Perkembangan data science dan machine learning dalam layanan kesehatan
Seiring layanan kesehatan terus bergerak maju melalui digitalisasi dan transformasi digital, industri ini menjadi salah satu yang paling siap untuk memaksimalkan pemanfaatan data science dan machine learning. Sejak 2015, investasi modal ventura di perusahaan AI dalam bidang kesehatan meningkat 22 kali lipat di Eropa saja (McKinsey).
Data science dan machine learning mengubah layanan kesehatan di berbagai bidang, mulai dari perawatan pasien hingga farmasi dan lainnya. Namun, untuk meningkatkan dampak data science dalam layanan kesehatan, perlu mempertimbangkan banyak tantangan, termasuk kepatuhan, tata kelola dan pengawasan data, budaya data, serta ketersediaan keterampilan data.
Peluang data science dan machine learning dalam layanan kesehatan
Saat ini, sektor layanan kesehatan sangat cocok untuk machine learning dan data science karena besarnya volume data kesehatan dan banyaknya kasus penggunaan yang relevan bagi hasil kesehatan publik. Menurut Statista, jumlah data yang dihasilkan setiap tahun di industri layanan kesehatan global sekitar 2.314 exabyte (1 exabyte = 1 miliar gigabyte), menandai peningkatan 15 kali lipat dalam jumlah data yang dihasilkan di layanan kesehatan global sejak 2013.
Terdapat banyak sekali manfaat bagi masyarakat dalam bentuk peningkatan hasil kesehatan populasi. Deloitte memperkirakan efisiensi yang diperoleh melalui kasus penggunaan data science dan machine learning dapat menyelamatkan antara 380.000 hingga 403.000 jiwa di Eropa saja. Data science dan machine learning dapat diintegrasikan sepanjang perjalanan pasien mulai dari pencegahan dan deteksi dini, diagnosis, hingga pengobatan dan manajemen perawatan.
Misalnya, individu dapat memanfaatkan perangkat wearable dan aplikasi personal untuk deteksi dini penyakit dan pencegahan, atau mengalami waktu tunggu yang lebih singkat dengan analisis citra medis bertenaga deep learning. Ranah riset dan pengembangan juga bersiap menciptakan peningkatan besar dalam hasil kesehatan, mulai dari penemuan obat otomatis hingga kemajuan DeepMind pada pelipatan protein dengan algoritma AlphaFold.
Pemberi layanan kesehatan di berbagai lini juga dapat meraih penghematan biaya besar dan peningkatan efisiensi. Misalnya, mengoperasionalkan data science dan machine learning dapat menghemat antara 170,9 hingga 212,4 miliar euro per tahun bagi sistem kesehatan Eropa (Deloitte). Peningkatan efisiensi dapat mencakup mulai dari perusahaan farmasi yang meningkatkan alur rantai pasokan, penyedia asuransi yang mengoptimalkan belanja komersial dengan memprediksi churn pelanggan, hingga kenaikan produktivitas melalui otomatisasi alur kerja di berbagai lini.
Kasus penggunaan data science dan machine learning dalam layanan kesehatan
Perawatan Pasien
Kasus penggunaan data science dan machine learning dapat meningkatkan hasil kesehatan individu dan mengotomatiskan tugas administratif yang memakan waktu bagi tenaga kesehatan.
Manajemen janji temu: Dengan machine learning dan kecerdasan buatan berbasis aturan, penyedia layanan kesehatan dapat mengoptimalkan hasil pasien dan mengurangi salah kelola sumber daya melalui manajemen janji temu otomatis.
Diagnostik dini dan pencegahan: Aplikasi pemantauan kesehatan dan perangkat wearable memanfaatkan machine learning dan analitik deskriptif untuk memberikan wawasan penting tentang berbagai aspek kesehatan individu. Alat ini dapat memberdayakan individu membuat keputusan kesehatan berbasis data, serta mendiagnosis potensi penyakit lebih awal.
Triase pasien: Dengan menggunakan aplikasi pemeriksa gejala bertenaga machine learning, penyedia layanan kesehatan dapat memilah pasien berdasarkan kebutuhan dan tingkat urgensi. Ini dapat memangkas waktu tunggu pasien secara signifikan dan meningkatkan efisiensi bagi penyedia layanan.
Pencitraan medis dan diagnostik: Barangkali salah satu kasus penggunaan terpenting untuk data science dan machine learning dalam layanan kesehatan (McKinsey), pencitraan medis dan diagnostik menjanjikan berbagai efisiensi dan perbaikan hasil kesehatan secara menyeluruh. Dengan deep learning, penyedia layanan kesehatan dapat mengotomatiskan alur kerja dan menghadirkan nilai lebih cepat kepada pasien.
Proses dan Manajemen Bisnis
Seperti di industri mana pun, aplikasi data science dan machine learning dalam layanan kesehatan mencakup berbagai kasus penggunaan untuk meningkatkan efisiensi operasional dan pengalaman pelanggan.
Otomatisasi proses robotik: Dengan kombinasi machine learning dan kecerdasan buatan berbasis aturan, penyedia layanan kesehatan di berbagai lini dapat merampingkan alur kerja dan mendigitalisasi proses.
Churn pelanggan: Penyedia asuransi dapat menggunakan machine learning untuk memprediksi pelanggan yang berpotensi churn, yang membantu mempertahankan pelanggan dan mengoptimalkan belanja pemasaran.
Chatbot: Dengan chatbot, penyedia layanan kesehatan dari rumah sakit hingga agen asuransi dapat memberikan layanan pelanggan yang lebih baik dan nilai yang lebih cepat bagi konsumen layanan kesehatan.
Business Intelligence: Business intelligence menggabungkan analitik bisnis, manipulasi data, dan visualisasi untuk membantu organisasi mengambil keputusan yang lebih berbasis data. Dengan memanfaatkan wawasan data, penyedia layanan kesehatan dapat memperoleh visibilitas lebih baik atas operasi keuangan, mengotomatiskan pelaporan kepatuhan, dan banyak lagi (Villanova University).
Farmasi
Dengan penemuan obat berbasis AI dan manajemen rantai pasok yang lebih baik, perusahaan farmasi dapat memanfaatkan data science dan machine learning untuk memberikan nilai lebih bagi individu.
Penemuan obat: Menurut AI Index Report 2021, startup penemuan obat berbasis AI menerima investasi AI swasta terbanyak di seluruh industri. Janji penemuan obat berbasis ML mulai membuahkan hasil, dan dapat menghasilkan peningkatan besar dalam hasil kesehatan populasi.
Perencanaan rantai pasok: Penggunaan data science dan machine learning dalam perencanaan rantai pasok dapat mempercepat waktu menuju produksi, mengurangi waktu tunggu pengiriman vaksin, dan mengoptimalkan belanja rantai pasok bagi perusahaan farmasi.
Peramalan unggul: Dengan alat peramalan dari yang sederhana hingga kompleks, perusahaan farmasi dapat memanfaatkan data kesehatan populasi untuk memprediksi pasokan dan permintaan obat tertentu, serta mengoptimalkan proses bisnis di seluruh fungsi keuangan, pemasaran, penjualan, dan lainnya.
Peningkatan proses uji klinis: Pemanfaatan data science dan perangkat wearable dapat mengurangi risiko bagi pasien dengan memantau dan menandai secara otomatis setiap efek samping selama uji klinis. Selain itu, aplikasi bertenaga machine learning dapat mempercepat uji klinis dengan menilai kelayakan pasien, pra-penyaringan, dan randomisasi.
Tantangan dan risiko dalam mengoperasionalkan data science dan machine learning di layanan kesehatan
Kualitas Data dan Infrastruktur
Tantangan besar bagi organisasi mana pun yang ingin mengoperasionalkan dan menskalakan data science dan machine learning adalah mewujudkan infrastruktur data yang modern, aman, terpusat, dan mudah ditemukan (DataCamp). Masalah ini terutama berlaku bagi organisasi layanan kesehatan yang datanya masih dalam proses digitalisasi, sementara pembangunan himpunan data besar terhambat oleh kurangnya interoperabilitas data dan ketidaksesuaian standar kualitas antar penyedia layanan kesehatan (McKinsey).
Kepatuhan dan tata kelola
Karena organisasi layanan kesehatan mengumpulkan data yang sangat berharga dan sensitif, tata kelola dan kepatuhan merupakan aspek sentral dalam mengoperasionalkan data science dan machine learning di layanan kesehatan (Collibra). Walaupun regulasi berbeda antar wilayah (McKinsey), industri layanan kesehatan memiliki salah satu lanskap regulasi paling kompleks. Misalnya, Health Insurance Portability and Accountability Act (HIPAA) di Amerika Serikat menetapkan standar nasional untuk melindungi dan mengelola data kesehatan pasien.
Jenis regulasi spesifik kesehatan seperti ini hanyalah satu aspek dari lanskap regulasi yang kompleks bagi industri layanan kesehatan. Undang-undang perlindungan data seperti General Data Protection Regulation (GDPR) di Uni Eropa dan California Consumer Protection Act (CCPA) menambah kompleksitas bagi organisasi layanan kesehatan saat membangun dan mengaitkan himpunan data terpisah untuk aplikasi data science dan machine learning. Karena itu, membangun tata kelola dan kepatuhan data yang kuat sangat penting untuk mengoperasionalkan data science dan machine learning dalam layanan kesehatan.
Keterampilan
Mewujudkan infrastruktur data dan mencapai kesepakatan atas kerangka regulasi merupakan hal yang esensial untuk mengoperasionalkan data science dan machine learning dalam layanan kesehatan. Namun ancaman terbesar terhadap adopsi teknologi ini di layanan kesehatan adalah kesenjangan keterampilan data. Faktanya, menurut riset Qlik, ketika mengurutkan literasi data lintas industri, layanan kesehatan menempati posisi terbawah. Kurangnya keterampilan data dalam organisasi layanan kesehatan menghambat pemanfaatan data science dan machine learning di berbagai lini dan membatasi kemampuan organisasi untuk membangun dukungan terhadap inisiatif data.
Contohnya, tenaga kesehatan lini depan perlu memiliki literasi AI dasar agar dapat memahami dan berinteraksi dengan sistem serta aplikasi berbasis machine learning (McKinsey). Manajer dan pemimpin di perusahaan farmasi atau asuransi perlu memahami apa yang mungkin dilakukan dengan data science dan machine learning, sehingga mereka dapat menggerakkan inisiatif data dan turut membangun budaya yang berorientasi data (DataCamp).
Hanya merekrut pekerja data terampil saja tidak cukup. Terdapat kekurangan talenta yang memahami kompleksitas layanan kesehatan sekaligus kekurangan talenta data science secara umum (Forbes).
Kekurangan literasi data adalah musuh terbesar yang kami hadapi. Saat dunia semakin digerakkan oleh data, tantangannya semakin besar. Semua orang harus memahami dasar-dasarnya, dan kita harus mampu menyampaikannya dengan cara yang intuitif dan menyenangkan
Bill Zhang, Chief Data and Analytics Officer, AIG Japan
Bagaimana pelatihan data mengatasi tantangan data di industri layanan kesehatan
Mengatasi kesenjangan keterampilan data adalah fondasi untuk mengoperasionalkan data science dan machine learning dalam layanan kesehatan. Menurut World Economic Forum, pelatihan digital dan data dalam layanan kesehatan dan farmasi dapat meningkatkan PDB global lebih dari 400 miliar dolar pada tahun 2030. Menciptakan budaya belajar berkelanjutan sangat penting untuk membangun generasi pemimpin berikutnya di layanan kesehatan (McKinsey), yang akan menggabungkan data dan ilmu biomedis untuk menskalakan dan mengoperasionalkan nilai data science dan machine learning dalam layanan kesehatan.
