Das Potenzial von KI in der Lieferkette des Gesundheitswesens

An Enthusiasmus – oder Vorhersagen – über den möglichen Einsatz von künstlicher Intelligenz (KI) mangelt es nicht.

Grand View Research schätzt, dass der globale KI-Markt zwischen 2017 und 2025 mit einer durchschnittlichen jährlichen Rate von 57 % auf 36 Milliarden US-Dollar wachsen wird. Forrester prognostiziert, dass 2020 das Jahr sein wird, in dem sich Führungskräfte darauf konzentrieren werden, wie sie den Wert ihrer Investitionen in KI steigern und messen können.

Das Gesundheitswesen ist keine Ausnahme. Eine kürzlich von Optum durchgeführte Umfrage unter Führungskräften im Gesundheitswesen ergab, dass nicht nur der Einsatz von KI zunimmt, sondern dass die meisten Führungskräfte auch eine schnellere Rendite erwarten als zunächst erwartet.

Was in diesen hohen Prognosen fehlt, sind fundiertere Diskussionen darüber, was erforderlich ist, um sicherzustellen, dass die KI ihr Versprechen halten kann, wie etwa die Bedeutung von Data Governance und Management. Es gibt auch weniger Diskussionen über die Rolle, die KI und maschinelles Lernen in der Lieferkette des Gesundheitswesens spielen können, verglichen mit anderen Bereichen wie der verbesserten Krankheitsdiagnose und der Medikamentenentwicklung. Aber wenn Sie innehalten und darüber nachdenken, wie KI anderswo im Gesundheitswesen eingesetzt wird, werden Sie die Auswirkungen und Chancen für die Lieferkette erkennen.

Predictive Analytics. Eine der aufregenderen Anwendungen der KI ist die Verwendung von Genomik in Kombination mit anderen klinischen, sozialen und Verhaltensfaktoren von Patienten, um zukünftige Krankheitszustände und Behandlungen im Gesundheitswesen vorherzusagen, beispielsweise ob ein Patient wahrscheinlich ein kardiovaskuläres Ereignis erleidet oder ein Kniegelenk braucht Ersatz. Auf individueller Patientenebene gibt es eine relativ geringe nachgelagerte Relevanz für die Lieferkette. Aber bedenken Sie, was passieren könnte, wenn wir Daten über ganze Patientenpopulationen hätten – sagen wir diejenigen, die von einem Gesundheitssystem oder einer verantwortlichen Pflegeorganisation versorgt werden. Könnte dies helfen, Art und Menge der benötigten Produkte vorherzusagen, einschließlich wann und wo, und gleichzeitig wertvolle Nachfragesignale für Hersteller und Händler liefern?

Nachfrageabgleich. Mit mehr Daten über die Leistung von Produkten in der klinischen Routinepraxis und dem Bestreben, Behandlungspfade basierend auf den Bedürfnissen bestimmter Patientenpopulationen neu zu gestalten, besteht ein zunehmender Bedarf, das richtige Produkt dem richtigen Patienten zuzuordnen. KI kann eine wichtige Rolle dabei spielen, zu verstehen, was bei welchen Patiententypen am besten funktioniert, und diese Daten für die Wertanalyse und Beschaffung zu nutzen sowie sicherzustellen, dass die richtigen Produkte am richtigen Ort sind.

Logistikoptimierung. KI-fähige Unternehmen, die sich auf den Patientenfluss konzentrieren, verwenden Tools, die häufig von Drittanbieter-Logistikunternehmen wie UPS eingesetzt werden, um die schnellsten Krankenwagenrouten für den Transport von Patienten zum Krankenhaus oder zu anderen Versorgungsstandorten zu planen. Warum nicht dieselben Technologien einsetzen, um Fachkräfte in der Lieferkette des Gesundheitswesens bei der Migration der Versorgung außerhalb der Akutversorgung zu unterstützen? KI kann dabei helfen, die besten Transportmethoden, -frequenzen und -routen zu bestimmen, um sowohl Produkte als auch Pflegekräfte an die schnell wachsende Zahl von Orten zu bringen, an denen sie benötigt werden, von Heim- und Einzelhandelskliniken bis hin zu Notfallversorgungs- und ambulanten Operationszentren.

Lieferkontinuität. Die jüngsten Ereignisse – von Naturkatastrophen und Ausbrüchen von Infektionskrankheiten bis hin zu Produktrückrufen und Schließungen von Sterilisationsanlagen – haben die Aufmerksamkeit auf die Herausforderungen gelenkt, die durch Unterbrechungen der Lieferkontinuität entstehen. Anders als im Einzelhandel, wo Lieferrückstände oft nur lästig sind, können Versorgungsengpässe im Gesundheitswesen gravierende Folgen haben. Nehmen wir den Hurrikan Maria als Beispiel. Als der Sturm Puerto Rico traf, wirkte sich dies negativ auf den Betrieb von mehr als 50 verschiedenen Herstellern auf der Insel aus, einschließlich derer, die IV-Beutel liefern. Der Mangel an Kochsalzbeuteln ließ Anbieter in den USA nach Alternativen suchen. Die Einkaufsorganisation der Gruppe, Premier, forderte kürzlich die US-amerikanische Food and Drug Administration auf, Hersteller von Medizinprodukten aufzufordern, potenzielle Engpässe zu melden. KI könnte nicht nur eingesetzt werden, um Anbietern zu helfen, Auftragsrückstände und Fehlbestände zu antizipieren, sondern auch, um Herstellern dabei zu helfen, Daten über ihre hochkomplexen Lieferketten hinweg zu sammeln, um Störungen besser vorherzusagen, Korrekturmaßnahmen zu ergreifen und ihren Kunden bei der Identifizierung von Alternativen zu helfen.

Aufgabenautomatisierung. Robotic Process Automation (RPA) ist eine Form der KI, die zunehmend im Gesundheitswesen eingesetzt wird, insbesondere bei der Schadenbearbeitung. RPA verwendet Software-Roboter, um sich wiederholende Aufgaben zu automatisieren und zu standardisieren, wodurch das Personal für mehr wertschöpfende Arbeit frei wird. Für die Lieferkette wird RPA verwendet, um Aufgaben des Vertragsmanagements zu automatisieren, wie z. B. die Überprüfung der Preise und das Auffüllen von Beschaffungssystemen mit Vertragsbedingungen.

KI-Abhängigkeiten. Wie bei vielen neuen Technologien herrscht große Aufregung darüber, was KI tun kann, um die klinische, betriebliche und finanzielle Leistung sowie die Erfahrung von Patienten und Klinikern zu verbessern. Gleichzeitig wird relativ wenig darüber diskutiert, was vorhanden sein muss, damit die KI ihr Versprechen hält.

Einer der am meisten unterschätzten Bereiche ist Data Governance. Das Schöne an der KI ist, dass sie große Datenmengen analysieren kann, um Muster und versteckte Zusammenhänge zu erkennen, für deren Entschlüsselung der Mensch sonst – wenn überhaupt – erheblich länger brauchen würde. Es ermöglicht Benutzern auch, die KI-Engine mit einer Vielzahl von Variablen zu füttern, selbst diejenigen, von denen Sie nur vermuten, dass sie einen Einfluss auf das Problem haben könnten, das Sie lösen möchten. Aber trotz der Raffinesse des Tools gilt das alte Sprichwort – Müll rein, Müll raus – immer noch. Stellen Sie vor dem Starten einer KI-Initiative sicher, dass Sie über genügend Daten verfügen (wahrscheinlich aus verschiedenen Quellen) und dass die Daten klar definierten Datenrichtlinien, Standards, Definitionen und Prozessen entsprechen.

Überlegen Sie schließlich, inwieweit Sie KI zur Verbesserung der Entscheidungsfindung einsetzen möchten, d. h. ob das System Einblicke und Empfehlungen geben soll, während ein Mensch noch die endgültige Entscheidung trifft, oder ob die Entscheidungsfindung vollständig automatisiert werden soll. Die Magie und das Mysterium der KI ist der Mangel an Transparenz bei der Entscheidungsfindung des Systems, da es ständig lernt und ändert, wie es verschiedene Variablen auswählt, gewichtet und in Beziehung setzt, um Schlussfolgerungen zu ziehen. Erst wenn Sie Vertrauen in das System haben – insbesondere bei Entscheidungen in der Patientenversorgung – sollten Sie zu Anwendungen der KI wechseln, bei denen das System ohne menschliches Zutun Entscheidungen trifft und Maßnahmen ergreift.

Das Potenzial für KI und maschinelles Lernen im Gesundheitswesen ist beeindruckend, insbesondere wenn wir uns überlegen, wie wir den schnell wachsenden Wissensschatz, der täglich generiert wird, nutzen können. Auf der anderen Seite gibt es noch viel zu lernen, wie KI in den verschiedenen Aspekten des Gesundheitswesens am besten eingesetzt werden kann. Wenn wir, geleitet von KI, zu neuen Höhen streben, ist es wichtig, sich an das Fundament zu erinnern, auf dem KI aufbaut. Basieren Ihre KI-Initiativen auf genauen, vollständigen, standardisierten und normalisierten Daten? Wenn ja, dann ist der Himmel scheinbar die Grenze.

Karen Conway ist Vice President of Healthcare Value bei GHX.