Révolutionner les chaînes d'approvisionnement de santé : libérer le plein potentiel de l'IA

Il n'y a pas de pénurie d'enthousiasme — ou de prédictions — sur le potentiel d'utilisation de l'intelligence artificielle (IA).

Grand View Research estime que le marché mondial de l'IA croîtra à un taux annuel composé de 57 % entre 2017 et 2025, atteignant 36 milliards de dollars. Forrester prédit que 2020 est l'année où les dirigeants se concentreront sur la façon de piloter et mesurer la valeur de leurs investissements en IA.

La santé ne fait pas exception. Une récente enquête auprès de dirigeants de la santé menée par Optum a révélé que non seulement l'utilisation de l'IA est en hausse, mais aussi que la plupart des dirigeants s'attendent à un retour sur investissement plus rapide que prévu initialement.

Ce qui manque à ces projections grandioses, ce sont des discussions plus substantielles sur ce qui est requis pour s'assurer que l'IA puisse tenir ses promesses, comme l'importance de la gouvernance et de la gestion des données. Il y a aussi moins de conversations sur le rôle que l'IA et l'apprentissage automatique peuvent jouer dans la chaîne d'approvisionnement de santé, comparé à d'autres domaines, comme le diagnostic amélioré des maladies et le développement de médicaments. Mais quand vous arrêtez et pensez à comment l'IA est appliquée ailleurs dans la santé, vous commencez à voir des implications et opportunités pour la chaîne d'approvisionnement.

Analytics prédictif

L'une des applications les plus excitantes de l'IA est l'utilisation de la génomique, combinée avec d'autres facteurs cliniques, sociaux et comportementaux des patients, pour prédire les futurs états de maladie et traitements de santé, comme si un patient est susceptible de subir un événement cardiovasculaire ou d'avoir besoin d'un remplacement de genou. Au niveau du patient individuel, il y a relativement peu de pertinence en aval pour la chaîne d'approvisionnement. Mais considérez ce qui pourrait se passer si nous avions des données sur des populations de patients entières — disons celles desservies par un système de santé ou une organisation de soins responsables. Cela pourrait-il aider à prédire les types et volumes de produits qui seront nécessaires, y compris quand et où, tout en fournissant des signaux de demande précieux aux fabricants et distributeurs ?

Correspondance de la demande

Avec plus de données sur la façon dont les produits performent dans la pratique clinique de routine et la volonté de redessiner les parcours de soins basés sur les besoins de populations de patients spécifiques, il y a un besoin croissant de faire correspondre le bon produit au bon patient. L'IA peut jouer un rôle important dans la compréhension de ce qui fonctionne le mieux sur quels types de patients, et exploiter ces données pour l'analyse de valeur et le sourcing, ainsi que pour s'assurer que les bons produits sont au bon endroit.

Optimisation logistique

Les entreprises axées sur l'IA et le flux des patients utilisent des outils couramment déployés par des entreprises logistiques tierces, comme UPS, pour tracer les routes d'ambulance les plus rapides pour transporter les patients vers l'hôpital ou d'autres sites de prestation de soins. Pourquoi ne pas déployer ces mêmes technologies pour aider les professionnels de la chaîne d'approvisionnement de santé alors qu'ils luttent avec la migration des soins en dehors des paramètres de soins aigus ? L'IA peut aider à déterminer les meilleures méthodes de transport, fréquences et routes pour déplacer à la fois les produits et les soignants vers le nombre rapidement croissant de lieux où ils seront nécessaires, des cliniques à domicile et de détail aux centres de soins urgents et centres de chirurgie ambulatoire.

Continuité d'approvisionnement

Les événements récents — des catastrophes naturelles et épidémies de maladies infectieuses aux rappels de produits et fermetures d'installations de stérilisation — ont accru l'attention sur les défis encourus par les perturbations de la continuité d'approvisionnement. Contrairement à l'industrie du détail, où un backorder est souvent juste un désagrément, les perturbations d'approvisionnement en santé peuvent avoir des conséquences graves. Prenez l'ouragan Maria comme exemple. Quand la tempête a frappé Porto Rico, elle a affecté négativement les opérations de plus de 50 fabricants différents sur l'île, y compris ceux qui fournissent des poches IV. La pénurie de poches salines a laissé les fournisseurs à travers les États-Unis chercher des alternatives. L'organisation d'achat groupé, Premier, a récemment appelé la FDA américaine à exiger des fabricants de dispositifs médicaux de communiquer les pénuries potentielles. L'IA pourrait être déployée non seulement pour aider les fournisseurs à anticiper les backorders et ruptures de stock, mais aussi pour aider les fabricants à rassembler des données à travers leurs chaînes d'approvisionnement hautement complexes pour mieux prédire les perturbations, prendre des mesures correctives, et aider leurs clients à identifier des alternatives.

Automatisation des tâches

L'automatisation des processus robotiques (RPA) est une forme d'IA qui est de plus en plus utilisée dans la santé, surtout autour du traitement des réclamations. La RPA utilise des robots logiciels pour automatiser et standardiser les tâches répétitives, libérant le personnel pour un travail à plus forte valeur ajoutée. Pour la chaîne d'approvisionnement, la RPA est utilisée pour automatiser les tâches de gestion des contrats, telles que la vérification des prix et le remplissage des systèmes d'approvisionnement avec les termes des contrats.

Dépendances de l'IA

Comme avec beaucoup de nouvelles technologies, il y a un enthousiasme considérable sur ce que l'IA peut faire pour améliorer la performance clinique, opérationnelle et financière, ainsi que l'expérience patient et clinicien. En même temps, il y a relativement peu de discussion sur ce qui doit être en place pour s'assurer que l'IA tient ses promesses.

L'un des domaines les plus sous-estimés est la gouvernance des données. La beauté de l'IA est qu'elle peut analyser de grandes quantités de données pour identifier des motifs et corrélations cachées qui prendraient autrement aux humains considérablement plus de temps à déchiffrer, sinon pas du tout. Elle permet aussi aux utilisateurs de nourrir le moteur IA avec une large gamme de variables, même celles que vous soupçonnez seulement d'avoir une incidence sur le problème que vous essayez de résoudre. Mais malgré la sophistication de l'outil, le vieil adage — garbage in, garbage out — s'applique toujours. Avant de commencer une initiative IA, assurez-vous d'avoir assez de données (probablement tirées de sources différentes), et que les données adhèrent à des politiques, standards, définitions et processus de données bien définis.

Enfin, considérez dans quelle mesure vous voulez utiliser l'IA pour augmenter la prise de décision, c'est-à-dire si vous permettez au système de fournir des insights et recommandations pendant qu'un humain fait encore le choix final, ou d'automatiser complètement la prise de décision. La magie et le mystère de l'IA est le manque de transparence dans la façon dont le système prend des décisions, parce qu'il apprend continuellement et change la façon dont il sélectionne, pèse et relie différentes variables pour atteindre des conclusions. Ce n'est qu'une fois que vous avez confiance dans le système — surtout quand il s'agit de décisions de soins aux patients — que vous devriez passer à des applications d'IA dans lesquelles le système prend des décisions et agit sans intervention humaine.

Le potentiel de l'IA et de l'apprentissage automatique dans la santé est impressionnant, surtout alors que nous considérons comment exploiter la richesse de connaissances en expansion rapide qui est générée chaque jour. D'un autre côté, il y a encore beaucoup à apprendre sur la meilleure façon d'appliquer l'IA à travers les divers aspects de la santé. Alors que nous aspirons à de nouveaux sommets, guidés par l'IA, il est important de se souvenir de la fondation sur laquelle l'IA est construite. Vos initiatives IA sont-elles basées sur des données précises, complètes, standardisées et normalisées ? Si oui, alors le ciel, apparemment, est la limite.

Karen Conway est vice-présidente de la valeur santé chez GHX.