RPA驱动医疗健康智能自动化：AI+机器学习破解复杂决策瓶颈

数字化转型被列为医疗健康首要趋势，智能自动化可成其重要组成部分。

机器人流程自动化（RPA）市场蓬勃发展，预计2023年达44亿美元。为企业提供巨大机会自动化手工、耗时、重复、事务性流程。RPA可提升流程质量、速度、生产力，整合遗留系统——这在组织寻求加速数字化转型项目的当前气候下日益重要。

但清晰可见，RPA虽潜力巨大，成功常见障碍是业务复杂性、主观决策和非结构化数据。RPA只能自动化简单任务。需流程遵循有限预定义规则且数据结构化。

连接"大脑"(AI/ML)与"双手"(RPA)的智能自动化

启动数字优化项目的关键是连接大脑（人工智能和机器学习）与双手（RPA）。我指RPA与AI和ML融合创造智能自动化，有潜力大幅增加先前因过于复杂需人工干预预测而被认为无法自动化的知识工作范围。有了智能自动化，AI和ML自动化决策，RPA自动化流程中手工后续步骤。

机器学习两大组件与RPA协同机制

高层面看，机器学习可分两大组件。第一部分涉及在历史数据上训练模型预测。这涉及收集准备数据——往往是机器学习最耗时步骤——并以标记好可建模的训练数据集结束。接着用算法针对不同数据问题构建模型：分类、回归、二元分类。模型构建部署生产后，机器学习下一组件开始——对未见数据按构建模型评分。这是RPA可询问机器学习模型下一步做什么的步骤，模型提供预测决策供RPA继续无需人工干预。

IDC将数字化转型列为生命科学和医疗健康行业首要趋势，故该行业对自动化用例兴趣激增，AI和ML与RPA结合可跨整个生态系统增加价值。目标创建可扩展数字劳动力，执行无需人工干预流程，12个月内交付投资回报。

医疗健康领域智能自动化的核心价值

用智能自动化消除此类琐事中人工劳动的关键组织收益，自然是让医疗专业人员专注于更高价值、人主导的决策、诊断和治疗。通过优化患者参与、为临床医生提供更快获取更多信息，进而使其提供靶向定制护理，可交付更好患者体验和改善结果。

提供实时数据更高可见性也被制药公司和医疗器械制造商用于消除潜在合规顾虑，降低欺诈和错误率，提高准确性、安全性和保障性。这在生命科学行业尤甚。

加速药物发现、疫苗开发与临床试验

智能自动化被用于通过自动化文档和监管监控相关流程，快速推进药物发现、疫苗开发、临床试验。消除瓶颈证明是应对大流行挑战关键，特别是提供检测套件和快速通道分析方面。

标准化数据、使用更大数据集、消除偏见、更高效训练算法识别如哪些化合物可能更有效或值得更快通过药物发现流程，提供更快结果，几乎使提前工作成为可能。这本身暗示评估、结果、批准可能性和疗效可在药物发现阶段与临床开发、监管和文档处理并行，潜在导向虚拟临床试验。

实验室自动化与供应链敏捷化

引入更多实验室自动化也将使数据关联回制造和其他数据湖，提供趋势更高可见性、更快交付规模制造、更敏捷供应链——这些是主要需求，特别是此时。

生产需求预测是核心用例——基于外部性如流感激增、COVID-19增加、人口潜在变化预测需求激增。类似地，监控跟踪药物警戒和投诉处理质量问题——尽早发现监管提交或投诉趋势、更新现场团队使其主动在几天而非几周内管理问题（如样品和发货）——可促进销售增长。

幸运的是，智能自动化使生命科学和医疗健康行业能在数周而非数月或某些情况下数年内管理整合遗留系统并实现数字化转型收益，无需更新软件、开发API或构建新系统。

数据民主化与未来展望

数据可从多源收集，建模启动前必须清洗准备。AI和RPA不再锁在象牙塔，通过智能自动化实现民主化。人们可直接获取数据科学并自行利用信息，而非等待从别处孤岛团队获取相同信息。

让生命科学和医疗健康行业利用这些AI、ML和RPA工具技术支持AI驱动决策并在短期内交付ROI，正日益成为务实现实。

RPA与AI和ML融合是智能自动化旅程下一步。组织正解决患者再入院、员工预测、服药依从性、住院时长缩减等数据驱动机器学习用例，且不止步于此。而是用预测增加先前不可行的新RPA自动化解决更关键用例，组合多个智能自动化组件。毋庸置疑，这是驱动实变多年的激动人心时刻。