Revolusi Rantai Pasok Kesehatan: Melepas Potensi Penuh AI
Tidak ada kehabisan antusiasme — atau prediksi — tentang potensi penggunaan kecerdasan buatan (AI).
Grand View Research memperkirakan pasar AI global akan tumbuh pada tingkat tahunan majemuk 57% antara 2017 dan 2025, mencapai $36 miliar. Forrester memprediksi bahwa 2020 adalah tahun eksekutif akan fokus pada bagaimana mendorong dan mengukur nilai dari investasi mereka dalam AI.
Perawatan kesehatan tidak terkecuali. Survei terbaru terhadap eksekutif perawatan kesehatan yang dilakukan oleh Optum menemukan bahwa tidak hanya penggunaan AI meningkat, tetapi juga sebagian besar eksekutif mengasumsikan pengembalian yang lebih cepat dari investasi mereka dari yang diantisipasi sebelumnya.
Apa yang hilang dari proyeksi tinggi ini adalah diskusi yang lebih substansial tentang apa yang diperlukan untuk memastikan bahwa AI dapat memenuhi janjinya, seperti pentingnya tata kelola dan manajemen data. Ada juga lebih sedikit percakapan tentang peran AI dan pembelajaran mesin dapat memainkan dalam rantai pasok perawatan kesehatan, dibandingkan dengan area lain, seperti diagnosis penyakit yang ditingkatkan dan pengembangan obat. Namun ketika Anda berhenti dan memikirkan bagaimana AI diterapkan di tempat lain dalam perawatan kesehatan, Anda mulai melihat implikasi dan peluang untuk rantai pasok.
Analisis prediktif. Salah satu aplikasi yang lebih menarik dari AI adalah penggunaan genomik, digabungkan dengan faktor klinis, sosial dan perilaku pasien lainnya, untuk memprediksi status penyakit dan perawatan perawatan kesehatan di masa depan, seperti apakah seorang pasien mungkin mengalami kejadian kardiovaskular atau membutuhkan pengganti lutut. Pada tingkat pasien individu, ada relevansi downstream yang relatif sedikit untuk rantai pasok. Namun pertimbangkan apa yang bisa terjadi jika kita memiliki data pada seluruh populasi pasien — katakanlah mereka yang dilayani oleh sistem perawatan kesehatan atau organisasi perawatan tanggung jawab. Apakah itu dapat membantu memprediksi jenis dan volume produk yang akan diperlukan, termasuk kapan dan di mana, sambil memberikan sinyal permintaan yang berharga kepada produsen dan distributor?
Pencocokan permintaan. Dengan lebih banyak data tentang bagaimana produk berprestasi dalam praktik klinis rutin dan dorongan untuk merancang ulang jalur perawatan berdasarkan kebutuhan populasi pasien tertentu, ada kebutuhan yang meningkat untuk mencocokkan produk yang tepat dengan pasien yang tepat. AI dapat memainkan peran penting dalam memahami apa yang paling baik bekerja pada jenis pasien apa, dan memanfaatkan data ini untuk analisis nilai dan sourcing, serta memastikan produk yang tepat berada di tempat yang tepat.
Optimasi logistik. Perusahaan yang diaktifkan AI yang berfokus pada aliran pasien menggunakan alat yang biasanya diterapkan oleh perusahaan logistik pihak ketiga, seperti UPS, untuk merencanakan rute ambulans tercepat untuk mengangkut pasien ke rumah sakit atau situs pengiriman perawatan lainnya. Mengapa tidak menerapkan teknologi yang sama untuk membantu profesional rantai pasok perawatan kesehatan saat mereka berjuang dengan migrasi perawatan di luar setting perawatan akut? AI dapat membantu menentukan metode transportasi, frekuensi dan rute terbaik untuk memindahkan produk dan perawat ke jumlah lokasi yang semakin cepat membesar di mana mereka akan diperlukan, dari rumah dan klinik ritel hingga perawatan darurat dan pusat bedah ambulatorial.
Kelangsungan pasokan. Peristiwa terbaru — dari bencana alam dan wabah penyakit menular hingga pengambilan kembali produk dan penutupan fasilitas sterilisasi — telah meningkatkan perhatian terhadap tantangan yang timbul dari gangguan kelangsungan pasokan. Berbeda dengan industri eceran, di mana backorder seringkali hanya merupakan ketidaknyamanan, gangguan pasokan dalam perawatan kesehatan dapat memiliki konsekuensi yang serius. Ambil Hurricane Maria sebagai contoh. Saat badai mengenai Puerto Rico, ia secara negatif mempengaruhi operasi di lebih dari 50 produsen berbeda di pulau itu, termasuk mereka yang menyediakan kantong infus. Kekurangan kantong infus meninggalkan penyedia di seluruh AS mencari alternatif. Organisasi pembelian kelompok, Premier, baru-baru ini menyerukan kepada U.S. Food and Drug Administration untuk mewajibkan produsen alat medis untuk mengomunikasikan kekurangan potensial. AI dapat diterapkan tidak hanya untuk membantu penyedia mengantisipasi backorder dan stok habis, tetapi juga untuk membantu produsen mengumpulkan data di seluruh rantai pasok yang sangat kompleks mereka untuk lebih baik memprediksi gangguan, mengambil tindakan korektif, dan membantu pelanggan mereka mengidentifikasi alternatif.
Otomatisasi tugas. Robotic process automation (RPA) adalah bentuk AI yang semakin banyak digunakan dalam perawatan kesehatan, terutama di sekitar pemrosesan klaim. RPA menggunakan robot perangkat lunak untuk mengotomatisasi dan standarisasi tugas yang berulang, membebaskan personil untuk pekerjaan yang lebih bernilai tambah. Untuk rantai pasok, RPA digunakan untuk mengotomatisasi tugas manajemen kontrak, seperti memeriksa harga dan mengisi sistem procurement dengan syarat kontrak.
Ketergantungan AI. Seperti dengan banyak teknologi baru, ada kegirangan yang besar tentang apa yang dapat dilakukan AI untuk meningkatkan kinerja klinis, operasional dan keuangan, bersama dengan pengalaman pasien dan dokter. Pada saat yang sama, ada relatif sedikit diskusi tentang apa yang perlu ada untuk memastikan bahwa AI memenuhi janjinya.
Salah satu area yang paling tidak dihitung adalah tata kelola data. Keindahan AI adalah ia dapat menganalisis sejumlah besar data untuk mengidentifikasi pola dan korelasi tersembunyi yang sebaliknya akan membutuhkan waktu yang jauh lebih lama untuk ditekati manusia, jika sama sekali. Ini juga memungkinkan pengguna untuk memberi makan mesin AI dengan berbagai variabel, bahkan yang Anda curigai mungkin memiliki beberapa dampak pada masalah yang Anda coba selesaikan. Namun meskipun sofistikasi alat, pepatah lama — garbage in, garbage out — masih berlaku. Sebelum memulai inisiatif AI, pastikan Anda memiliki cukup data (kemungkinan berasal dari berbagai sumber), dan bahwa data tersebut mematuhi kebijakan, standar, definisi dan proses data yang telah didefinisikan dengan baik.
Akhirnya, pertimbangkan sejauh mana Anda ingin memanfaatkan AI untuk memperkuat pengambilan keputusan, yaitu, apakah untuk mengizinkan sistem untuk memberikan wawasan dan rekomendasi sementara manusia masih membuat pilihan akhir, atau untuk mengotomatisasi pengambilan keputusan sepenuhnya. Ajaib dan misteri AI adalah kurangnya transparansi dalam cara sistem membuat keputusan, karena ia terus belajar dan mengubah cara memilih, menimbang dan menghubungkan variabel yang berbeda untuk mencapai kesimpulan. Hanya setelah Anda memiliki kepercayaan pada sistem — terutama saat berurusan dengan keputusan perawatan pasien — baru Anda harus beralih ke aplikasi AI di mana sistem membuat keputusan dan bertindak tanpa intervensi manusia.
Potensi AI dan pembelajaran mesin dalam perawatan kesehatan sangat memukau, terutama ketika kita mempertimbangkan bagaimana memanfaatkan kekayaan pengetahuan yang berkembang pesat yang dihasilkan setiap hari. Di sisi lain, masih banyak yang harus dipelajari tentang cara terbaik untuk menerapkan AI di berbagai aspek perawatan kesehatan. Sementara kita mengaspirasi ke ketinggian baru, dipandu oleh AI, penting untuk mengingat dasar di mana AI dibangun. Apakah inisiatif AI Anda didasarkan pada data yang akurat, lengkap, terstandarisasi dan dinormalisasi? Jika iya, maka langit, sepertinya, adalah batasnya.
Karen Conway is vice president of healthcare value with GHX.
