RPA: Intelligente automatisering drijven in de gezondheidszorg

Digital transformation in healthcare

Digitale transformatie is aangehaald als een top trend in de gezondheidszorg, en intelligente automatisering kan een deel daarvan zijn.

De Robotic Process Automation (RPA) markt bloeit, voorspeld om $4,4 miljard waard te zijn in 2023. Het biedt bedrijven een enorme kans om handmatige, tijdrovende, herhalende en transactionele processen te automatiseren. RPA kan helpen proceskwaliteit, snelheid en productiviteit te verbeteren en legacy systemen te integreren, wat steeds belangrijker wordt in het huidige klimaat aangezien organisaties zoeken om digitale transformatieprojecten te versnellen.

Uitdagingen van traditionele RPA

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

Intelligente automatisering: RPA + AI/ML

De sleutel om digitale optimalisatieprojecten een vliegende start te geven is het verbinden van het hoofd (kunstmatige intelligentie en machine learning) met de handen (RPA). Ik praat over de convergentie van RPA met AI en ML om intelligente automatisering te creëren, die het potentieel heeft om het bereik van kenniswerk dat voorheen als te complex werd beschouwd om te automatiseren, en menselijke interventie vereiste om voorspellingen te maken, massaal te vergroten. Met intelligente automatisering automatiseert AI en ML de besluitvorming en RPA de handmatige volgende stappen binnen het proces.

Hoe het werkt: Machine Learning componenten

Op hoog niveau kan machine learning opgesplitst worden in twee grote componenten. Het eerste deel omvat het trainen van modellen op historische data om voorspellingen te maken. Dit omvat het verzamelen en voorbereiden van de data — vaak de meest tijdrovende stap in machine learning — en eindigt met een trainingsdataset die gelabeld is en klaar voor modellering. Vervolgens worden modellen gebouwd met algoritmen voor verschillende typen dataproblemen, namelijk classificatie, regressie, binair. Eenmaal het model gebouwd en geïmplementeerd in productie, begint de volgende component van machine learning — het scoren van onziene data tegen de gebouwde modellen. Dit is de stap waar RPA het machine learning model kan vragen wat er als volgende gedaan moet worden, met het model een voorspellingsbeslissing biedt voor RPA om door te gaan zonder menselijke interventie.

Toepassingen in life sciences en healthcare

IDC heeft digitale transformatie geïdentificeerd als een top trend in de life sciences en healthcare industrie, dus het is geen verrassing dat er nu verhoogd belang is van deze industrie in automatisering use cases waar de toevoeging van AI en ML met RPA waarde kan toevoegen aan het hele ecosysteem. Het doel is om een schaalbare digitale workforce te creëren die de capaciteit heeft om processen uit te voeren die geen menselijke interventie vereisen, en een return on investment te leveren in minder dan 12 maanden.

Het cruciale organisatorische voordeel van het gebruik van intelligente automatisering om menselijke arbeid van banale taken te verwijderen in dit geval is van nature het in staat stellen van gezondheidszorgprofessionals om te focusen op hogere-waarde, menselijk-geleide besluitvorming, diagnose en behandeling. Een betere patiëntervaring leveren en resultaten verbeteren kan bereikt worden door patiëntbetrokkenheid te optimaliseren, artsen snellere toegang tot meer informatie te geven, wat hen weer in staat stelt om gerichte en op maat gemaakte zorg te leveren.

Het bieden van grotere zichtbaarheid van data in realtime wordt ook gebruikt door farmaceutische bedrijven en medische apparaatfabrikanten, bijvoorbeeld, om potentiële compliance zorgen te elimineren door fraude en fouten te verminderen en nauwkeurigheid, veiligheid en beveiliging te verhogen. Dit is met name het geval in de life sciences industrie.

Intelligente automatisering wordt geharnest om geneesmiddelontwikkeling, vaccinontwikkeling en klinische studies te versnellen, door processen met betrekking tot documentatie en regelgevende monitoring te automatiseren. Het wegnemen van knelpunten blijkt de sleutel te zijn om sommige van de uitdagingen die de pandemie met zich meebrengt aan te pakken, met name met betrekking tot het leveren van testsets en Fast Track analyse.

De mogelijkheid om data te standaardiseren, grotere datasets te gebruiken, biassen te verwijderen, en algoritmes efficiënter te trainen om te identificeren, bijvoorbeeld, welke verbindingen effectiever kunnen zijn of de moeite waard om sneller door het geneesmiddelontdekkingsproces te gaan, levert snellere resultaten op en maakt het bijna mogelijk om het werk van tevoren te doen. Dit suggereert op zich dat beoordeling, resultaten, de mogelijkheid van goedkeuring en effectiviteit in de geneesmiddelontdekkingsfase gedaan kunnen worden, naast klinische ontwikkeling, regelgeving en documentverwerking, potentiëel leidend tot virtuele klinische studies.

Het introduceren van meer automatisering in laboratoria zal ook data laten koppelen terug in productie, en andere datalakes, om grotere zichtbaarheid van trends te bieden, sneller en schaalproductie te leveren, en meer flexibele supply chains wat grote vereisten zijn, met name op dit moment.

Productie vraagvoorspelling is een kern use case — voorspellen waar er een piek in vraag kan zijn gebaseerd op externaliteiten zoals een stijging in de griep of toename in COVID-19, of een potentiële verandering in de bevolking, kan vraag verhogen. Op dezelfde manier, in staat zijn om kwaliteitsproblemen van farmacovigilantie en klachtenafhandeling te monitoren en te traceren — trends zien met betrekking tot regelgevende inzendingen of klachten zoals ze binnenkomen, trends eerder monitoren, veldteams updaten zodat ze proactief issues kunnen managen (met betrekking tot monsters en verzendingen bijvoorbeeld) binnen dagen in plaats van weken — kan bijdragen aan verhoogde verkoop.

Gelukkig stelt intelligente automatisering de life sciences en healthcare industrie in staat om legacy systemen te managen en te integreren en de voordelen van digitale transformatie te behalen zonder software te updaten, API's te ontwikkelen, of een nieuw systeem te bouwen, binnen weken, in plaats van maanden of in sommige gevallen jaren.

Data kan verzameld worden uit meerdere bronnen en moet gereinigd en voorbereid worden voordat modellering geïnitieerd wordt. In plaats van vast te zitten in een ivoren toren, worden AI en RPA gedemocratiseerd door intelligente automatisering. Mensen kunnen directe toegang krijgen tot data science en de informatie zelf gebruiken, in plaats van te wachten om diezelfde informatie van een groep te krijgen die ergens geïsoleerd zit.

Het in staat stellen van de life sciences en healthcare industrie om gebruik te maken van deze AI, ML en RPA tools en technieken om AI-gedreven besluitvorming te ondersteunen en ROI in een korte periode te leveren, wordt steeds meer een praktische realiteit.

De convergentie van RPA en AI en ML is de volgende stap in de intelligente automatiseringsreis. Organisaties lossen data-gedreven machine learning use cases op zoals patiënt heropname, personeelsvoorspelling, medicatietherapietrouw, en patiënt verblijfsduur reductie en ze stoppen er niet. In plaats daarvan gebruiken ze de voorspellingen om nieuwe RPA automatiseringen toe te voegen die niet voorheen haalbaar waren om meer kritische use cases op te lossen, met behulp van meerdere intelligente automatiseringscomponenten samen. Het is ongetwijfeld een opwindende tijd om in deze industrie te zijn en echte verandering te drijven voor de komende jaren.