RPA en de opkomst van intelligente automatisering in de gezondheidszorg

Digitale transformatie wordt genoemd als een toptrend in de gezondheidszorg, en intelligente automatisering kan daar een onderdeel van zijn.

De markt voor Robotic Process Automation (RPA) is booming en zal naar verwachting in 2023 een waarde van $ 4,4 miljard bereiken. Het biedt bedrijven een enorme kans om handmatige, tijdrovende, repetitieve en transactieprocessen te automatiseren. RPA kan helpen de proceskwaliteit, snelheid en productiviteit te verbeteren en legacy-systemen te integreren, wat in het huidige klimaat steeds belangrijker wordt nu organisaties digitale transformatieprojecten willen versnellen.

Het is echter duidelijk dat hoewel RPA het potentieel heeft om een ​​zeer waardevol hulpmiddel te zijn, veelvoorkomende obstakels voor het succes ervan de zakelijke complexiteit, subjectieve beslissingen en ongestructureerde gegevens zijn. RPA kan alleen eenvoudige taken automatiseren. Het heeft processen nodig om eindige vooraf gedefinieerde regels te volgen met gestructureerde gegevens.

De sleutel tot het starten van digitale optimalisatieprojecten is om het hoofd (kunstmatige intelligentie en machine learning) te verbinden met de handen (RPA). Ik heb het over de convergentie van RPA met AI en ML om intelligente automatisering te creëren, die het potentieel heeft om het scala aan kenniswerk dat voorheen werd beschouwd als te complex om te automatiseren, enorm te vergroten en waarvoor menselijke tussenkomst nodig was om voorspellingen te doen. Met intelligente automatisering automatiseert AI en ML de besluitvorming en RPA automatiseert de handmatige vervolgstappen binnen het proces.

Hoe? Op een hoog niveau kan machine learning worden opgesplitst in twee hoofdcomponenten. Het eerste deel omvat het trainen van modellen op historische data om voorspellingen te doen. Dit omvat het verzamelen en voorbereiden van de gegevens - vaak de meest tijdrovende stap in machine learning - en afsluiten met een trainingsdataset die is gelabeld en klaar voor modellering. Vervolgens worden modellen gebouwd met behulp van algoritmen voor verschillende soorten gegevensproblemen, d.w.z. classificatie, regressie, binair. Zodra het model is gebouwd en in productie is genomen, begint het volgende onderdeel van machine learning:het scoren van ongeziene gegevens ten opzichte van de gebouwde modellen. Dit is de stap waarbij RPA het machine learning-model kan vragen wat het vervolgens moet doen, waarbij het model een voorspellingsbeslissing geeft voor RPA om door te gaan zonder menselijke tussenkomst.

IDC heeft digitale transformatie geïdentificeerd als een toptrend in de life sciences- en gezondheidszorgindustrie, dus het is geen verrassing dat er nu meer belangstelling is vanuit deze industrie voor automatiseringstoepassingen waarbij de toevoeging van AI en ML met RPA waarde kan toevoegen aan het hele ecosysteem . Het doel is om een ​​schaalbaar digitaal personeelsbestand te creëren dat de capaciteit heeft om processen uit te voeren waarvoor geen menselijke tussenkomst nodig is, en om in minder dan 12 maanden een return on investment te realiseren.

Het belangrijkste organisatorische voordeel van het gebruik van intelligente automatisering om in dit geval menselijke arbeid uit alledaagse taken te verwijderen, is natuurlijk dat zorgprofessionals zich kunnen concentreren op hoogwaardigere, door mensen geleide besluitvorming, diagnose en behandeling. Het leveren van een betere patiëntervaring en het verbeteren van de resultaten kan worden bereikt door de betrokkenheid van patiënten te optimaliseren, waardoor clinici sneller toegang hebben tot meer informatie, waardoor ze gerichte zorg op maat kunnen bieden.

Het verstrekken van een grotere zichtbaarheid van gegevens in realtime wordt ook gebruikt door farmaceutische bedrijven en fabrikanten van medische hulpmiddelen, bijvoorbeeld om mogelijke nalevingsproblemen weg te nemen door fraude en foutenpercentages te verminderen en de nauwkeurigheid, veiligheid en beveiliging te vergroten. Dit is vooral het geval in de life sciences-industrie.

Er wordt gebruikgemaakt van intelligente automatisering om de ontdekking van geneesmiddelen, de ontwikkeling van vaccins en klinische proeven te versnellen door processen met betrekking tot documentatie en toezicht op regelgeving te automatiseren. Het wegnemen van knelpunten blijkt de sleutel te zijn om enkele van de uitdagingen van de pandemie aan te pakken, vooral met betrekking tot het leveren van testkits en Fast Track-analyse.

De mogelijkheid om gegevens te standaardiseren, grotere datasets te gebruiken, vooroordelen te verwijderen en algoritmen efficiënter te trainen om bijvoorbeeld te identificeren welke verbindingen effectiever zijn of de moeite waard zijn om sneller door het medicijnontdekkingsproces te gaan, levert sneller resultaten op en maakt het bijna mogelijk om het werk van tevoren te doen. Dit op zich suggereert dat beoordeling, resultaten, de mogelijkheid van goedkeuring en werkzaamheid kunnen worden gedaan in de fase van medicijnontdekking, naast klinische ontwikkeling, regelgevende en documentverwerking, wat mogelijk kan leiden tot virtuele klinische onderzoeken.

Door meer automatisering in laboratoria in te voeren, kunnen gegevens ook weer worden gekoppeld aan productie en andere datameren, om trends beter zichtbaar te maken, sneller en op schaal te produceren, en flexibelere toeleveringsketens, wat vooral in deze tijd belangrijke vereisten zijn.

Prognose van de productievraag is bijvoorbeeld een kerngebruiksscenario - het voorspellen waar de vraag kan stijgen op basis van externe factoren zoals een toename van de griep of toename van COVID-19, of een mogelijke verandering in de bevolking, kan de vraag doen toenemen. Evenzo in staat zijn om kwaliteitskwesties van geneesmiddelenbewaking en klachtenbehandeling te bewaken en te volgen - trends zien met betrekking tot ingediende regelgeving of klachten zodra ze binnenkomen, trends sneller volgen, veldteams bijwerken zodat ze proactief problemen kunnen beheren (bijvoorbeeld met betrekking tot monsters en verzendingen) binnen dagen in plaats van weken – kan bijdragen aan een hogere omzet.

Gelukkig stelt intelligente automatisering de biowetenschappen en de gezondheidszorg in staat om legacy-systemen te beheren en te integreren en de voordelen van digitale transformatie te benutten zonder software te updaten, API's te ontwikkelen of een nieuw systeem te bouwen, binnen enkele weken, in plaats van maanden of in sommige gevallen jaren.

Gegevens kunnen uit meerdere bronnen worden verzameld en moeten worden opgeschoond en voorbereid voordat het modelleren wordt gestart. In plaats van opgesloten te zitten in een ivoren toren, worden AI en RPA gedemocratiseerd door intelligente automatisering. Mensen kunnen direct toegang krijgen tot data science en zelf gebruik maken van de informatie, in plaats van te wachten om diezelfde informatie te krijgen van een groep die ergens anders opgesloten zit.

De biowetenschappen en de gezondheidszorg in staat stellen te profiteren van deze AI-, ML- en RPA-tools en -technieken om AI-gestuurde besluitvorming te ondersteunen en in korte tijd ROI te leveren, wordt steeds meer een praktische realiteit.

De convergentie van RPA en AI en ML is de volgende stap in het intelligente automatiseringstraject. Organisaties lossen datagestuurde gebruiksscenario's voor machine learning op, zoals het opnieuw opnemen van patiënten, prognoses van personeel, therapietrouw en het verminderen van het verblijf van patiënten, en daar houden ze niet op. In plaats daarvan gebruiken ze de voorspellingen om nieuwe RPA-automatiseringen toe te voegen die voorheen niet haalbaar waren om meer kritieke gebruiksgevallen op te lossen, door meerdere intelligente automatiseringscomponenten samen te gebruiken. Onnodig te zeggen dat het een opwindende tijd is om in deze branche te werken en de komende jaren echte verandering teweeg te brengen.