Mengingat meningkatnya persaingan, ekspektasi pelanggan yang lebih tinggi, dan tantangan peraturan yang semakin meningkat, investasi ini sangatlah penting. Namun untuk memaksimalkan manfaatnya, para pemimpin harus mempertimbangkan dengan cermat bagaimana menyeimbangkan faktor-faktor utama seperti cakupan, skala, kecepatan, dan kolaborasi manusia-AI.
Janji awal untuk menghubungkan data
Pernyataan umum yang dilontarkan oleh para pemimpin data di semua industri—khususnya dari mereka yang berada dalam organisasi ilmu hayati yang kaya akan data—adalah “Saya memiliki banyak sekali data di seluruh organisasi saya, namun orang yang membutuhkannya tidak dapat menemukannya.” kata Dan Sheeran, manajer umum layanan kesehatan dan ilmu kehidupan untuk AWS. Dan dalam ekosistem layanan kesehatan yang kompleks, data dapat berasal dari berbagai sumber termasuk rumah sakit, apotek, perusahaan asuransi, dan pasien.
“Mengatasi tantangan ini,” kata Sheeran, “berarti menerapkan metadata ke semua data yang ada dan kemudian membuat alat untuk menemukannya, meniru kemudahan mesin pencari. Namun, hingga AI generatif muncul, pembuatan metadata tersebut sangat memakan waktu.”
Kepala praktik digital dan teknologi global ZS, Mahmood Majeed mencatat bahwa timnya secara teratur mengerjakannya program data yang terhubungkarena “menghubungkan data untuk memungkinkan pengambilan keputusan yang terhubung di seluruh perusahaan memberi Anda kemampuan untuk menciptakan pengalaman yang berbeda.”
Majeed menunjuk pada contoh Sanofi yang banyak dipublikasikan dalam menghubungkan data dengan aplikasi analitiknya, plai, yang menyederhanakan penelitian dan mengotomatiskan tugas-tugas data yang memakan waktu. Dengan investasi ini, Sanofi melaporkan pengurangan proses penelitian dari hitungan minggu menjadi hitungan jam dan potensi untuk meningkatkan identifikasi target di bidang terapeutik seperti imunologi, onkologi, atau neurologi. sebesar 20% hingga 30%.
Mencapai hasil personalisasi
Data yang terhubung juga memungkinkan perusahaan untuk fokus pada pengalaman jarak jauh yang dipersonalisasi. Hal ini melibatkan penyesuaian interaksi dengan penyedia layanan kesehatan dan pemahaman motivasi, kebutuhan, dan perilaku individu pasien.
Upaya awal seputar personalisasi mengandalkan model “tindakan terbaik berikutnya” atau “keterlibatan terbaik berikutnya” untuk melakukan hal ini. Model pembelajaran mesin (ML) tradisional ini menyarankan informasi yang paling tepat untuk dibagikan oleh tim lapangan kepada penyedia layanan kesehatan, berdasarkan pedoman yang telah ditentukan.
Jika dibandingkan dengan model AI generatif, model pembelajaran mesin yang lebih tradisional bisa jadi tidak fleksibel, tidak mampu beradaptasi dengan kebutuhan masing-masing penyedia, dan sering kali kesulitan untuk terhubung dengan sumber data lain yang dapat memberikan konteks yang bermakna. Oleh karena itu, wawasan ini mungkin berguna namun terbatas.
Mohon maaf, Foto memang tidak relevan. Jika keberatan atau harus diedit baik Artikel maupun foto Silahkan Klik Laporkan. Terima Kasih
