Het potentieel van AI in de supply chain voor de gezondheidszorg

Er is geen gebrek aan enthousiasme - of voorspellingen - over het mogelijke gebruik van kunstmatige intelligentie (AI).

Grand View Research schat dat de wereldwijde AI-markt tussen 2017 en 2025 met een samengesteld jaarlijks percentage van 57% zal groeien en $ 36 miljard zal bereiken. Forrester voorspelt dat 2020 het jaar is waarin executives zich richten op het stimuleren en meten van de waarde van hun investeringen in AI.

Gezondheidszorg is geen uitzondering. Uit een recent onderzoek onder leidinggevenden in de gezondheidszorg, uitgevoerd door Optum, bleek dat niet alleen het gebruik van AI in opkomst is, maar ook dat de meeste leidinggevenden een sneller rendement op hun investeringen verwachten dan aanvankelijk werd verwacht.

Wat in deze verheven projecties ontbreekt, zijn meer inhoudelijke discussies over wat er nodig is om ervoor te zorgen dat AI zijn belofte kan waarmaken, zoals het belang van datagovernance en -beheer. Er zijn ook minder gesprekken over de rol die AI en machine learning kunnen spelen in de supply chain van de zorg, vergeleken met andere gebieden, zoals verbeterde ziektediagnose en medicijnontwikkeling. Maar als je even stilstaat bij hoe AI elders in de zorg wordt toegepast, begin je implicaties en kansen te zien voor de toeleveringsketen.

Voorspellende analyses. Een van de meer opwindende toepassingen van AI is het gebruik van genomica, gecombineerd met andere klinische, sociale en gedragsfactoren van de patiënt, om toekomstige ziektetoestanden en behandelingen in de gezondheidszorg te voorspellen, zoals of een patiënt waarschijnlijk een cardiovasculair voorval zal ervaren of een knie nodig heeft vervanging. Op het niveau van de individuele patiënt is er relatief weinig downstream-relevantie voor de toeleveringsketen. Maar bedenk eens wat er zou kunnen gebeuren als we gegevens hadden over hele patiëntenpopulaties, bijvoorbeeld die van een gezondheidszorgsysteem of een verantwoordelijke zorgorganisatie. Zou dat kunnen helpen bij het voorspellen van de soorten en het volume van producten die nodig zullen zijn, inclusief wanneer en waar, en tegelijkertijd waardevolle vraagsignalen afgeven aan fabrikanten en distributeurs?

Aanvraag afstemmen. Met meer gegevens over hoe producten presteren in de dagelijkse klinische praktijk en de drive om zorgpaden opnieuw te ontwerpen op basis van de behoeften van specifieke patiëntenpopulaties, is er een toenemende behoefte om het juiste product aan de juiste patiënt te koppelen. AI kan een belangrijke rol spelen om te begrijpen wat het beste werkt bij wat voor soort patiënten, en deze gegevens te gebruiken voor waardeanalyse en sourcing, en om ervoor te zorgen dat de juiste producten op de juiste plaats zijn.

Logistieke optimalisatie. Bedrijven met AI die zich richten op de patiëntenstroom, gebruiken tools die vaak worden ingezet door externe logistieke bedrijven, zoals UPS, om de snelste ambulanceroutes in kaart te brengen om patiënten naar het ziekenhuis of andere zorgbezorgingslocaties te vervoeren. Waarom zouden we niet dezelfde technologieën inzetten om professionals in de toeleveringsketen in de gezondheidszorg te helpen bij hun worsteling met de migratie van zorg buiten de acute zorg? AI kan helpen bij het bepalen van de beste transportmethoden, frequentie en routes om zowel producten als zorgverleners te verplaatsen naar het snelgroeiende aantal locaties waar ze nodig zullen zijn, van thuis- en winkelklinieken tot spoedeisende zorg en centra voor ambulante chirurgie.

Leveringscontinuïteit. Recente gebeurtenissen - van natuurrampen en uitbraken van besmettelijke ziekten tot terugroepacties van producten en sluitingen van sterilisatiefaciliteiten - hebben de aandacht vergroot voor de uitdagingen die ontstaan ​​door verstoringen in de continuïteit van de levering. In tegenstelling tot de detailhandel, waar een nabestelling vaak slechts een ongemak is, kunnen leveringsonderbrekingen in de gezondheidszorg ernstige gevolgen hebben. Neem orkaan Maria als voorbeeld. Toen de storm Puerto Rico trof, had dit een negatieve invloed op de activiteiten van meer dan 50 verschillende fabrikanten op het eiland, waaronder die welke IV-zakken leveren. Het tekort aan zakken met zoutoplossing zorgde ervoor dat leveranciers in de VS op zoek waren naar alternatieven. De inkooporganisatie van de groep, Premier, deed onlangs een beroep op de Amerikaanse Food and Drug Administration om fabrikanten van medische hulpmiddelen te verplichten potentiële tekorten te melden. AI kan niet alleen worden ingezet om leveranciers te helpen anticiperen op backorders en stockouts, maar ook om fabrikanten te helpen gegevens te verzamelen over hun zeer complexe toeleveringsketens om verstoringen beter te voorspellen, corrigerende maatregelen te nemen en hun klanten te helpen bij het identificeren van alternatieven.

Taakautomatisering. Robotic process automation (RPA) is een vorm van AI die in toenemende mate wordt toegepast in de zorg, met name rondom claimverwerking. RPA gebruikt softwarerobots om repetitieve taken te automatiseren en te standaardiseren, waardoor personeel wordt vrijgemaakt voor meer werk met toegevoegde waarde. Voor de toeleveringsketen wordt RPA gebruikt om contractbeheertaken te automatiseren, zoals het controleren van prijzen en het vullen van inkoopsystemen met contractvoorwaarden.

AI-afhankelijkheden. Zoals met veel nieuwe technologieën, is er veel opwinding over wat AI kan doen om de klinische, operationele en financiële prestaties te verbeteren, samen met de ervaring van patiënten en clinici. Tegelijkertijd is er relatief weinig discussie over wat er moet gebeuren om ervoor te zorgen dat AI zijn belofte waarmaakt.

Een van de meest onderschatte gebieden is data governance. Het mooie van AI is dat het grote hoeveelheden gegevens kan analyseren om patronen en verborgen correlaties te identificeren die mensen anders aanzienlijk meer tijd zouden kosten om te ontcijferen, of helemaal niet. Het stelt gebruikers ook in staat om de AI-engine te voeden met een breed scala aan variabelen, zelfs die waarvan u alleen vermoedt dat ze enige invloed kunnen hebben op het probleem dat u probeert op te lossen. Maar ondanks de verfijning van de tool, is het oude gezegde - garbage in, garbage out - nog steeds van toepassing. Voordat u een AI-initiatief start, moet u ervoor zorgen dat u over voldoende gegevens beschikt (waarschijnlijk afkomstig uit verschillende bronnen) en dat de gegevens voldoen aan welomschreven gegevensbeleid, normen, definities en processen.

Overweeg tot slot in hoeverre u AI wilt gebruiken om de besluitvorming te vergroten, dat wil zeggen of u het systeem inzichten en aanbevelingen wilt laten geven terwijl een mens nog de uiteindelijke keuze maakt, of dat u de besluitvorming volledig wilt automatiseren. De magie en het mysterie van AI is het gebrek aan transparantie in hoe het systeem beslissingen neemt, omdat het voortdurend leert en verandert hoe het verschillende variabelen selecteert, weegt en relateert om tot conclusies te komen. Pas als je vertrouwen hebt in het systeem - vooral als het gaat om beslissingen over patiëntenzorg - moet je overstappen op toepassingen van AI waarin het systeem beslissingen neemt en actie onderneemt zonder menselijke tussenkomst.

Het potentieel voor AI en machine learning in de gezondheidszorg is ontzagwekkend, vooral als we bedenken hoe we de snel groeiende schat aan kennis die elke dag wordt gegenereerd, kunnen benutten. Aan de andere kant valt er nog veel te leren over hoe AI het beste kan worden toegepast op de verschillende aspecten van de zorg. Terwijl we streven naar nieuwe hoogten, geleid door AI, is het belangrijk om de basis te onthouden waarop AI is gebouwd. Zijn uw AI-initiatieven gebaseerd op nauwkeurige, volledige, gestandaardiseerde en genormaliseerde gegevens? Als dat zo is, dan is de lucht schijnbaar de limiet.

Karen Conway is vice-president Healthcare Value bij GHX.