машинном обучении — и завершается обучающим набором данных, который размечен и готов к моделированию. Затем модели строятся с использованием алгоритмов для разных типов задач данных, т.е. классификация, регрессия, бинарная. После того как модель построена и развернута в продакшн, начинается следующий компонент машинного обучения — скоринг невидимых данных против построенных моделей. Это шаг, где RPA может спросить модель машинного обучения, что делать дальше, с моделью, предоставляющей предсказательное решение для RPA для продолжения без человеческого вмешательства.

IDC идентифицировал цифровую трансформацию как главную тенденцию в отрасли наук о жизни и здравоохранения, поэтому неудивительно, что сейчас есть повышенный интерес от этой отрасли к вариантам использования автоматизации, где добавление AI и ML с RPA может добавить ценность по всей экосистеме. Цель — создать масштабируемую цифровую рабочую силу, имеющую способность выполнять процессы, не требующие человеческого вмешательства, и доставлять возврат инвестиций менее чем за 12 месяцев.

Ключевой организационный выгодой использования интеллектуальной автоматизации для удаления человеческого труда из рутинных задач в этом случае естественным образом является возможность для медицинских специалистов сосредоточиться на более ценных, человеко-ориентированных принятии решений, диагностике и лечении. Доставка лучшего пациентского опыта и улучшение исходов может быть достигнуто оптимизацией вовлеченности пациентов, предоставлением врачам более быстрого доступа к большей информации, что в свою очередь позволяет им обеспечивать целевую и индивидуальную заботу.

Предоставление большей видимости данных в реальном времени также используется фармацевтическими компаниями и производителями медицинских устройств, например, для устранения потенциальных проблем соответствия путем снижения мошенничества и частот ошибок и повышения точности, безопасности и защиты. Это особенно актуально для отрасли наук о жизни.

Интеллектуальная автоматизация используется для ускорения открытия лекарств, разработки вакцин и клинических испытаний, автоматизируя процессы, связанные с документацией и регуляторным мониторингом. Устранение бутылочных горлышек оказывается ключом к решению некоторых вызовов, поставленных пандемией, особенно в отношении предоставления наборов тестов и быстрого анализа.

Способность стандартизировать данные, использовать более крупные наборы данных, устранять предвзятость и обучать алгоритмы более эффективно для идентификации, например, каких соединений могут быть более эффективными или стоящих быстрее проходить через процесс открытия лекарств, дает результаты быстрее и почти делает возможным выполнение работы заранее. Это само по себе предполагает, что оценка, исходы, возможность одобрения и эффективность могут быть сделаны на стадии открытия лекарств, наряду с клинической разработкой, регуляторной и документной обработкой, потенциально ведущей к виртуальным клиническим испытаниям.

Внедрение большей автоматизации в лабораториях также позволит связывать данные обратно с производством и другими озерами данных, обеспечивая большую видимость трендов, быстрее и доставляя масштабное производство и более гибкие цепочки поставок, которые являются главными требованиями, особенно в это время.

Прогнозирование производственного спроса — основной вариант использования, например — предсказание, где может быть всплеск спроса на основе внешних факторов, таких как рост гриппа или увеличение COVID-19, или потенциальное изменение в населении, может увеличить спрос. Аналогично, возможность мониторинга и отслеживания проблем качества фармаковыгляда и обработки жалоб — видение трендов относительно регуляторных подач или жалоб по мере их поступления, мониторинг трендов раньше, обновление полевых команд, чтобы они могли проактивно управлять проблемами (относительно образцов и поставок, например) в течение дней, а не недель — может способствовать увеличению продаж.

К счастью, интеллектуальная автоматизация позволяет отрасли наук о жизни и здравоохранения управлять и интегрировать унаследованные системы и достигать выгод цифровой трансформации без обновления ПО, разработки API или построения новой системы, за недели, а не месяцы или в некоторых случаях годы.

Данные могут собираться из множественных источников и должны быть очищены и подготовлены перед началом моделирования. Вместо того чтобы быть запертыми в башне из слоновой кости, AI и RPA демократизируются через интеллектуальную автоматизацию. Люди могут получать прямой доступ к данным и использовать информацию сами, вместо ожидания получения той же информации от группы, изолированной где-то еще.

Позволяя отрасли наук о жизни и здравоохранения воспользоваться этими инструментами и техниками AI, ML и RPA для поддержки AI-ориентированного принятия решений и доставки ROI в короткий период времени становится все более практической реальностью.

Сходимость RPA и AI и ML — следующий шаг в пути интеллектуальной автоматизации. Организации решают варианты использования машинного обучения, основанные на данных, такие как переадминистрация пациентов, прогнозирование персонала, соблюдение медикаментотерапии и сокращение пребывания пациентов, и они не останавливаются на этом. Вместо этого они используют предсказания для добавления новых RPA-автоматизаций, которые ранее не были жизнеспособны для решения более критических вариантов использования, используя множественные компоненты интеллектуальной автоматизации вместе. Нельзя не сказать, что это волнительное время быть в этой отрасли и вести реальные изменения на годы вперед.