Machine Learning zugunsten der Patienten

Machine Learning zugunsten der Patienten

Das Gesundheitswesen steht vor ähnlichen Herausforderungen, wie andere Branchen vor einigen Jahren. B2B-Marktplätze erfüllen eine wichtige Funktion in der Digitalisierung. Sie bedingen eine möglichst gute Vergleichbarkeit von Produkten. Machine Learning ist der Schlüssel zur Lösung dieses Problems.

 

Einkauf 4.0 – allgemein verstanden als Digitalisierung – ist der Rahmen, in dem verschiedene Handlungsfelder für den Einkauf  beschrieben werden. Welche Strategie die Einkaufsabteilung auch immer verfolgt, alle zukunftsfähigen Konzepte haben zwei Kernelemente zu eigen. Sie bauen auf strukturierte Daten, um aggregiert und analysiert mehrwertschaffende Erkenntnisse zu gewinnen. Und sie gestalten digitale Prozesse, die kollaborativ und möglichst durchgängig funktionieren.

Diese Herausforderungen und die damit verbundene Frage, welche der notwendigen Fähigkeiten innerhalb einer Einkaufsabteilung und welche durch eine zentrale Plattform bereitgestellt werden können, stehen nicht erst seit dem Digi-Hype im Raum.

Bereits um die Jahrtausendwende beschäftigten sich die ersten webbasierten B2B-Marktplätze mit einer Reihe fundamentaler Probleme: Wie können Produkte vergleichbar gemacht werden? Und wie kann eine zentrale Plattform Medienbrüche zwischen den Handelspartnern vermeiden?

 

Procurement 4.0: Are you ready for the digital revolution? Strategy&, 2016. Hier das Whitepaper downloaden

 

Diese Problemstellung liess sich auf zwei Herausforderungen reduzieren: Die Definition eines Standardprotokolls für den Datenaustausch sowie die Identifikation des relevanten Contents in den Produktebeschrieben.

Für den Datenaustausch steht mit den EDI-Standards von GS1 ein Rahmen für die Lösung bereit. Der Content bleibt jedoch nach wie vor eine Herausforderung. Jeder Hersteller, jeder Händler beschreibt seine Produkte anders und auch die Syntax ist je nach Branche alles andere als einheitlich.

 

Wer kennt die Produktattribute?

Einigen Branchen im B2B und im B2C gelang es, diese Herausforderungen erfolgreich zu bewältigen. Man denke an einen webbasierten Shop für Computer und Zubehör. Mittels Auswahl von Attributen kann der eigene Bedarf präzisiert werden und man erhält Produkte, die dem Bedarf entsprechen, vorgeschlagen.

Das Gesundheitswesen steht heute vor den gleichen Herausforderungen wie viele Industrien im Jahr 2000. Die Logistikdaten für einen effizienten Warenfluss werden standardisiert und  teilweise zentral verfügbar gemacht: Die Datenpools von GDSN sind diesbezüglich zukunftsweisend. Sie enthalten insbesondere die für die Logistik relevanten Daten der Produkte und ermöglichen so den Handelspartnern, resp. deren Systemen über den GS1-Standard zu kommunizieren. Das Ziel ist eine durchgängig digitalisierte Versorgungskette.

Eine der Hauptaufgaben der Spital-Einkaufsmanager ist es, zusammen mit den medizinischen Fachpersonen sicherzustellen, dass das richtige Produkt für die richtige Anwendung an den Patienten unter Berücksichtigung betriebswirtschaftlicher Vorgaben beschafft wird. Diese Form der Qualitätssicherung benötigt ein tiefes Verständnis über die Eigenschaften der Produkte. Dass dabei die unzähligen Produkteinformationen nicht auswendig gelernt werden können, erklärt sich von alleine. Genau diese anwendungsbezogenen Produkteigenschaften finden sich jedoch nach wie vor nicht in verlässlicher, strukturierter Form.

 

Machine Learning ist der Schlüssel

Wie nun ist dem Content-Problem im Gesundheitswesen beizukommen? Zur Bewältigung gibt es nur eine wirtschaftliche Lösung: Sie muss erstens zentral erfolgen. Wenn jeder Handelspartner diese Daten selber erarbeitet und pflegt, ist das nicht effizient. Daher ist die Erarbeitung und Pflege dieser Daten eine typische Aufgabe eines digitalen Marktplatzes. Zweitens müssen aus wirtschaftlicher Betrachtung intelligente Algorithmen den Menschen bei der Klassifikation und der Attributierung der Produkte unterstützen.

Die Produktbeschriebe müssen maschinenlesbar gemacht werden. Dies gelingt, in dem unstrukturierter Text strukturiert wird.  Das effiziente Auslesen von Produktattributen kann nur durch die Kombination unterschiedlicher Machine-Learning-Algorithmen und die Bereitstellung repräsentativer Trainingsdaten erfolgen. Die Stichworte sind hier insbesondere Multi-Class-Klassifikationsalgorithmen, Clustering und Semi-Supervised-Learning.

 

Machine learning: the power and promise of computers that learn by example, The Royal Society, April 2017. Hier das Whitepaper downloaden

 

Intelligente Algorithmen helfen dem Patienten

Das Ziel sind stets wachsende und sich bis zu einem gewissen Grad selbst optimierende Daten über Produkte und deren Eigenschaften. Diese dienen sowohl als Basis für den B2B-Marktplatz, wie auch als Quelle für den Abgleich mit den lokalen ERP und Materialwirtschaftssystemen der Handelspartner. Davon profitieren nicht nur die Hersteller, Händler und Spitäler, sondern im Endeffekt die Patienten. Auch wenn sie das Produkt, das zur Anwendung gebracht wird, möglicherweise gar nie selber sehen, hat künstliche Intelligenz irgendwo in der Beschaffungs- und Lieferkette ermöglicht, dass das Produkt mit dem besten Nutzen-/Kostenverhältnis ermittelt werden konnte.

 

Die zukunftsfähige Infrastruktur von Xatena: Azure Machine Learning by Microsoft.

 

 

(Titelbild: by William Bout on Unsplash)

Share:
  • 3
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
    3
    Shares

About Manuel Härdi

productdevelopment@xatenaAG

Entries by Manuel Härdi