Enough Of The Future: AI Must Start Transforming Health Care Today

Enough Of The Future: AI Must Start Transforming Health Care Today

เว็บไซต์

แม้ว่ารูปแบบการให้บริการด้านสุขภาพจะแตกต่างกันอย่างมากทั่วโลก ทั้งภาครัฐและเอกชน ความท้าทายที่ผู้ให้บริการเผชิญอยู่นั้นค่อนข้างเป็นสากล ที่เพิ่มขึ้นค่าใช้จ่ายในการดูแลความต้องการเพิ่มขึ้นสำหรับการให้บริการจากประชากรสูงอายุและทักษะการขาดแคลน – ซึ่งในบางตลาดได้กลายเป็นง่อย – จะรวมในการสร้างพายุที่สมบูรณ์แบบแม้ว่ารูปแบบการให้บริการด้านสุขภาพจะแตกต่างกันอย่างมากทั่วโลก ทั้งภาครัฐและเอกชน ความท้าทายที่ผู้ให้บริการเผชิญอยู่นั้นค่อนข้างเป็นสากล ที่เพิ่มขึ้นค่าใช้จ่ายในการดูแลความต้องการเพิ่มขึ้นสำหรับการให้บริการจากประชากรสูงอายุและทักษะการขาดแคลน – ซึ่งในบางตลาดได้กลายเป็นง่อย – จะรวมในการสร้างพายุที่สมบูรณ์แบบ

การออกแบบเว็บไซต์

เมื่อเปรียบเทียบกับบริบทนี้ ประโยชน์ของการนำปัญญาประดิษฐ์มาใช้ในวงกว้างในการดูแลสุขภาพกลายเป็นเรื่องที่น่าสนใจอย่างไม่น่าเชื่อ บางทีอาจจะมากกว่าในอุตสาหกรรมอื่นๆ ในฐานะที่เป็นส่วนหนึ่งของการเปลี่ยนรูปแบบการให้บริการด้านสุขภาพเป็นดิจิทัล AI สามารถช่วยให้ประหยัดต้นทุน การเข้าถึงที่ดีขึ้น และการดูแลผู้ป่วยที่เพิ่มขึ้น และสามารถเพิ่มขีดความสามารถสำหรับพนักงานแนวหน้าที่ทำงานหนักเกินไป มันทำลายIron Triangle ที่จัดตั้งขึ้นในการดูแลสุขภาพซึ่งการเข้าถึงและประสิทธิภาพสามารถปรับปรุงได้ด้วยการใช้จ่ายที่เพิ่มขึ้นเท่านั้น และในทางตรงกันข้ามกับตลาดอื่น ๆ ที่ผู้คนเชื่อว่า AI อาจลดจำนวนงานที่มีอยู่ ในด้านการดูแลสุขภาพ AI จะเข้าสู่การพึ่งพาความสามารถของมนุษย์ที่มีอยู่. การเขียนโปรแกรม AI สามารถลดจำนวนงานที่ซ้ำซากจำเจซึ่งพนักงานที่เป็นมนุษย์อาจเบื่อหน่ายได้ง่าย ทำให้พวกเขามีเวลาเหลือเฟือที่จะอุทิศให้กับการดูแลผู้ป่วย
ภายในสหรัฐอเมริกา คาดการณ์ว่า AI จะประหยัดเงินได้ปีละ150 พันล้านดอลลาร์ต่อปีสำหรับองค์กรด้านสาธารณสุขทั้งภาครัฐและเอกชนภายในปี 2569 ในสหราชอาณาจักร คาดว่า AI และระบบอัตโนมัติจะช่วยประหยัดบริการสุขภาพแห่งชาติได้12.5พันล้านปอนด์ต่อปี เทียบเท่ากับ 10% ของงบประมาณประจำปี ในขณะเดียวกัน ในประเทศจีน AI กำลังได้รับการส่งเสริมให้เป็นวิธีการแก้ปัญหาการขาดแคลนแพทย์ของประเทศ ที่สร้างความกังวลอย่างมาก
AI ในปัจจุบัน ไม่ใช่อนาคต
การผ่าตัดโดยใช้หุ่นยนต์ช่วย การแทรกแซงทางการแพทย์เชิงป้องกัน (ตามการวินิจฉัยล่วงหน้า) และผู้ช่วยพยาบาลเสมือนจริง เป็นเพียงส่วนหนึ่งของการใช้งานจำนวนมากที่คาดการณ์ว่า AI จะพลิกโฉมการให้บริการด้านสุขภาพในทศวรรษหน้า
อย่างไรก็ตาม สิ่งหนึ่งที่ทำให้ฉันสะดุดใจก็คือการเล่าเรื่องเกี่ยวกับ AI ที่มากเกินไปยังคงเป็นเรื่องล้ำอนาคต โดยสำรวจประโยชน์ที่เป็นไปได้ของการวิจัย การพัฒนา และนวัตกรรมในอนาคต แทนที่จะมุ่งเน้นไปที่ประโยชน์ที่แท้จริงที่ AI สามารถทำได้และควรมอบให้กับผู้ให้บริการด้านสุขภาพในปัจจุบัน . ไม่ต้องสงสัยเลย โอกาสที่ AI จะถูกนำไปใช้ในการดูแลทางคลินิกแนวหน้านั้นน่าตื่นเต้นและน่าเกรงขาม โดยบริษัทต่างๆ เช่นdoc.ai (ซึ่งใช้ AI เพื่อทำนายความเสี่ยงต่อสุขภาพของแต่ละบุคคล) ที่ทำงานเกี่ยวกับนวัตกรรมที่เปลี่ยนแปลงเกมอย่างแท้จริง
อย่างไรก็ตาม สำหรับอุตสาหกรรมที่ได้รับผลกระทบจากความท้าทายด้านงบประมาณและบุคลากรจำนวนมากในแต่ละวัน มันยังไม่เพียงพอที่จะมองไปข้างหน้าอีก 10 ปี ผู้ให้บริการด้านสุขภาพต้องการวิธีแก้ไขปัญหาเหล่านี้ในปัจจุบัน
ความจริงก็คือเทคโนโลยี AI ได้มาถึงระดับของการเติบโตแล้ว ซึ่งมันสามารถส่งมอบมูลค่ามหาศาลให้กับอุตสาหกรรมการดูแลสุขภาพ อันที่จริงแล้ว AI กำลังถูกนำไปใช้ในองค์กรด้านการดูแลสุขภาพกลุ่มเล็ก ๆ ทั่วโลกเพื่อขับเคลื่อนประสิทธิภาพในด้านการปฏิบัติงานและการบริหารของระบบการดูแลสุขภาพ และเมื่อมีการนำ AI มาใช้ ก็จะนำเสนอการปรับปรุงที่เปลี่ยนแปลงเกมในแง่ของการประหยัดต้นทุน ความสามารถของพนักงานและประสิทธิภาพการทำงาน และผลลัพธ์ของผู้ป่วย
คำถามคือ ทำไมเราไม่เห็นการนำ AI ไปใช้เร็วขึ้นในภาคการดูแลสุขภาพ
แนวทางปฏิบัติและขยายขนาดสู่ AI
จุดเริ่มต้นสำหรับการนำ AI มาใช้ในการดูแลสุขภาพจะต้องอยู่ในการปรับปรุงเวิร์กโฟลว์การบริหารและเร่งความเร็วและเพิ่มประสิทธิภาพกระบวนการที่มักจะยังคงใช้คน ซ้ำซาก และใช้กระดาษเป็นหลัก กระบวนการเหล่านี้ถูกขัดขวางโดยเทคโนโลยีที่สืบทอดมา กิ่งก้านของการส่งมอบที่กระจัดกระจาย และการขาดการคิดร่วมกัน AI สามารถแก้ปัญหาเหล่านี้ได้ โดยทำหน้าที่เป็นชั้นบูรณาการระหว่างผู้คนและระบบ แท้จริงแล้ว Accenture ประมาณการว่าระบบการดูแลสุขภาพของสหรัฐฯ เพียงอย่างเดียวสามารถประหยัดเงินได้ถึง18 พันล้านดอลลาร์ต่อปี ในพื้นที่นี้ภายในปี 2569
แทนที่จะมุ่งไปที่ภาพรวม ผู้ให้บริการด้านสุขภาพจำเป็นต้องเปิดรับแนวความคิดใหม่เกี่ยวกับ AI โดยเน้นที่ AI สามารถให้ผลลัพธ์ในทันทีและพิสูจน์คุณค่าของมันได้ในขณะนี้ แนวทาง “เริ่มต้นจากสิ่งเล็กๆ และสร้าง” ให้กับ AI นั้นสามารถจัดการได้มากกว่าสำหรับองค์กรด้านการดูแลสุขภาพ ทำให้พวกเขาสามารถสร้างกรณีศึกษาทางธุรกิจสำหรับการปรับใช้ภายในกระบวนการหรือฟังก์ชันเฉพาะ — เพื่อให้เข้าใจถึงเทคโนโลยี เรียนรู้ตลอดโครงการดำเนินการและ สามารถติดตามและประเมินผลได้อย่างง่ายดาย จากจุดนั้น ผู้ปฏิบัติงานสามารถสร้างโมเมนตัม เลือกผลไม้ที่แขวนอยู่ต่ำเพื่อส่งมอบ ROI ที่รวดเร็ว และปรับใช้การสร้างบล็อค AI เหล่านี้อีกครั้งเพื่อขยายส่วนอื่นๆ ขององค์กร
แนวทางสำหรับ AI นี้ยังช่วยให้มั่นใจได้ว่าผู้ให้บริการด้านสุขภาพสามารถปลูกฝังทักษะและวัฒนธรรมที่จำเป็นภายในพนักงานของตนเมื่อเวลาผ่านไป เพื่อปูทางสำหรับการปรับใช้ AI ต่อไป แทนที่จะมองว่าการนำ AI มาใช้เป็นสิ่งที่คุกคามหรือไม่มั่นคง ผู้ปฏิบัติงานจำเป็นต้องพิสูจน์ประโยชน์ของ AI ต่อพนักงานที่มีอยู่ แสดงให้เห็นว่าสามารถขจัดภาระงานธุรการทางโลกและปล่อยให้พวกเขาใช้เวลากับอะไรได้บ้าง พวกเขาเก่งที่สุด: ให้การดูแลผู้ป่วยชั้นหนึ่ง นี่เป็นสิ่งสำคัญ และเราได้เห็นตัวอย่างที่ยอดเยี่ยมของผลกระทบเชิงบวกที่ AI สามารถมีต่อพนักงานภายใน NHS ในอังกฤษ
เราไม่สามารถคิดต่อไปว่า AI เป็นสิ่งที่จะเปลี่ยนการดูแลสุขภาพในเวลา 10 ปี ในขณะที่ความท้าทายที่ผู้ให้บริการเผชิญอยู่ในปัจจุบันจะรุนแรงขึ้นเรื่อยๆ เราควรลืมเกี่ยวกับหุ่นยนต์ที่ดำเนินการช่วยชีวิต (แม้ว่าจะเป็นเรื่องที่น่าตื่นเต้นก็ตาม) และแทนที่จะมุ่งความสนใจไปที่การสร้างความมั่นใจว่าองค์กรด้านการดูแลสุขภาพจะเริ่มต้นหรือเร่งความเร็วการเดินทางของ AI ในปี 2019

เว็บแอพพลิเคชั่น

ลองนึกย้อนกลับไปครั้งสุดท้ายที่คุณมีประสบการณ์ผู้บริโภคที่แย่มาก บางทีมันอาจจะไม่ดีพอที่คุณจะใช้เวลาในการกรอกแบบสำรวจความพึงพอใจของลูกค้า บางทีคุณอาจคาดหวังคะแนนต่ำทั้งหมดเหล่านั้นเพื่อแปลเป็นการขยายงาน – อาจเป็นคูปองหรือสิทธิพิเศษใหม่หรือสาขามะกอกอื่น ๆ ที่สามารถดำเนินการได้
ความเงียบของวิทยุอาจเป็นผลมาจากการบริการลูกค้าที่ไม่ดี แต่มีโอกาสที่ดีเพราะคะแนนของคุณไม่ได้ดีมากเช่นกัน ปัจจุบันบริษัทหลายแห่งคำนวณสิ่งที่เรียกว่ามูลค่าตลอดช่วงชีวิตของลูกค้า (CLV) ซึ่งเป็นตัวชี้วัดที่มุ่งหมายที่จะหาปริมาณกำไรสุทธิที่ลูกค้าจะเสนอให้กับบริษัท “คุณค่า” ของคุณส่วนหนึ่งเป็นตัวกำหนดความพยายามของบริษัทที่ทุ่มเทเพื่อให้คุณมีความสุข
มูลค่าตลอดช่วงชีวิตของลูกค้าคืออะไร?
มูลค่าตลอดช่วงชีวิตของลูกค้า (CLV) เป็นการประมาณการของกำไรสุทธิที่ลูกค้าจะมอบให้กับบริษัท สูตรพื้นฐานแสดง CLV เป็นผลคูณของส่วนต่างของลูกค้าและอัตราการรักษา สัมพันธ์กับการปรับปรุงส่วนลด แต่เทคโนโลยีที่เกิดขึ้นใหม่ เช่น โมเดลทางสถิติ Buy Til You Die โมเดลการเรียนรู้ของเครื่อง และระบบการเรียนรู้เชิงลึก นำเสนอการปรับแต่งที่ซับซ้อนมากขึ้น เพื่อให้สามารถคาดการณ์ CLV ได้ทั้งระยะสั้นและระยะยาว
ตามที่เขาเห็น บริษัทต่างๆ ที่ก้มหน้าเพื่อตอบสนองลูกค้าที่ไม่มีความสุขทุกคนกำลังทำผิด พวกเขาต้องจัดลำดับความสำคัญ บริษัทต่างๆ มักมีนิสัยที่ไม่ดีในการหมกมุ่นอยู่กับคะแนนโปรโมเตอร์สุทธิ โดยพยายามตัดสินว่า “สิ่งใดที่เป็นปัญหาต่อผู้ว่าแล้วจึงแก้ไขให้พวกเขา” เขากล่าว “[แต่] ลูกค้าพวกนั้นห่วย”
“เราใช้เงินทั้งหมดนี้เพื่อพยายามเปลี่ยนลูกเป็ดขี้เหร่ให้กลายเป็นหงส์ที่สวยงาม แต่มันก็ไม่ได้ผล” เขากล่าวเสริม “แต่ถ้าเรามองเห็นได้ในสิ่งที่เราคิดว่าลูกค้าจะคุ้มค่า และจากนั้นใช้สิ่งนั้นเพื่อขับเคลื่อนการตัดสินใจ — เกี่ยวกับผู้ที่จะให้ของฟรีหรือใครโทรมาก่อน — เราจะทำการตัดสินใจได้ดีขึ้นและทำมากขึ้น เงิน.”
สูตร CLV พื้นฐานหนึ่งสูตรสำหรับธุรกิจแบบสมัครสมาชิกแบ่งยอดขายรายเดือนเฉลี่ยของลูกค้าด้วยอัตราการเลิกจ้างของบริษัท ดังนั้นลูกค้าที่จ่าย $9 ต่อเดือนสำหรับบริการสตรีมมิ่งที่มีการเลิกใช้งาน 3 เปอร์เซ็นต์จะมี CLV ที่ $300
สูตร CLV ง่าย ๆ ที่พบบ่อยที่สุดคือ:
CLV = มาร์จิ้น x อัตราการรักษา / 1 + อัตราส่วนลด – อัตราการรักษา
มาร์จิ้น : กำไรจากการขายที่สร้างลบด้วยต้นทุนผันแปรในการส่งมอบผลิตภัณฑ์หรือบริการ
Retention Rate : เปอร์เซ็นต์ของลูกค้าที่ไม่เลิกใช้งานภายในระยะเวลาที่กำหนด
Discount Rate : รายได้ในอนาคตจะมีมูลค่าเท่าใดตามอัตราการกู้ยืมในปัจจุบัน คำแนะนำบางข้อระบุว่าค่าเริ่มต้นคือ 10 เปอร์เซ็นต์ จนกว่าผู้เชี่ยวชาญด้านการเงินจะให้ความกระจ่างมากขึ้น ในขณะที่คนอื่นๆมองว่าเป็นตัวเลขที่มองโลกในแง่ดี ไมล์สะสมของคุณอาจแตกต่างกันไป
สูตรดั้งเดิมข้างต้นมีประโยชน์สำหรับการประเมินขั้นพื้นฐานในระยะเริ่มต้น แต่จะเริ่มดูค่อนข้างธรรมดาเมื่อคุณพิจารณาปัจจัยที่ซับซ้อน ประการหนึ่งอัตราการคงอยู่นั้นไม่คงที่แน่นอน และสำหรับธุรกิจที่ไม่ได้ทำสัญญา การพิจารณาว่าลูกค้าเลิกใช้งานจริงหรืออยู่ระหว่างการซื้อนั้นเป็นเรื่องยาก นอกจากนี้ยังล้มเหลวในการรวม smorgasbord ของสัญญาณพฤติกรรมที่เกิดขึ้นเมื่อใดก็ตามที่ลูกค้าโต้ตอบกับผลิตภัณฑ์หรือช่องทาง

Web​ application

จำเป็นต้องพูด ควรพิจารณาตัวเลือกขั้นสูงเพิ่มเติม แต่ก่อนที่เราจะทำอย่างนั้น เรามาดูปัจจัยพื้นฐานบางอย่างกันก่อนดีกว่า
ประวัติโดยย่อของมูลค่าตลอดช่วงชีวิตของลูกค้า
การคำนวณมูลค่าตลอดช่วงชีวิตของลูกค้านั้นซับซ้อนจนน่าปวดหัว มักจะขับเคลื่อนโดยการเรียนรู้ของเครื่องและบางครั้งก็เป็นการเรียนรู้เชิงลึก แต่ตัวชี้วัดมาจากหุ้นที่มีเสน่ห์น้อยกว่า อิทธิพลในช่วงแรกคือนักการตลาดตรงแบบเก่าในยุค 1970 และ 1980 ลองนึกถึงแคมเปญอีเมลโดยตรงและต่อมาคือ infomercials
“แม้ว่าพวกเขาจะขายของไร้สาระในทีวีช่วงดึก แต่มุมมองที่พวกเขามีนั้นเป็นการปฏิวัติ” เฟเดอร์กล่าว นักการตลาดเหล่านั้นใช้เวลามากในการพิจารณารูปแบบการซื้อ ซึ่งเป็นรุ่นล้อฝึกของการขุดข้อมูลที่เรามีอยู่ในปัจจุบัน ที่นำไปสู่วิธี RFM — ความใหม่ ความถี่ และมูลค่าเงิน การกระทำร่วมกันวิธีการถือเมื่อที่ผ่านมาลูกค้าทำการซื้อ , วิธีการหลายซื้อสินค้าที่พวกเขาได้ทำในทั้งหมดของพวกเขาและปริมาณการซื้อเฉลี่ยเป็นตัวบ่งชี้ที่สำคัญของการซื้อในอนาคต
“เราใช้เงินทั้งหมดนี้เพื่อพยายามเปลี่ยนลูกเป็ดขี้เหร่ให้กลายเป็นหงส์ที่สวยงาม แต่มันก็ไม่ได้ผล”
จากนั้นในช่วงกลางยุค 80 Dave Schmittlein (ปัจจุบันเป็นคณบดีของ MIT Sloan School of Management) และเพื่อนร่วมงานอีกสองคนได้รับวิธีการทางคณิตศาสตร์เพื่อเปลี่ยนข้อมูล RFM ที่ “มองย้อนกลับ” ให้เป็นการประมาณการ “คาดการณ์ล่วงหน้า” ของ CLV ในอนาคต นี่คือจุดกำเนิดของโมเดล Pareto/NBD ที่เป็นน้ำเชื้อ
วิธีง่ายๆ ในการอธิบายกรอบงาน Pareto/NBD โดยไม่หลงทางในความน่าจะเป็นของวัชพืช คือการคิดว่ามันเหมือนกับว่าผู้คนมีเหรียญสองเหรียญที่จะพลิก เหรียญหนึ่งเหรียญกำหนดว่าลูกค้ายังคงพิจารณาซื้อต่อหรือเดินจากไป และเหรียญที่สองเป็นตัวกำหนดว่าพวกเขาตัดสินใจที่จะซื้อหรือไม่ซื้อหากพวกเขายังคงพิจารณาอยู่ กรอบการทำงานยังอธิบายถึงความแปรปรวนในความถี่ในการซื้อ: บางคนจะทำการซื้อต่อไปเมื่อเวลาผ่านไป คนอื่นจะเป็นหนึ่งเดียวและทำเสร็จแล้ว
วิธีการนี้ไม่ได้สร้างผลกระทบในโลกแห่งความเป็นจริงมากนักในตอนแรก – ได้รับการทักทายว่าเป็น “หอคอยงาช้างเชิงวิชาการบริสุทธิ์” Fader กล่าว – จนกระทั่ง 15 ปีต่อมาเมื่อ Fader และเพื่อนร่วมงานของเขาแนะนำเวอร์ชันที่ใช้งานกันอย่างแพร่หลายและเป็นมิตรกับ Excel และประกาศถึงคุณค่าของแบบจำลองทั่วทั้งองค์กร
งานนั้นกลายเป็น “การวิจัยพื้นฐานซึ่ง [ความก้าวหน้าด้านมูลค่าตลอดช่วงชีวิตของลูกค้าในอนาคตทั้งหมด] เสร็จสิ้น” Emad Hasan จาก Retina บริษัทซอฟต์แวร์วิเคราะห์และผู้ให้บริการแพลตฟอร์ม CLV กล่าว
CLV พบกับแมชชีนเลิร์นนิง
หลังจากการถือกำเนิดของ Big Data CLV ได้รับการสนับสนุน บริษัทอีคอมเมิร์ซที่มีข้อมูลเปียกโชกหันไปใช้วิธีการเรียนรู้ของเครื่อง เนื่องจากชุดข้อมูลมีขนาดใหญ่เกินไปสำหรับโมเดลพาราเมตริก “เป็นการยากที่จะรวมคุณลักษณะที่เรียนรู้โดยอัตโนมัติหรือคุณลักษณะที่กระจัดกระจายอย่างมาก” นักวิทยาศาสตร์ด้านข้อมูลที่ ASOS เขียนในปี 2560

Robot Auto process

มีแนวทางต่างๆ มากมายให้ค้นหา ( แพ็คเกจLifetimes Python ที่พัฒนาโดย Cameron Davidson-Pilon อดีตผู้อำนวยการด้าน Data Science ที่ Shopify เป็นที่นิยม) แต่บริษัทต่างๆ มักจะเป็นแม่ว่าแบบจำลองในบริษัทของตนทำงานอย่างไร เกรงว่าพวกเขาจะสูญเสียการแข่งขัน ความได้เปรียบ
ที่กล่าวว่าบาง บริษัท เสนอคำแนะนำภายใต้ประทุน
ในปี 2016 Groupon ได้เผยแพร่โครงร่างของการนำการเรียนรู้ของเครื่องไปใช้กำหนด CLV นักวิทยาศาสตร์ข้อมูลในไซต์อีคอมเมิร์ซได้พัฒนาและใช้แนวทางที่ใช้แบบจำลองฟอเรสต์สุ่มแบบสองขั้นตอนแยกกันสำหรับแต่ละกลุ่มจากหกกลุ่มที่แตกต่างกัน ซึ่งจะย่อยลูกค้า ตั้งแต่ “ไม่ได้ใช้งาน” ไปจนถึง “ผู้ใช้ระดับสูง” โดยนำโมเดลและกลุ่มเหล่านี้ไปใช้ในช่วงเวลาที่แตกต่างกันสามช่วง — สั้น (90 วัน), กลาง (180 วัน) และยาว (365 วัน)