Healthcare-Lieferketten revolutionieren: Das volle Potenzial von KI ausschöpfen

Hype um KI-Potenzial

Es mangelt nicht an Begeisterung – oder Prognosen – über das potenzielle Einsatzspektrum künstlicher Intelligenz (KI).

Grand View Research schätzt, der globale KI-Markt wächst zwischen 2017 und 2025 mit einer jährlichen Rate von 57 % auf 36 Mrd. $. Forrester prognostiziert, 2020 sei das Jahr, in dem Führungskräfte sich darauf konzentrieren, wie sie den Wert ihrer KI-Investitionen treiben und messen.

Healthcare bildet keine Ausnahme. Eine kürzliche Umfrage unter Healthcare-Führungskräften von Optum ergab: Nicht nur steigt der KI-Einsatz, sondern die meisten erwarten auch schnelleren ROI als zunächst angenommen.

Was in diesen hochgesteckten Prognosen fehlt, sind substantielle Diskussionen darüber, was nötig ist, damit KI ihr Versprechen einlöst – wie die Bedeutung von Data Governance und -Management. Auch gibt es weniger Gespräche über die Rolle von KI und Machine Learning in der Healthcare-Lieferkette im Vergleich zu anderen Bereichen wie verbesserter Krankheitsdiagnose und Arzneimittelentwicklung. Wenn man aber innehält und darüber nachdenkt, wie KI anderswo im Healthcare angewendet wird, erkennt man Implikationen und Chancen für die Lieferkette.

Anwendungsfelder in der Healthcare-Supply-Chain

Predictive Analytics

Eine der spannendsten KI-Anwendungen: Genomik kombiniert mit anderen klinischen, sozialen und verhaltensbezogenen Patientenfaktoren, um zukünftige Krankheitszustände und Behandlungen vorherzusagen – z. B. Wahrscheinlichkeit eines kardiovaskulären Ereignisses oder Knieersatz. Auf individueller Patientenebene hat das wenig direkte Relevanz für die Supply Chain. Aber stellen Sie sich vor, wir hätten Daten zu ganzen Patientenpopulationen – sagen wir, die von einem Gesundheitssystem oder einer Accountable Care Organization versorgt werden. Könnte das helfen, Art und Volumen benötigter Produkte vorherzusagen, einschließlich Zeit und Ort, und wertvolle Nachfragesignale an Hersteller und Distributoren liefern?

Demand Matching

Mit mehr Daten darüber, wie Produkte in der routinemäßigen klinischen Praxis performen, und dem Bestreben, Care Pathways basierend auf Bedürfnissen spezifischer Patientenpopulationen neu zu gestalten, wächst die Notwendigkeit, das richtige Produkt dem richtigen Patienten zuzuordnen. KI kann wichtige Rolle spielen, zu verstehen, was bei welchen Patienten am besten wirkt, und diese Daten für Value Analysis und Sourcing zu nutzen sowie sicherzustellen, dass die richtigen Produkte am richtigen Ort sind.

Logistikoptimierung

KI-fähige Unternehmen, die sich auf Patientenfluss konzentrieren, nutzen Tools, die üblicherweise von 3PLs wie UPS eingesetzt werden, um schnellste Ambulanzrouten zum Transport von Patienten ins Krankenhaus oder andere Versorgungsorte zu kartieren. Warum nicht dieselben Technologien einsetzen, um Healthcare-Supply-Chain-Profis zu unterstützen, während sie mit der Verlagerung der Versorgung außerhalb akuter Einrichtungen ringen? KI kann helfen, beste Transportmethoden, Frequenz und Routen zu bestimmen, um sowohl Produkte als auch Pflegekräfte zu der rasch wachsenden Zahl von Standorten zu bringen – von Home- und Retail-Clinics bis zu Urgent Care und Ambulanz-OP-Zentren.

Lieferkontinuität

Jüngste Ereignisse – Naturkatastrophen, Infektionsausbrüche, Produkt-Rückrufe, Schließungen von Sterilisationsanlagen – haben die Aufmerksamkeit auf Herausforderungen durch Unterbrechungen der Lieferkontinuität gelenkt. Anders als im Einzelhandel, wo ein Backorder oft nur Unannehmlichkeit ist, können Lieferunterbrechungen im Healthcare schwerwiegende Folgen haben. Beispiel Hurrikan Maria: Als der Sturm Puerto Rico traf, beeinträchtigte er Betriebsabläufe bei über 50 Herstellern auf der Insel, einschließlich IV-Beutel-Lieferanten. Der Mangel an Kochsalzbeuteln ließ Anbieter in den USA nach Alternativen suchen. Die Group Purchasing Organization Premier forderte die FDA kürzlich auf, Medizinproduktehersteller zu verpflichten, potenzielle Engpässe zu kommunizieren. KI könnte nicht nur Anbietern helfen, Backorders und Stockouts vorherzusehen, sondern auch Herstellern, Daten über ihre hochkomplexen Lieferketten zu sammeln, um Störungen besser vorherzusagen, Korrekturmaßnahmen zu ergreifen und Kunden bei der Identifikation von Alternativen zu unterstützen.

Task Automation

Robotic Process Automation (RPA) ist eine KI-Form, die im Healthcare zunehmend eingesetzt wird, besonders im Claims Processing. RPA nutzt Software-Roboter, um repetitive Aufgaben zu automatisieren und zu standardisieren, wodurch Personal für wertschöpfendere Arbeit frei wird. Für Supply Chain wird RPA genutzt, um Vertragsmanagement-Aufgaben zu automatisieren – z. B. Preisprüfung und Befüllung von Beschaffungssystemen mit Vertragsbedingungen.

KI-Abhängigkeiten: Datenqualität ist entscheidend

Wie bei vielen neuen Technologien gibt es große Begeisterung darüber, was KI zur Verbesserung von klinischer, operativer und finanzieller Performance sowie Patienten- und Klinikererfahrung tun kann. Gleichzeitig gibt es relativ wenig Diskussion darüber, was vorhanden sein muss, damit KI ihr Versprechen hält.

Einer der am meisten unterschätzten Bereiche ist Data Governance. Die Schönheit von KI: Sie kann große Datenmengen analysieren, um Muster und verborgene Korrelationen zu identifizieren, die Menschen erheblich länger bräuchten, wenn überhaupt. Sie erlaubt auch, die KI-Engine mit einer breiten Palette von Variablen zu füttern, sogar solchen, von denen man nur vermutet, dass sie auf das Problem Einfluss haben könnten. Doch trotz der Raffinesse des Tools gilt das alte Sprichwort – Garbage In, Garbage Out – weiterhin. Bevor man eine KI-Initiative startet, muss man sicherstellen, dass genügend Daten (wahrscheinlich aus verschiedenen Quellen) vorhanden sind und diese gut definierten Datenrichtlinien, Standards, Definitionen und Prozessen folgen.

Schließlich: Inwieweit wollen Sie KI zur Entscheidungsunterstützung nutzen – also ob das System Insights und Empfehlungen liefert, während ein Mensch die finale Entscheidung trifft, oder ob Entscheidungen vollautomatisiert werden. Die Magie und das Mysterium von KI liegt in der mangelnden Transparenz, wie das System entscheidet, weil es kontinuierlich lernt und ändert, wie es Variablen auswählt, gewichtet und verknüpft, um zu Schlussfolgerungen zu gelangen. Erst wenn Sie Vertrauen in das System haben – besonders bei Patientenversorgungsentscheidungen – sollten Sie zu KI-Anwendungen übergehen, in denen das System Entscheidungen trifft und ohne menschliches Eingreifen handelt.

Fazit

Das Potenzial von KI und Machine Learning im Healthcare ist beeindruckend, besonders wenn wir bedenken, wie wir das täglich wachsende Wissen nutzen können. Andererseits gibt es noch viel zu lernen, wie KI am besten über verschiedene Healthcare-Aspekte angewendet wird. Während wir zu neuen Höhen streben, geleitet von KI, ist es wichtig, das Fundament zu beachten, auf dem KI ruht. Basieren Ihre KI-Initiativen auf präzisen, vollständigen, standardisierten und normalisierten Daten? Wenn ja, dann ist der Himmel scheinbar die Grenze.

Karen Conway ist Vice President of Healthcare Value bei GHX.