Potensi AI dalam Rantai Pasokan Layanan Kesehatan
Antusiasme — atau prediksi — selalu ada tentang potensi penggunaan kecerdasan buatan (AI).
Grand View Research memperkirakan pasar AI global akan tumbuh pada tingkat tahunan gabungan sebesar 57% antara 2017 dan 2025, mencapai $36 miliar. Forrester memperkirakan tahun 2020 adalah tahun dimana para eksekutif akan fokus pada cara mendorong dan mengukur nilai investasi mereka di AI.
Perawatan kesehatan tidak terkecuali. Survei terbaru terhadap eksekutif layanan kesehatan yang dilakukan oleh Optum menemukan bahwa penggunaan AI tidak hanya meningkat, tetapi juga sebagian besar eksekutif mengharapkan pengembalian investasi yang lebih cepat daripada yang diantisipasi sebelumnya.
Apa yang hilang dari proyeksi tinggi ini adalah diskusi yang lebih substantif 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 yang dapat dimainkan dalam rantai pasokan perawatan kesehatan, dibandingkan dengan area lain, seperti peningkatan diagnosis penyakit dan pengembangan obat. Namun, ketika Anda berhenti dan memikirkan tentang bagaimana AI diterapkan di tempat lain dalam perawatan kesehatan, Anda mulai melihat implikasi dan peluang untuk rantai pasokan.
Analisis prediktif. Salah satu aplikasi AI yang lebih menarik adalah penggunaan genomik, yang dikombinasikan dengan faktor klinis, sosial, dan perilaku pasien lainnya, untuk memprediksi keadaan penyakit dan perawatan kesehatan di masa depan, seperti apakah pasien kemungkinan akan mengalami kejadian kardiovaskular atau memerlukan cedera lutut. penggantian. Pada tingkat pasien individu, ada sedikit relevansi hilir untuk rantai pasokan. Tetapi pertimbangkan apa yang bisa terjadi jika kita memiliki data tentang seluruh populasi pasien — katakanlah mereka yang dilayani oleh sistem perawatan kesehatan atau organisasi perawatan yang bertanggung jawab. Bisakah itu membantu memprediksi jenis dan volume produk yang akan dibutuhkan, termasuk kapan dan di mana, sambil memberikan sinyal permintaan yang berharga kepada produsen dan distributor?
Pencocokan permintaan. Dengan lebih banyak data tentang kinerja produk dalam praktik klinis rutin dan dorongan untuk mendesain ulang jalur perawatan berdasarkan kebutuhan populasi pasien tertentu, ada peningkatan kebutuhan untuk mencocokkan produk yang tepat dengan pasien yang tepat. AI dapat memainkan peran penting dalam memahami apa yang paling berhasil pada jenis pasien apa, dan memanfaatkan data ini untuk analisis nilai dan sumber, serta memastikan produk yang tepat berada di tempat yang tepat.
Pengoptimalan logistik. Perusahaan berkemampuan AI yang berfokus pada aliran pasien menggunakan alat yang biasa digunakan oleh perusahaan logistik pihak ketiga, seperti UPS, untuk memetakan rute ambulans tercepat untuk mengangkut pasien ke rumah sakit atau tempat pemberian perawatan lainnya. Mengapa tidak menerapkan teknologi yang sama ini untuk membantu profesional rantai pasokan perawatan kesehatan saat mereka bergulat dengan migrasi perawatan di luar pengaturan perawatan akut? AI dapat membantu menentukan metode, frekuensi, dan rute transportasi terbaik untuk memindahkan produk dan pengasuh ke sejumlah lokasi yang berkembang pesat di mana mereka akan dibutuhkan, dari rumah dan klinik ritel hingga perawatan darurat dan pusat bedah rawat jalan.
Kesinambungan pasokan. Peristiwa baru-baru ini — mulai dari bencana alam dan wabah penyakit menular hingga penarikan produk dan penutupan fasilitas sterilisasi — telah meningkatkan perhatian terhadap tantangan yang ditimbulkan oleh gangguan dalam kontinuitas pasokan. Tidak seperti industri ritel, di mana backorder seringkali hanya menimbulkan ketidaknyamanan, gangguan pasokan dalam perawatan kesehatan dapat memiliki konsekuensi yang serius. Ambil contoh Badai Maria. Ketika badai melanda Puerto Rico, hal itu berdampak negatif pada operasi di lebih dari 50 produsen berbeda di pulau itu, termasuk yang memasok kantong IV. Kekurangan kantong garam membuat penyedia di seluruh AS berebut mencari alternatif. Organisasi pembelian grup, Premier, baru-baru ini meminta Administrasi Makanan dan Obat-obatan AS untuk meminta produsen perangkat medis untuk mengomunikasikan potensi kekurangan. AI dapat diterapkan tidak hanya untuk membantu penyedia mengantisipasi backorder dan kehabisan stok, tetapi juga untuk membantu produsen mengumpulkan data di seluruh rantai pasokan mereka yang sangat kompleks untuk memprediksi gangguan dengan lebih baik, mengambil tindakan korektif, dan membantu pelanggan mereka mengidentifikasi alternatif.
Otomasi tugas. Otomatisasi proses robot (RPA) adalah bentuk AI yang semakin banyak digunakan dalam perawatan kesehatan, terutama seputar pemrosesan klaim. RPA menggunakan robot perangkat lunak untuk mengotomatisasi dan menstandardisasi tugas yang berulang, membebaskan personel untuk pekerjaan yang lebih bernilai tambah. Untuk rantai pasokan, RPA digunakan untuk mengotomatiskan tugas-tugas manajemen kontrak, seperti memeriksa harga dan mengisi sistem pengadaan dengan persyaratan kontrak.
Ketergantungan AI. Seperti banyak teknologi baru, ada banyak kegembiraan atas apa yang dapat dilakukan AI untuk meningkatkan kinerja klinis, operasional, dan keuangan, bersama dengan pengalaman pasien dan dokter. Pada saat yang sama, ada sedikit diskusi tentang apa yang perlu dilakukan untuk memastikan bahwa AI memenuhi janjinya.
Salah satu area yang paling diremehkan adalah tata kelola data. Keindahan AI adalah ia dapat menganalisis data dalam jumlah besar untuk mengidentifikasi pola dan korelasi tersembunyi yang akan membutuhkan waktu lebih lama bagi manusia untuk menguraikannya, jika memang ada. Ini juga memungkinkan pengguna untuk memberi makan mesin AI dengan berbagai variabel, bahkan variabel yang hanya Anda curigai mungkin memiliki kaitan dengan masalah yang Anda coba selesaikan. Namun terlepas dari kecanggihan alat tersebut, pepatah lama — sampah masuk, sampah keluar — masih berlaku. Sebelum memulai inisiatif AI, pastikan Anda memiliki cukup data (kemungkinan diambil dari sumber yang berbeda), dan bahwa data tersebut mematuhi kebijakan, standar, definisi, dan proses data yang terdefinisi dengan baik.
Terakhir, pertimbangkan sejauh mana Anda ingin memanfaatkan AI untuk meningkatkan pengambilan keputusan, yaitu, apakah akan mengizinkan sistem memberikan wawasan dan rekomendasi saat manusia masih membuat pilihan akhir, atau mengotomatiskan pengambilan keputusan sepenuhnya. Keajaiban dan misteri AI adalah kurangnya transparansi dalam cara sistem membuat keputusan, karena sistem terus belajar dan mengubah cara memilih, menimbang, dan menghubungkan berbagai variabel untuk mencapai kesimpulan. Hanya setelah Anda memiliki kepercayaan pada sistem — terutama ketika berurusan dengan keputusan perawatan pasien — Anda harus beralih ke aplikasi AI di mana sistem membuat keputusan dan mengambil tindakan tanpa campur tangan manusia.
Potensi AI dan pembelajaran mesin dalam perawatan kesehatan sangat menakjubkan, terutama saat kami mempertimbangkan cara 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. Saat kami bercita-cita untuk mencapai ketinggian baru, dipandu oleh AI, penting untuk mengingat fondasi di mana AI dibangun. Apakah inisiatif AI Anda didasarkan pada data yang akurat, lengkap, terstandarisasi, dan dinormalisasi? Jika demikian, maka langit tampaknya adalah batasnya.
Karen Conway adalah wakil presiden nilai perawatan kesehatan dengan GHX.
