數字化轉型被認為是醫(yī)療保健領域的主要趨勢，而智能自動化可以成為其中的一部分。

機器人流程自動化（RPA）市場正在蓬勃發(fā)展。它為企業(yè)提供了巨大的機會來自動執(zhí)行人工、耗時、重復和事務性的流程。RPA可以幫助提高流程質量、速度和生產率、并集成原有系統，這在當前環(huán)境下隨著組織尋求加速數字化轉型項目而變得越來越重要。

但是很明顯，盡管RPA有潛力成為非常有價值的工具，但其成功的常見障礙是業(yè)務復雜性、主觀決策和非結構化數據。RPA只能自動化簡單的任務。它需要流程遵循結構化數據的有限預定義規(guī)則。

啟動數字優(yōu)化項目的關鍵是將頭（人工智能和機器學習）與手（RPA）連接起來。這里說的是RPA與人工智能和機器學習的融合，以創(chuàng)建智能自動化，這可能會大大增加以前認為過于復雜而無法自動化的知識工作的范圍，并且需要人工干預才能做出預測。通過智能自動化，人工智能和機器學習可以使決策自動化，而RPA可以使流程中的手動后續(xù)步驟自動化。

那么怎么樣實施？在較高的層次上，機器學習可以分為兩個主要部分。第一部分涉及對歷史數據的訓練模型以進行預測。這涉及到收集和準備數據（這通常是機器學習中最耗時的步驟），最后需要添加經過標記并準備好進行建模的訓練數據集。接下來，使用針對不同類型的數據問題（即分類，回歸，二進制）的算法構建模型。一旦模型被構建并部署到生產中，機器學習的下一個組成部分便開始了，根據構建的模型對看不見的數據進行評分。這是RPA可以詢問機器學習模型下一步做什么的步驟，該模型為RPA提供了無需人工干預即可繼續(xù)進行的預測決策。

有趣的是，IDC認為數字化轉型是今年生命科學和醫(yī)療保健行業(yè)的主要趨勢，因此毫不奇怪，該行業(yè)現在對自動化用例的興趣日益增加，在該案例中，將人工智能和機器學習與RPA結合使用可以在整個行業(yè)增加價值整個生態(tài)系統。目的是創(chuàng)建可擴展的數字化員工隊伍，使其能夠執(zhí)行不需要人工干預的流程，并在不到12個月的時間內實現投資回報。

在這種情況下，使用智能自動化從繁瑣的工作中消除人力的關鍵組織優(yōu)勢自然是使醫(yī)療保健專業(yè)人員能夠專注于以人為主導的高價值決策，診斷和治療。通過優(yōu)化患者參與度，為臨床醫(yī)生提供更快的訪問更多信息的機會，可以提供更好的患者體驗并改善結果，從而使他們能夠提供有針對性的量身定制的護理。

制藥公司和醫(yī)療設備制造商也正在使用實時提供更大數據可視性的方法，例如，通過減少欺詐和錯誤率來消除潛在的合規(guī)性問題，并提高準確性、安全性和安全性。在生命科學行業(yè)中尤其如此。

通過自動化與文檔編制和法規(guī)監(jiān)控有關的流程，智能自動化已被用于快速跟蹤藥物發(fā)現，疫苗開發(fā)和臨床試驗。事實證明，消除瓶頸是應對疫情所帶來的一些挑戰(zhàn)的關鍵，特別是在提供測試套件和快速通道分析方面。

標準化數據使用更大的數據集、消除偏差以及更有效地訓練算法以識別（例如，哪些化合物可能更有效或值得更快地通過藥物發(fā)現過程進行）的能力，提供更快的結果并幾乎使其成為可能提前做好工作。這本身表明，可以在藥物開發(fā)階段以及臨床開發(fā)、監(jiān)管和文件處理過程中進行評估，因此，批準的可能性和功效，從而有可能導致虛擬臨床試驗。

在實驗室中引入更多的自動化也將使數據能夠鏈接回制造業(yè)和其他數據湖，以提供趨勢的可見性，更快的規(guī)模交付制造以及更敏捷的供應鏈，這是主要的要求。

例如，生產需求預測是一個核心用例，根據流感的流行或冠狀病毒病例的增加或人口的潛在變化等外部因素，預測需求可能激增的地方，可能會增加需求。同樣，能夠監(jiān)視和跟蹤藥物警戒和投訴處理的質量問題，看到有關法規(guī)提交或投訴的趨勢，盡快監(jiān)測趨勢，更新現場團隊，以便他們可以在內部主動管理問題（例如樣品和裝運）幾天而不是幾周的時間，可以促進銷售增長。

幸運的是，智能自動化使生命科學和醫(yī)療保健行業(yè)能夠在數周而不是數月甚至是數年的時間內，無需更新軟件，開發(fā)API或構建新系統，即可管理和集成原有系統并實現數字化轉型的好處。

可以從多個來源收集數據，并且必須在開始建模之前對其進行清理和準備。人工智能和RPA并沒有被鎖在象牙塔中，而是通過智能自動化實現了民主化。人們可以直接訪問數據科學并自己利用信息，而不必等待從孤立的其他地方獲取相同的信息。

使生命科學和醫(yī)療保健行業(yè)能夠利用這些人工智能和機器學習和RPA工具和技術來支持人工智能驅動的決策并在短時間內提供投資回報率越來越成為現實。

RPA與人工智能和機器學習的融合是智能自動化之旅的下一步。組織正在解決數據驅動的機器學習用例，例如患者再入院、員工預測、用藥依從性和減少患者住院時間，并且他們并沒有就此停止。取而代之的是，他們使用這些預測來添加新的RPA自動化功能，這些功能以前無法解決更關鍵的用例，而是將多個智能自動化組件一起使用。毋庸置疑，這是進入這個行業(yè)并推動未來幾年真正變革的激動人心的時刻。
責編AJX