RPA: Intelligente Automatisierung im Gesundheitswesen vorantreiben

Digitale Transformation wurde als Top-Trend im Gesundheitswesen genannt, und intelligente Automatisierung kann ein Teil davon sein.

Der Robotic Process Automation (RPA) Markt boomt, vorhergesagt, bis 2023 einen Wert von 4,4 Milliarden Dollar zu erreichen. Er bietet Unternehmen eine riesige Gelegenheit, manuelle, zeitaufwändige, repetitive und transaktionale Prozesse zu automatisieren. RPA kann helfen, Prozessqualität, Geschwindigkeit und Produktivität zu verbessern und Altsysteme zu integrieren, was im aktuellen Klima zunehmend wichtig ist, da Organisationen bestrebt sind, digitale Transformationsprojekte zu beschleunigen.

Es ist jedoch klar, dass RPA zwar das Potenzial hat, ein sehr wertvolles Werkzeug zu sein, häufige Hindernisse für seinen Erfolg Geschäfts-Komplexitäten, subjektive Entscheidungen und unstrukturierte Daten sind. RPA kann nur einfache Aufgaben automatisieren. Es braucht Prozesse, die endliche vordefinierte Regeln mit strukturierten Daten folgen.

Der Schlüssel zum Start digitaler Optimierungsprojekte ist es, den Kopf (künstliche Intelligenz und maschinelles Lernen) mit den Händen (RPA) zu verbinden. Ich spreche von der Konvergenz von RPA mit KI und ML zu intelligenter Automatisierung, die das Potenzial hat, den Bereich der Wissensarbeit massiv zu erweitern, der zuvor als zu komplex zum Automatisieren galt und menschliches Eingreifen zur Vorhersage erforderte. Mit intelligenter Automatisierung automatisieren KI und ML die Entscheidungsfindung und RPA die manuellen nächsten Schritte im Prozess.

Wie? Auf hoher Ebene kann maschinelles Lernen in zwei Hauptkomponenten zerlegt werden. Der erste Teil involviert das Trainieren von Modellen auf historischen Daten, um Vorhersagen zu treffen. Dies involviert das Sammeln und Vorbereiten der Daten – oft der zeitaufwändigste Schritt im maschinellen Lernen – und endet mit einem Trainingsdatensatz, der gelabelt und bereit für das Modellieren ist. Als Nächstes werden Modelle mit Algorithmen für verschiedene Arten von Datenproblemen gebaut, d.h. Klassifikation, Regression, binär. Sobald das Modell gebaut und in Produktion deployed ist, beginnt die nächste Komponente des maschinellen Lernens – das Scoring ungesehener Daten gegen die gebauten Modelle. Dies ist der Schritt, wo RPA das maschinelle Lernmodell fragen kann, was als Nächstes zu tun ist, wobei das Modell eine Vorhersageentscheidung für RPA liefert, um ohne menschliches Eingreifen fortzufahren.

IDC hat digitale Transformation als Top-Trend in der Life-Sciences- und Gesundheitsbranche identifiziert, daher ist es keine Überraschung, dass es nun erhöhte Interesse von dieser Branche an Automatisierungsanwendungsfällen gibt, wo die Hinzufügung von KI und ML mit RPA Wert über das gesamte Ökosystem hinzufügen könnte. Das Ziel ist es, eine skalierbare digitale Belegschaft zu schaffen, die die Kapazität hat, Prozesse auszuführen, die kein menschliches Eingreifen erfordern, und einen Return on Investment in weniger als 12 Monaten zu liefern.

Der wesentliche organisatorische Vorteil der Nutzung intelligenter Automatisierung, um menschliche Arbeit von banalen Aufgaben in diesem Fall zu entfernen, ist natürlich, Gesundheitsexperten zu ermöglichen, sich auf höherwertige, menschlich geführte Entscheidungsfindung, Diagnose und Behandlung zu konzentrieren. Eine bessere Patientenerfahrung und verbesserte Ergebnisse können durch Optimierung des Patienteneinsatzes, Bereitstellung schnelleren Zugangs zu mehr Informationen für Kliniker erreicht werden, was sie wiederum in die Lage versetzt, gezielte und maßgeschneiderte Pflege zu bieten.

Die Bereitstellung größerer Transparenz von Daten in Echtzeit wird auch von Pharmaunternehmen und Medizinprodukteherstellern genutzt, beispielsweise um potenzielle Compliance-Bedenken durch Reduzierung von Betrug und Fehlerquoten zu eliminieren und Genauigkeit, Sicherheit und Schutz zu erhöhen. Dies ist besonders in der Life-Sciences-Branche der Fall.

Intelligente Automatisierung wird genutzt, um Arzneimittelentdeckung, Impfstoffentwicklung und klinische Studien zu beschleunigen, indem Prozesse im Zusammenhang mit Dokumentation und regulatorischer Überwachung automatisiert werden. Das Entfernen von Flaschenhälsen erweist sich als Schlüssel zur Bewältigung einiger der durch die Pandemie gestellten Herausforderungen, insbesondere im Hinblick auf die Bereitstellung von Testkits und Fast-Track-Analysen.

Die Fähigkeit, Daten zu standardisieren, größere Datensätze zu nutzen, Biases zu entfernen und Algorithmen effizienter zu trainieren, um beispielsweise zu identifizieren, welche Verbindungen wirksamer sein könnten oder es wert sind, schneller durch den Arzneimittelentdeckungsprozess zu gehen, liefert schnellere Ergebnisse und macht es fast möglich, die Arbeit im Voraus zu erledigen. Dies deutet an, dass Bewertung, Ergebnisse, die Möglichkeit der Zulassung und Wirksamkeit im Arzneimittelentdeckungsstadium, neben klinischer Entwicklung, regulatorischer und Dokumentenverarbeitung, potenziell zu virtuellen klinischen Studien führen könnten.

Die Einführung von mehr Automatisierung in Laboren wird auch ermöglichen, Daten zurück in die Fertigung und andere Data Lakes zu verknüpfen, um größere Transparenz von Trends, schneller und liefernde Skalierung der Fertigung und agilere Lieferketten zu bieten, die Hauptanforderungen sind, besonders zu dieser Zeit.

Produktionsbedarfsprognose ist ein Kernanwendungsfall – Vorhersage, wo es einen Nachfrageschub basierend auf Externalitäten wie einem Anstieg der Grippe oder Zunahme von COVID-19 oder einer potenziellen Bevölkerungsänderung geben könnte, die die Nachfrage erhöhen könnte. Ebenso kann die Überwachung und Verfolgung von Qualitätsproblemen der Pharmakovigilanz und Beschwerdebearbeitung – das Sehen von Trends bezüglich regulatorischer Einreichungen oder Beschwerden, sobald sie hereinkommen, das Überwachen von Trends früher, das Aktualisieren von Außendienstteams, damit sie proaktiv Probleme managen können (bezüglich Proben und Lieferungen beispielsweise) innerhalb von Tagen statt Wochen – zu gesteigerten Verkäufen beitragen.

Glücklicherweise ermöglicht intelligente Automatisierung der Life-Sciences- und Gesundheitsbranche, Altsysteme zu managen und zu integrieren und die Vorteile der digitalen Transformation zu erreichen, ohne Software zu aktualisieren, APIs zu entwickeln oder ein neues System zu bauen, innerhalb von Wochen statt Monaten oder in einigen Fällen Jahren.

Daten können aus mehreren Quellen gesammelt werden und müssen bereinigt und vorbereitet werden, bevor das Modellieren initiiert wird. Statt in einem Elfenbeinturm eingesperrt zu sein, werden KI und RPA durch intelligente Automatisierung demokratisiert. Menschen können direkten Zugang zu Data Science erhalten und die Informationen selbst nutzen, anstatt zu warten, um dieselben Informationen von einer Gruppe zu erhalten, die irgendwo anders isoliert ist.

Die Life-Sciences- und Gesundheitsbranche in die Lage zu versetzen, diese KI, ML und RPA Werkzeuge und Techniken zu nutzen, um KI-gesteuerte Entscheidungsfindung zu unterstützen und ROI in kurzer Zeit zu liefern, wird zunehmend eine praktische Realität.

Die Konvergenz von RPA und KI und ML ist der nächste Schritt in der intelligenten Automatisierungsreise. Organisationen lösen datengetriebene maschinelle Lernanwendungsfälle wie Patientenwiederaufnahme, Personalprognose, Medikamenteneinhaltung und Patientenaufenthaltsreduktion und hören nicht dort auf. Stattdessen nutzen sie die Vorhersagen, um neue RPA-Automatisierungen hinzuzufügen, die zuvor nicht machbar waren, um kritischere Anwendungsfälle zu lösen, indem sie mehrere intelligente Automatisierungskomponenten zusammen verwenden. Ohne Zweifel ist es eine aufregende Zeit, in dieser Branche zu sein und echte Veränderungen für die kommenden Jahre voranzutreiben.