RPA: Impulsionando Automação Inteligente na Saúde

RPA: Impulsionando Automação Inteligente na Saúde

A transformação digital foi citada como uma tendência principal na saúde, e a automação inteligente pode ser parte disso.

O mercado de Automação de Processos Robóticos (RPA) está em expansão, previsto para atingir $4,4 bilhões em valor até 2023. Ele fornece às empresas uma enorme oportunidade de automatizar processos manuais, demorados, repetitivos e transacionais. RPA pode ajudar a melhorar qualidade, velocidade e produtividade do processo e integrar sistemas legados, algo que é cada vez mais importante no clima atual, pois organizações buscam acelerar projetos de transformação digital.

É claro, no entanto, que embora o RPA tenha potencial para ser uma ferramenta muito valiosa, obstáculos comuns ao seu sucesso são complexidades de negócios, decisões subjetivas e dados não estruturados. RPA só pode automatizar tarefas simples. Ele precisa que processos sigam regras predefinidas finitas com dados estruturados.

A chave para impulsionar projetos de otimização digital é conectar a cabeça (inteligência artificial e aprendizado de máquina) com as mãos (RPA). Estou falando da convergência de RPA com IA e ML para criar automação inteligente, que tem o potencial de aumentar massivamente a gama de trabalho de conhecimento que anteriormente era considerado complexo demais para automatizar e exigia intervenção humana para fazer previsões. Com automação inteligente, IA e ML automatizam a tomada de decisão e RPA automatiza os próximos passos manuais dentro do processo.

Como? Em alto nível, aprendizado de máquina pode ser dividido em dois componentes principais. A primeira parte envolve treinar modelos em dados históricos para fazer previsões. Isso envolve coletar e preparar os dados — frequentemente a etapa mais demorada no aprendizado de máquina — e concluir com um conjunto de dados de treinamento que é rotulado e pronto para modelagem. Em seguida, modelos são construídos usando algoritmos para diferentes tipos de problemas de dados, ou seja, classificação, regressão, binário. Uma vez que o modelo é construído e implantado em produção, o próximo componente de aprendizado de máquina começa — pontuar dados não vistos contra os modelos construídos. Esta é a etapa onde o RPA pode perguntar ao modelo de aprendizado de máquina o que fazer a seguir, com o modelo fornecendo uma decisão de previsão para o RPA continuar sem intervenção humana.

A IDC identificou transformação digital como uma tendência principal na indústria de ciências da vida e saúde, então não é surpresa que haja agora interesse crescente desta indústria em casos de uso de automação onde a adição de IA e ML com RPA poderia agregar valor em todo o ecossistema. O objetivo é criar uma força de trabalho digital escalável que tenha a capacidade de executar processos que não requerem intervenção humana, e entregar retorno sobre investimento em menos de 12 meses.

O principal benefício organizacional de usar automação inteligente para remover trabalho humano de tarefas mundanas neste caso é naturalmente permitir que profissionais de saúde foquem em tomada de decisão humana de maior valor, diagnóstico e tratamento. Entregar uma melhor experiência do paciente e melhorar resultados pode ser alcançado otimizando engajamento do paciente, fornecendo aos clínicos acesso mais rápido a mais informação, o que por sua vez os permite fornecer cuidados direcionados e personalizados.

Fornecer maior visibilidade de dados em tempo real também está sendo usado por empresas farmacêuticas e fabricantes de dispositivos médicos, por exemplo, para eliminar potenciais preocupações de conformidade reduzindo taxas de fraude e erro e aumentando precisão, segurança e proteção. Este é especialmente o caso na indústria de ciências da vida.

Automação inteligente está sendo aproveitada para acelerar descoberta de medicamentos, desenvolvimento de vacinas e ensaios clínicos, automatizando processos relacionados a documentação e monitoramento regulatório. Remover gargalos está provando ser a chave para enfrentar alguns dos desafios colocados pela pandemia, especialmente no que diz respeito a fornecer kits de teste e análise Fast Track.

A capacidade de padronizar dados, usar conjuntos de dados maiores, remover vieses e treinar algoritmos mais eficientemente para identificar, por exemplo, quais compostos podem ser mais eficazes ou valer a pena mover pelo processo de descoberta de medicamentos mais rápido, está fornecendo resultados mais rápidos e quase tornando possível fazer o trabalho adiantado. Isso em si sugere que avaliação, resultados, possibilidade de aprovação e eficácia poderiam ser feitos na etapa de descoberta de medicamentos, junto com desenvolvimento clínico, regulatório e processamento de documentos, potencialmente levando a ensaios clínicos virtuais.

Introduzir mais automação em laboratórios também permitirá que dados sejam vinculados de volta à manufatura, e outros data lakes, para fornecer maior visibilidade de tendências, mais rápido e entregando manufatura em escala, e cadeias de suprimentos mais ágeis, que são requisitos principais, especialmente neste momento.

Previsão de demanda de produção é um caso de uso central, por exemplo — prever onde pode haver um surto de demanda baseado em externalidades como aumento da gripe ou aumento de COVID-19, ou uma potencial mudança na população, pode aumentar a demanda. Da mesma forma, ser capaz de monitorar e rastrear questões de qualidade de farmacovigilância e tratamento de reclamações — ver tendências sobre submissões regulatórias ou reclamações conforme elas chegam, monitorar tendências mais cedo, atualizar equipes de campo para que possam gerenciar proativamente questões (sobre amostras e remessas, por exemplo) em dias em vez de semanas — pode contribuir para aumento de vendas.

Felizmente, a automação inteligente está permitindo que a indústria de ciências da vida e saúde gerencie e integre sistemas legados e alcance os benefícios da transformação digital sem atualizar software, desenvolver APIs ou construir um novo sistema, em semanas, em vez de meses ou em alguns casos anos.

Dados podem ser coletados de múltiplas fontes e devem ser limpos e preparados antes que a modelagem seja iniciada. Em vez de ficarem trancados em uma torre de marfim, IA e RPA estão sendo democratizados através de automação inteligente. Pessoas podem obter acesso direto à ciência de dados e fazer uso da informação elas mesmas, em vez de esperar para obter a mesma informação de um grupo que está isolado em outro lugar.

Permitir que a indústria de ciências da vida e saúde tire vantagem destas ferramentas e técnicas de IA, ML e RPA para apoiar tomada de decisão orientada por IA e entregar ROI em um curto período de tempo está se tornando cada vez mais uma realidade prática.

A convergência de RPA e IA e ML é o próximo passo na jornada de automação inteligente. Organizações estão resolvendo casos de uso de aprendizado de máquina orientados a dados como readmissão de pacientes, previsão de equipe, adesão a medicação e redução de estadia de pacientes e não estão parando por aí. Em vez disso, estão usando as previsões para adicionar novas automações RPA que não eram anteriormente viáveis para resolver casos de uso mais críticos, usando múltiplos componentes de automação inteligente juntos. Nem precisa dizer, é um momento emocionante para estar nesta indústria e impulsionar mudança real nos próximos anos.