Infofinanciar > Opinii > Industria Sănătății, între criza forței de muncă și digitalizare. Cum va schimba Machine Learning medicina viitorului?
Opinii

Industria Sănătății, între criza forței de muncă și digitalizare. Cum va schimba Machine Learning medicina viitorului?

Digitalizare sanatate
Foto: Arhiva personala

De mai bine de 10 ani, țara noastră se confruntă cu o criză de resurse umane în majoritatea domeniilor. Una dinte cele mai afectate industrii este cea a Sănătății. Cei care au fost formați și au absolvit în sistemul public de educație aleg din ce în ce mai des cariere în afara granițelor, generând pierderi de sute de milioane de euro din cheltuielile statului cu  școlarizarea și specializarea. Acești profesioniști sunt atrași pe de-o parte de salariile și nivelul de trai mai ridicate din Vest, dar în același timp sunt demotivați de condițiile de muncă și de lipsa investițiilor în infrastructura medicală.

În ultimul deceniu, România a pierdut cel puțin 40.000 de doctori și lucrurile nu par să se îmbunătățească prea curând. Spre exemplu, medicina de familie este o specializare care a ajuns într-un punct critic. Colegiul Medicilor estimează că ar fi nevoie de 2.000 de medici de familie în plus, pentru ca acest sistem să funcționeze în mod optim. În schimb, absolvenții de medicină sunt din ce în ce mai dezinteresați de această specializare și, mai mult decât atât, în următorii 10 ani se estimează că aproape jumătate din medicii de familie aflați astăzi în activitate se vor pensiona.

Poate digitalizarea să rezolve criza forței de muncă?

În mod cert digitalizarea și implicit serviciile și platformele de digitalizare pot să îmbunătățească semnificativ lucrurile. La nivel internațional, între 400 și 800 de milioane de locuri de muncă vor dispărea sau se vor transforma în următorii ani din cauza automatizării, însă digitalizarea va crea noi zone de activitate. Spre exemplu, doar în România, noile tehnologii vor contribui la crearea a un milion de noi locuri de muncă iar industria de sănătate poate beneficia din plin de avansul tehnologic. Task-urile repetitive vor putea fi lăsate în seama roboților, prin dezvoltarea de procese RPA și soluții digitale de tip self-checking.

Mai mult decât atât, conceptul de machine learning va scurta timpul de cercetare și documentare în cadrul cazurilor clinice, ajutând totodată la scăderea procentului de erori umane, folosind algoritmi ce standardiează procedurile și fluxurile din instituțiile medicale.

 Ce este Machine Learning?

Machine Learning este un proces automatizat capabil să obțină în doar câteva secunde rezultate care, în varianta manuală sau semi-automată a muncii, ar fi obținute în mai multe ore, zile sau luni.

Prin Machine Learning, soluțiile de software se folosesc de modele matematice și statistice pentru a procesa seturi de date și a emite rezultate sub formă de analiză avansată sau analiză predictivă.

Machine Learning nu poate exista și funcționa fără volume mari de date corecte. De aici și nevoia absolut esențială de a asigura calitatea, acuratețea și complexitatea seturilor de date cerute de către Data Scientists pentru a putea să creeze modele matematice relevante și care să poată fi publicate în producție fără probleme majore, ajungând să genereze plus valoare pentru compania care le folosește. Din acest punct de vedere, bazele de date medicale clasice, precum Mayo Clinic sau UpToDate au reprezentat fundația necesară peste care conceptele de machine learning și inteligență artificială se pot dezvolta mai departe.

În al doilea rând, Machine Learning nu poate funcționa fără oameni și mă refer aici la ingineri de infrastructură, ingineri de date, dezvoltatori, Data Scientists și personal de suport.

Aplicabilitatea Machine Learning este una largă și atinge domenii extrem de diverse. În cadrul htss folosim Machine Learning în dezvoltarea produselor pentru industrii diverse. Spre exemplu, pentru clienții noștri din retail am creat sisteme care adaptează prețurile în mod dinamic la situațiile din piață, dar ajustează și stocurile în funcție de cerere și ofertă. Pentru clienții noștri din sistemul bancar am creat soluții care calculează riscurile pentru credite și automatizează procesele de aprobare, introducând analiza predictivă. Pe de altă parte, pentru clienții din sistemul financiar-contabil am creat soluții care emit predicții privind prețurile, costurile și încasările pentru perioade medii și lungi, ajutându-i să își consilieze, la rândul lor, proprii clienți.

Principalele beneficii ale Machine Learning

Din punct de vedere business, Machine Learning ajută și este implementată în primul rând în procesele de identificare (recunoaștere facială sau vocală), analiză avansată și predictivă (identificare de trenduri, predicția evoluției unor indicatori specifici, calcul dinamic de prețuri, diagnosticare etc.), precum și customer support (chat-bots și soluții automatizate).

Unul dintre principalele beneficii aduse de Machine Learning este automatizarea fluxurilor de analiză și predicție pentru procesele decizionale complexe. Fie că este vorba despre nevoia de a crea un cont nou pentru un client sau pacient, de a îi oferi cele mai bune soluții în funcție de nevoi și preferințe sau de a lua decizii dificile privind riscuri, costuri și diagnostice, ML accelerează procesele și degrevează factorul uman de munca repetitivă și greoaie, eliberând creierul uman pentru a fi creativ, a gândi în perspectivă și a lua acele decizii complexe pentru care a fost pregătit.

Cel mai bun mod de a ne asigura de acuratețea rezultatelor obținute cu sistemele de inteligență artificială este acela de a alege profesionișii care urmează să se ocupe cu aceste sisteme. E nevoie de echipe complexe și bine pregătite, care să aibă resursele necesare, să aibă acces la datele necesare și să aibă libertatea de a munci exact așa cum au fost pregătiți pentru a produce modelele matematice și ecosistemele ML care să ofere rezultatele corecte.

Pe termen scurt, Machine Learning trebuie să fie, în primul rând, corect implementat la un număr din ce în ce mai mare de companii din România. Nu doar prin procesul de creare a unor echipe de ML, ci și prin procesul de a crea ecosisteme de resurse umane, resurse de date și resurse de implementare pentru modele, astfel încât ML să înceapă să producă cu adevărat rezultate. Pe termen mediu și lung însă, vom vedea o evoluție semnificativă a complexității proceselor de dezvoltare din proiectele de ML. În paralel, din ce în ce mai multe activităținecesare pentru a crea și implementa modele de ML vor începe să fie automatizate prin apariția de platforme de MLOps, la fel ca și cea pe care o folosește htss în acest moment pentru clienții săi. Odată ce ML va deveni regula și nu excepția în toate ecosistemele software, diferența o va face profesionalismul și experiența furnizorilor de servicii și produse în această zonă, care vor putea să asigure evoluția rapidă în acest mediu competitiv.

Adrian Staicu

Adrian Staicu

Despre autor:

Adrian Staicu, Manager htss, divizia Custom Software

Adrian Staicu conduce divizia de Custom Software a htss și este dedicat misiunii acestei divizii de a revoluționa felul în care clienții htss fac business în era digitală. Adrian este un expert în management și comunicare, absolvent MBA cu focus pe domeniul financiar și cu o experiență de peste 17 ani în managementul de afaceri în domeniile IT, financiar, media și antreprenoriat general.