RPA dan munculnya otomatisasi cerdas dalam perawatan kesehatan
Transformasi digital telah disebut-sebut sebagai tren teratas dalam perawatan kesehatan, dan otomatisasi cerdas dapat menjadi bagian dari itu.
Pasar Robotic Process Automation (RPA) sedang booming, diperkirakan akan mencapai nilai $4,4 miliar pada tahun 2023. Ini memberikan peluang besar bagi bisnis untuk mengotomatisasi proses manual, memakan waktu, berulang, dan transaksional. RPA dapat membantu meningkatkan kualitas, kecepatan, dan produktivitas proses, serta mengintegrasikan sistem lama yang merupakan sesuatu yang semakin penting dalam iklim saat ini karena organisasi berupaya mempercepat proyek transformasi digital.
Namun jelas bahwa sementara RPA memiliki potensi untuk menjadi alat yang sangat berharga, hambatan umum untuk keberhasilannya adalah kompleksitas bisnis, keputusan subjektif, dan data yang tidak terstruktur. RPA hanya dapat mengotomatisasi tugas-tugas sederhana. Perlu proses untuk mengikuti aturan terbatas yang telah ditentukan sebelumnya dengan data terstruktur.
Kunci untuk memulai proyek pengoptimalan digital adalah dengan menghubungkan kepala (kecerdasan buatan dan pembelajaran mesin) dengan tangan (RPA). Saya berbicara tentang konvergensi RPA dengan AI dan ML untuk menciptakan otomatisasi cerdas, yang berpotensi meningkatkan secara besar-besaran berbagai pekerjaan pengetahuan yang sebelumnya dianggap terlalu rumit untuk diotomatisasi, dan memerlukan campur tangan manusia untuk membuat prediksi. Dengan otomatisasi cerdas, AI dan ML mengotomatiskan pengambilan keputusan dan RPA mengotomatiskan langkah manual berikutnya dalam proses.
Bagaimana? Pada tingkat tinggi, pembelajaran mesin dapat dipecah menjadi dua komponen utama. Bagian pertama melibatkan model pelatihan pada data historis untuk membuat prediksi. Ini melibatkan pengumpulan dan persiapan data – seringkali merupakan langkah yang paling memakan waktu dalam pembelajaran mesin – dan diakhiri dengan kumpulan data pelatihan yang diberi label dan siap untuk dimodelkan. Selanjutnya, model dibangun menggunakan algoritma untuk berbagai jenis masalah data, yaitu klasifikasi, regresi, biner. Setelah model dibuat dan diterapkan ke dalam produksi, komponen pembelajaran mesin berikutnya dimulai – menilai data yang tidak terlihat terhadap model yang dibuat. Ini adalah langkah di mana RPA dapat menanyakan model pembelajaran mesin apa yang harus dilakukan selanjutnya, dengan model memberikan keputusan prediksi untuk melanjutkan RPA tanpa campur tangan manusia.
IDC telah mengidentifikasi transformasi digital sebagai tren teratas dalam ilmu kehidupan dan industri perawatan kesehatan, jadi tidak mengherankan bahwa sekarang ada peningkatan minat dari industri ini dalam kasus penggunaan otomatisasi di mana penambahan AI dan ML dengan RPA dapat menambah nilai di seluruh ekosistem . Tujuannya adalah untuk menciptakan tenaga kerja digital skalabel yang memiliki kapasitas untuk menjalankan proses yang tidak memerlukan campur tangan manusia, dan memberikan laba atas investasi dalam waktu kurang dari 12 bulan.
Manfaat organisasi utama menggunakan otomatisasi cerdas untuk menghapus tenaga manusia dari tugas-tugas duniawi dalam hal ini secara alami memungkinkan profesional perawatan kesehatan untuk fokus pada pengambilan keputusan, diagnosis, dan pengobatan yang dipimpin oleh manusia yang bernilai lebih tinggi. Memberikan pengalaman pasien yang lebih baik dan meningkatkan hasil dapat dicapai dengan mengoptimalkan keterlibatan pasien, memberikan dokter akses lebih cepat ke lebih banyak informasi, yang pada gilirannya memungkinkan mereka untuk memberikan perawatan yang ditargetkan dan disesuaikan.
Memberikan visibilitas data yang lebih besar secara real-time juga digunakan oleh perusahaan farmasi dan produsen perangkat medis, misalnya, untuk menghilangkan potensi masalah kepatuhan dengan mengurangi tingkat penipuan dan kesalahan serta untuk meningkatkan akurasi, keselamatan, dan keamanan. Hal ini terutama terjadi dalam industri ilmu kehidupan.
Otomatisasi cerdas sedang dimanfaatkan untuk mempercepat penemuan obat, pengembangan vaksin, dan uji klinis, dengan mengotomatisasi proses yang berkaitan dengan dokumentasi dan pemantauan peraturan. Menghilangkan kemacetan terbukti menjadi kunci untuk mengatasi beberapa tantangan yang ditimbulkan oleh pandemi, terutama yang berkaitan dengan penyediaan alat tes dan analisis Jalur Cepat.
Kemampuan untuk membakukan data, menggunakan kumpulan data yang lebih besar, menghilangkan bias, dan melatih algoritme lebih efisien untuk mengidentifikasi, misalnya, senyawa mana yang mungkin lebih efektif atau bernilai lebih cepat melalui proses penemuan obat, memberikan hasil lebih cepat dan hampir memungkinkan untuk melakukan pekerjaan terlebih dahulu. Ini sendiri menunjukkan bahwa penilaian, hasil, kemungkinan persetujuan dan kemanjuran dapat dilakukan pada tahap penemuan obat, di samping pengembangan klinis, peraturan dan pemrosesan dokumen, yang berpotensi mengarah pada uji klinis virtual.
Memperkenalkan lebih banyak otomatisasi di laboratorium juga akan memungkinkan data untuk dihubungkan kembali ke manufaktur, dan data lake lainnya, untuk memberikan visibilitas tren yang lebih besar, manufaktur skala yang lebih cepat dan memberikan, dan rantai pasokan yang lebih gesit yang merupakan persyaratan utama, terutama saat ini.
Peramalan permintaan produksi adalah contoh kasus penggunaan inti – memprediksi di mana mungkin ada lonjakan permintaan berdasarkan eksternalitas seperti kenaikan flu atau peningkatan COVID-19, atau potensi perubahan populasi, dapat meningkatkan permintaan. Demikian pula, mampu memantau dan melacak masalah kualitas farmakovigilans dan penanganan keluhan – melihat tren terkait pengajuan atau keluhan yang masuk, memantau tren lebih cepat, memperbarui tim lapangan sehingga mereka dapat secara proaktif mengelola masalah (mengenai sampel dan pengiriman misalnya) dalam hari, bukan minggu – dapat berkontribusi pada peningkatan penjualan.
Untungnya, otomatisasi cerdas memungkinkan ilmu kehidupan dan industri perawatan kesehatan untuk mengelola dan mengintegrasikan sistem warisan dan mencapai manfaat transformasi digital tanpa memperbarui perangkat lunak, mengembangkan API, atau membangun sistem baru, dalam beberapa minggu, bukan bulan atau dalam beberapa kasus bertahun-tahun.
Data dapat dikumpulkan dari berbagai sumber dan harus dibersihkan dan disiapkan sebelum pemodelan dimulai. Alih-alih dikurung di menara gading, AI dan RPA didemokratisasi melalui otomatisasi cerdas. Orang bisa mendapatkan akses langsung ke ilmu data dan memanfaatkan informasi itu sendiri, daripada menunggu untuk mendapatkan informasi yang sama dari grup yang disembunyikan di tempat lain.
Memungkinkan industri ilmu kehidupan dan perawatan kesehatan untuk memanfaatkan alat dan teknik AI, ML, dan RPA ini untuk mendukung pengambilan keputusan yang didorong oleh AI dan memberikan ROI dalam waktu singkat semakin menjadi kenyataan praktis.
Konvergensi RPA dan AI dan ML adalah langkah selanjutnya dalam perjalanan otomatisasi cerdas. Organisasi sedang memecahkan kasus penggunaan pembelajaran mesin berbasis data seperti penerimaan kembali pasien, perkiraan staf, kepatuhan pengobatan, dan pengurangan masa inap pasien dan mereka tidak berhenti di situ. Sebaliknya, mereka menggunakan prediksi untuk menambahkan otomatisasi RPA baru yang sebelumnya tidak layak untuk menyelesaikan kasus penggunaan yang lebih kritis, menggunakan beberapa komponen otomatisasi cerdas secara bersamaan. Tak perlu dikatakan, ini adalah waktu yang menyenangkan untuk berada di industri ini dan mendorong perubahan nyata di tahun-tahun mendatang.
