Gezondheidszorg Supply Chains Revolutionairen: AI's Volledig Potentieel Ontgrendelen

Er is geen tekort aan enthousiasme – of voorspellingen – over het potentieel van kunstmatige intelligentie (AI).

Grand View Research schat de mondiale AI-markt zal groeien met een samengestelde jaarlijkse snelheid van 57% tussen 2017 en 2025, tot $36 miljard. Forrester voorspelt dat 2020 het jaar is dat topman zich zullen richten op hoe ze de waarde van hun investeringen in AI kunnen drijven en meten.

Gezondheidszorg is geen uitzondering. Een recente enquête onder gezondheidszorg-topman uitgevoerd door Optum vond dat niet alleen het gebruik van AI op de vlucht is, maar ook dat de meeste topman een snellere terugverdiening op hun investeringen verwachten dan oorspronkelijk anticipeerd.

Wat ontbreekt aan deze hoge projecties zijn meer substantiële discussies over wat er nodig is om te garanderen dat AI zijn belofte inloopt, zoals het belang van data-governance en -beheer. Er zijn ook minder gesprekken over de rol die AI en machine learning kunnen spelen in de gezondheidszorg supply chain, vergeleken met andere gebieden, zoals verbeterde ziekte-diagnose en medicijnontwikkeling. Maar wanneer u stopt en nadenkt over hoe AI elders in de gezondheidszorg wordt toegepast, begint u implicaties en kansen voor de supply chain te zien.

Predictive analytics

Een van de meer opwindende toepassingen van AI is het gebruik van genomica, gecombineerd met andere patiënt-klinische, sociale en gedragsfactoren, om toekomstige ziekte-toestanden en gezondheidszorgbehandelingen te voorspellen, zoals of een patiënt waarschijnlijk een cardiovasculaire gebeurtenis zal ervaren of een knievervanging nodig heeft. Op individueel patiëntniveau is er relatief weinig downstream relevantie voor supply chain. Maar overweeg wat er zou kunnen gebeuren als we data hadden over gehele patiëntenpopulaties – zeg die bediend door een gezondheidszorgsysteem of accountable care organization. Kunnen dat helpen voorspellen welke typen en volumes producten nodig zullen zijn, inclusief wanneer en waar, waardevolle vraagsignalen biedend aan fabrikanten en distributeurs?

Vraagafstemming

Met meer data over hoe producten presteren in routinematige klinische praktijk en de drang om zorgpaden te herontwerpen op basis van de behoeften van specifieke patiëntenpopulaties, is er een toenemende behoefte om het juiste product met de juiste patiënt te matchen. AI kan een belangrijke rol spelen in het begrijpen wat het beste werkt op welke soorten patiënten, en deze data benutten voor waarde-analyse en sourcing, alsook ervoor zorgen dat de juiste producten op de juiste plek zijn.

Logistieke optimalisatie

AI-ingeschakelde bedrijven gefocust op patiëntstroom benutten tools die gemeenschappelijk worden ingezet door third-party logistics bedrijven, zoals UPS, om de snelste ambulance-routes te plannen om patiënten naar het ziekenhuis of andere zorgafleveringslocaties te transporteren. Waarom niet deze zelfde technologieën implementeren om gezondheidszorg supply-chain-professionals te helpen worstelen met de migratie van zorg buiten de acute zorgsettings? AI kan helpen bepalen de beste transportmethoden, frequentie en routes om zowel producten als zorgverleners te verplaatsen naar het snel groeiende aantal locaties waar ze nodig zullen zijn, van thuis- en detailhandelklinieken tot spoedeisende hulp en ambulante chirurgiecentra.

Leveringscontinuïteit

Recente gebeurtenissen – van natuurrampen en infectieziekte-uitbraken tot productterugroepacties en sterilisatiefaciliteitssluitingen – hebben de aandacht verhoogd voor de uitdagingen die voortvloeien uit storingen in leveringscontinuïteit. In tegenstelling tot de detailhandelindustrie, waar een backorder vaak alleen een ongemak is, kunnen leveringsstoringen in de gezondheidszorg grave gevolgen hebben. Neem Orkaan Maria als voorbeeld. Toen de storm Puerto Rico raakte, beïnvloedde het negatief de operaties bij meer dan 50 verschillende fabrikanten op het eiland, inclusief diegenen die IV-zakken leveren. De tekortkoming in zoutwaterzakken liet providers in de VS scharrelen naar alternatieven. De group purchasing organization, Premier, riep onlangs de U.S. Food and Drug Administration op om medische hulpmiddelenfabrikanten te verplichten potentiële tekorten te communiceren. AI kon niet alleen ingezet worden om providers te helpen backorders en stockouts te anticiperen, maar ook om fabrikanten te helpen data over hun hoogst complexe supply chains te verzamelen om storingen beter te voorspellen, correctieve actie te ondernemen, en hun klanten te helpen alternatieven te identificeren.

Taakautomatisering

Robotic process automation (RPA) is een vorm van AI die steeds vaker in de gezondheidszorg wordt gebruikt, vooral rond claimsverwerking. RPA gebruikt software-robots om repetitieve taken te automatiseren en te standaardiseren, wat personeel vrijmaakt voor meer waardevolle werk. Voor supply chain wordt RPA gebruikt om contractbeheertaken te automatiseren, zoals het controleren van prijzen en het vullen van inkoopsystemen met contractvoorwaarden.

AI-afhankelijkheden

Zoals bij veel nieuwe technologieën, is er aanzienlijke opwinding over wat AI kan doen om klinische, operationele en financiële prestaties te verbeteren, samen met patiënt- en clinicuserervaring. Tegelijkertijd is er relatief weinig discussie over wat er op zijn plaats moet zijn om te garanderen dat AI zijn belofte inloopt.

Eén van de meest onderschatte gebieden is data-governance. De schoonheid van AI is dat het grote hoeveelheden data kan analyseren om patronen en verborgen correlaties te identificeren die anders aanzienlijk langer voor mensen zouden duren om te ontcijferen, zo überhaupt. Het stelt gebruikers ook in staat om de AI-engine te voeden met een wijd bereik aan variabelen, zelfs die u alleen verdenkt misschien een bepaalde invloed te hebben op het probleem dat u probeert op te lossen. Maar ondanks de sophisticated van het hulpmiddel, geldt het oude gezegde – garbage in, garbage out – nog steeds. Voordat u een AI-initiatief start, zorg ervoor dat u voldoende data heeft (waarschijnlijk afkomstig uit verschillende bronnen), en dat de data voldoet aan goed gedefinieerde databeleid, standaarden, definities en processen.

Ten slotte, overweeg in welke mate u AI wilt benutten om besluitvorming te augmenteren, d.w.z. of u het systeem toestaat inzichten en aanbevelingen te geven terwijl een mens nog de finale keuze maakt, of besluitvorming volledig te automatiseren. De magie en mysterie van AI is de gebrek aan transparantie in hoe het systeem beslissingen neemt, omdat het continu leert en verandert hoe het selecteert, weegt en verschillende variabelen relieert om tot conclusies te komen. Alleen eenmaal u vertrouwen in het systeem hebt – vooral bij patiëntenzorgbeslissingen – zou u moeten overgaan tot toepassingen van AI waarin het systeem beslissingen neemt en actie onderneemt zonder menselijke interventie.

Het potentieel voor AI en machine learning in de gezondheidszorg is ontroerend, vooral als we overwegen hoe we de snel groeiende schat aan kennis die elke dag gegenereerd wordt, te benutten. Aan de andere kant is er nog veel te leren over hoe AI het beste toegepast kan worden over de diverse aspecten van de gezondheidszorg. Terwijl we streven naar nieuwe hoogtes, geleid door AI, is het belangrijk om de fundering te onthouden waarop AI gebouwd is. Zijn uw AI-initiatieven gebaseerd op accurate, complete, gestandaardiseerde en genormaliseerde data? Zo ja, dan is de lucht, schijnbaar, de limiet.

Karen Conway is vicepresident healthcare value bij GHX.