RPA: Impulsando Automatización Inteligente en Salud

La transformación digital ha sido citada como una tendencia principal en salud, y la automatización inteligente puede ser parte de eso.

El mercado de Automatización de Procesos Robóticos (RPA) está en auge, predicho para alcanzar $4.4 mil millones en valor para 2023. Proporciona a las empresas una enorme oportunidad para automatizar procesos manuales, que consumen tiempo, repetitivos y transaccionales. RPA puede ayudar a mejorar calidad de proceso, velocidad y productividad e integrar sistemas heredados, lo cual es cada vez más importante en el clima actual mientras las organizaciones buscan acelerar proyectos de transformación digital.

Está claro, sin embargo, que mientras RPA tiene el potencial de ser una herramienta muy valiosa, obstáculos comunes para su éxito son complejidades de negocio, decisiones subjetivas y datos no estructurados. RPA solo puede automatizar tareas simples. Necesita que los procesos sigan reglas predefinidas finitas con datos estructurados.

La clave para impulsar proyectos de optimización digital es conectar la cabeza (inteligencia artificial y aprendizaje automático) con las manos (RPA). Estoy hablando de la convergencia de RPA con IA y ML para crear automatización inteligente, que tiene el potencial de aumentar masivamente el rango de trabajo de conocimiento que previamente se consideraba demasiado complejo para automatizar, y requería intervención humana para hacer predicciones. Con automatización inteligente, IA y ML automatizan la toma de decisiones y RPA automatiza los pasos manuales siguientes dentro del proceso.

¿Cómo? A alto nivel, el aprendizaje automático puede dividirse en dos componentes principales. La primera parte implica entrenar modelos en datos históricos para hacer predicciones. Esto implica recopilar y preparar los datos — a menudo el paso más consumidor de tiempo en aprendizaje automático — y concluir con un conjunto de datos de entrenamiento etiquetado y listo para modelado. Luego, se construyen modelos usando algoritmos para diferentes tipos de problemas de datos, es decir, clasificación, regresión, binario. Una vez que el modelo se construye y despliega en producción, comienza el siguiente componente del aprendizaje automático — puntuar datos no vistos contra los modelos construidos. Este es el paso donde RPA puede preguntar al modelo de aprendizaje automático qué hacer a continuación, con el modelo proporcionando una decisión de predicción para que RPA continúe sin intervención humana.

IDC ha identificado transformación digital como una tendencia principal en la industria de ciencias de la vida y salud, por lo que no es sorpresa que ahora haya mayor interés de esta industria en casos de uso de automatización donde la adición de IA y ML con RPA podría agregar valor en todo el ecosistema. El objetivo es crear una fuerza de trabajo digital escalable que tenga la capacidad de ejecutar procesos que no requieren intervención humana, y entregar retorno de inversión en menos de 12 meses.

El beneficio organizacional clave de usar automatización inteligente para remover trabajo humano de tareas mundanas en esta instancia es naturalmente permitir que profesionales de salud se centren en toma de decisiones de mayor valor, diagnóstico y tratamiento liderados por humanos. Ofrecer una mejor experiencia al paciente y mejorar resultados puede lograrse optimizando compromiso del paciente, proporcionando a clínicos acceso más rápido a más información, lo que a su vez les permite proporcionar cuidado dirigido y personalizado.

Proporcionar mayor visibilidad de datos en tiempo real también está siendo usado por compañías farmacéuticas y fabricantes de dispositivos médicos, por ejemplo, para eliminar preocupaciones potenciales de cumplimiento reduciendo tasas de fraude y error y aumentando precisión, seguridad y protección. Esto es especialmente el caso en la industria de ciencias de la vida.

La automatización inteligente se está aprovechando para acelerar descubrimiento de fármacos, desarrollo de vacunas y ensayos clínicos, automatizando procesos relacionados con documentación y monitoreo regulatorio. Eliminar cuellos de botella está probando ser la clave para abordar algunos de los desafíos planteados por la pandemia, especialmente con respecto a proporcionar kits de prueba y análisis Fast Track.

La capacidad de estandarizar datos, usar conjuntos de datos más grandes, eliminar sesgos y entrenar algoritmos más eficientemente para identificar, por ejemplo, qué compuestos pueden ser más efectivos o valiosos para mover a través del proceso de descubrimiento de fármacos más rápido, está proveyendo resultados más rápidos y casi haciendo posible hacer el trabajo por adelantado. Esto en sí sugiere que evaluación, resultados, posibilidad de aprobación y eficacia podrían hacerse en la etapa de descubrimiento de fármacos, junto con desarrollo clínico, regulatorio y procesamiento de documentos, potencialmente llevando a ensayos clínicos virtuales.

Introducir más automatización en laboratorios también permitirá que los datos se vinculen de nuevo a fabricación, y otros lagos de datos, para proporcionar mayor visibilidad de tendencias, más rápido y entregando fabricación a escala, y cadenas de suministro más ágiles que son requisitos mayores, especialmente en este momento.

La predicción de demanda de producción es un caso de uso central, por ejemplo — predecir dónde puede haber un aumento de demanda basado en externalidades como un aumento de gripe o incremento en COVID-19, o un cambio potencial en la población, puede aumentar demanda. Similarmente, poder monitorear y rastrear problemas de calidad de farmacovigilancia y manejo de quejas — ver tendencias sobre presentaciones regulatorias o quejas a medida que llegan, monitorear tendencias antes, actualizar equipos de campo para que puedan gestionar proactivamente problemas (respecto a muestras y envíos, por ejemplo) en días en lugar de semanas — puede contribuir a ventas incrementadas.

Afortunadamente, la automatización inteligente está permitiendo a la industria de ciencias de la vida y salud gestionar e integrar sistemas heredados y lograr los beneficios de transformación digital sin actualizar software, desarrollar APIs, o construir un nuevo sistema, en semanas, en lugar de meses o en algunos casos años.

Los datos pueden recopilarse de múltiples fuentes y deben limpiarse y prepararse antes de iniciar el modelado. En lugar de estar encerrados en una torre de marfil, IA y RPA están siendo democratizados a través de automatización inteligente. La gente puede obtener acceso directo a ciencia de datos y hacer uso de la información ellos mismos, en lugar de esperar a obtener esa misma información de un grupo que está aislado en otro lugar.

Permitir a la industria de ciencias de la vida y salud aprovechar estas herramientas y técnicas de IA, ML y RPA para apoyar toma de decisiones impulsada por IA y entregar ROI en un período corto de tiempo se está convirtiendo cada vez más en una realidad práctica.

La convergencia de RPA e IA y ML es el siguiente paso en el viaje de automatización inteligente. Las organizaciones están resolviendo casos de uso de aprendizaje automático basados en datos como readmisión de pacientes, pronóstico de personal, adherencia a medicación, y reducción de estancia de pacientes y no se detienen ahí. En su lugar, están usando las predicciones para agregar nuevas automatizaciones RPA que no eran previamente viables para resolver casos de uso más críticos, usando múltiples componentes de automatización inteligente juntos. No hace falta decir que es un momento emocionante para estar en esta industria e impulsar cambio real para los años venideros.