Революционизация цепочек поставок здравоохранения: раскрытие полного потенциала ИИ

Нет дефицита энтузиазма — или предсказаний — о потенциальном использовании искусственного интеллекта (ИИ).

Grand View Research оценивает, что глобальный рынок ИИ будет расти с совокупной годовой ставкой 57% между 2017 и 2025 годами, достигая 36 млрд долларов. Forrester предсказывает, что 2020 — год, когда руководители сфокусируются на том, как вести и измерять ценность их инвестиций в ИИ.

Здравоохранение — не исключение. Недавний опрос руководителей здравоохранения, проведённый Optum, обнаружил, что не только использование ИИ на подъёме, но и большинство руководителей ожидают более быстрый возврат на свои инвестиции, чем изначально предвиделось.

Чего не хватает в этих возвышенных проекциях — более существенных дискуссий о том, что требуется для обеспечения того, чтобы ИИ выполнял свои обещания, такие как важность управления и управления данными. Также меньше разговоров о роли, которую ИИ и машинное обучение могут играть в цепочке поставок здравоохранения, по сравнению с другими областями, такими как улучшение диагностики заболеваний и разработка лекарств. Но когда вы останавливаетесь и думаете о том, как ИИ применяется в других местах здравоохранения, вы начинаете видеть последствия и возможности для цепочки поставок.

Предиктивная аналитика

Одним из более захватывающих применений ИИ является использование геномики в комбинации с другими клиническими, социальными и поведенческими факторами пациентов для предсказания будущих состояний заболеваний и лечений здравоохранения, таких как вероятность сердечно-сосудистого события у пациента или необходимость замены колена. На уровне индивидуального пациента относительно мало нижнего по течению релевантности для цепочки поставок. Но подумайте, что могло бы случиться, если бы у нас были данные по целым популяциям пациентов — скажем, обслуживаемым системой здравоохранения или accountable care organization. Могло ли это помочь предсказать типы и объёмы продуктов, которые понадобятся, включая когда и где, предоставляя ценные сигналы спроса производителям и дистрибьюторам?

Сопоставление спроса

С большими данными о том, как продукты выполняются в рутинной клинической практике и стремлением к перепроектированию путей ухода на основе потребностей конкретных популяций пациентов, растёт необходимость сопоставить правильный продукт с правильным пациентом. ИИ может играть важную роль в понимании того, что работает лучше на каких типах пациентов, и использовать эти данные для анализа ценности и закупок, а также для обеспечения того, что правильные продукты в правильном месте.

Оптимизация логистики

ИИ-возможные компании, фокусирующиеся на потоке пациентов, используют инструменты, обычно развёрнутые третими логистическими компаниями, такими как UPS, для построения самых быстрых маршрутов скорой помощи для транспортировки пациентов в больницу или другие места доставки ухода. Почему не развёрнуть эти же технологии для помощи профессионалам цепочки поставок здравоохранения, пока они борются с миграцией ухода за пределами острой стационарной настройки? ИИ может помочь определить лучшие методы транспортировки, частоту и маршруты для перемещения как продуктов, так и مقدمов ухода к быстро растущему числу мест, где они понадобятся — от домашних и ритейл-клиник до срочных уходов и амбулаторных хирургических центров.

Непрерывность поставок

Недавние события — от природных катаклизмов и вспышек инфекционных заболеваний до отзывов продуктов и закрытий стерилизационных объектов — усилили внимание к вызовам, возникающим из нарушений непрерывности поставок. В отличие от ритейл-отрасли, где нехватка часто лишь неудобство, нарушения поставок в здравоохранении могут иметь тяжёлые последствия. Возьмите ураган Мария как пример. Когда шторм ударил Пуэрто-Рико, он негативно повлиял на операции более чем 50 разных производителей на острове, включая поставщиков внутривенных пакетов. Дефицит солевых пакетов оставил провайдеров по всей США в суматохе за альтернативами. Групповая закупочная организация Premier недавно призвала FDA требовать от производителей медицинских устройств сообщать о потенциальных дефицитах. ИИ мог быть развёрнут не только для помощи провайдерам в предвидении нехваток и дефицитов, но и для помощи производителям собирать данные через их высоко сложные цепочки поставок для лучшего предсказания нарушений, принятия корректирующих действий и помощи их клиентам в идентификации альтернатив.

Автоматизация задач

Роботизированная процессная автоматизация (RPA) — форма ИИ, всё чаще используемая в здравоохранении, особенно вокруг обработки претензий. RPA использует программных роботов для автоматизации и стандартизации повторяющихся задач, освобождая персонал для более ценностной работы. Для цепочки поставок RPA используется для автоматизации задач управления контрактами, таких как проверка цен и наполнение систем закупок условиями контрактов.

Зависимости ИИ

Как и с многими новыми технологиями, есть значительный восторг над тем, что ИИ может сделать для улучшения клинической, операционной и финансовой производительности, вместе с опытом пациента и клинициста. В то же время, относительно мало обсуждений о том, что должно быть на месте, чтобы обеспечить выполнение ИИ своих обещаний.

Одна из самых недооценённых областей — управление данными. Красота ИИ в том, что он может анализировать большие объёмы данных для выявления паттернов и скрытых корреляций, которые иначе заняли бы людей значительно больше времени для расшифровки, если вообще. Он также позволяет пользователям кормить ИИ-двигатель широким спектром переменных, даже тех, которые вы только подозреваете, могут иметь отношение к проблеме, которую вы пытаетесь решить. Но несмотря на сложность инструмента, старая поговорка — garbage in, garbage out — всё ещё применяется. Перед началом ИИ-инициативы убедитесь, что у вас достаточно данных (вероятно, из разных источников), и что данные придерживаются чётко определённых политик, стандартов, определений и процессов данных.

Наконец, рассмотрите, до какой степени вы хотите использовать ИИ для усиления принятия решений, то есть, позволить системе предоставлять инсайты и рекомендации, пока человек всё ещё делает финальный выбор, или полностью автоматизировать принятие решений. Магия и тайна ИИ — отсутствие прозрачности в том, как система принимает решения, потому что она непрерывно учится и меняет то, как она выбирает, взвешивает и связывает разные переменные для достижения выводов. Только когда у вас есть доверие в систему — особенно при работе с решениями по уходу за пациентами — вы должны переходить к приложениям ИИ, в которых система принимает решения и действует без человеческого вмешательства.

Потенциал ИИ и машинного обучения в здравоохранении вдохновляюще удивителен, особенно когда мы рассматриваем, как использовать быстро расширяющееся богатство знаний, генерируемое каждый день. С другой стороны, ещё многое предстоит узнать о том, как лучше применять ИИ через различные аспекты здравоохранения. Пока мы стремимся к новым высотам, подсказанным ИИ, важно помнить фундамент, на котором построен ИИ. Ваши ИИ-инициативы основаны на точных, полных, стандартизированных и нормализованных данных? Если да, то небо, казалось бы, предел.

Карен Конвей — вице-президент по ценности здравоохранения в GHX.