Otomatisasi Layanan Kesehatan: Apa Itu, Apa yang Berhasil, dan Apa yang Dilakukan dengan Tepat oleh Sebuah Klinik

Sebuah pusat bedah mata mengalami penurunan jumlah pasien. Bukan karena pasien beralih ke kompetitor, melainkan karena banyak pasien tidak jadi datang. Setiap minggu, 18 persen dari janji temu yang telah dijadwalkan tidak terisi. Empat staf penuh waktu menghabiskan hari mereka dengan menelepon sekitar 500 pasien untuk mengonfirmasi janji temu. Ketika cara itu tidak berhasil, klinik tersebut secara acak menerima lebih banyak pasien daripada kapasitas yang tersedia, dengan harapan jumlah pasien yang hadir pada akhirnya akan seimbang. Ada hari-hari di mana semua pasien datang sekaligus dan ruang tunggu jadi kacau balau. Di hari-hari lain, slot-slot itu kosong.

Kemudian, klinik tersebut membangun sebuah model prediktif. Modelnya sederhana: "AI berbasis tabel yang sederhana, tidak terlalu sulit untuk dibuat," demikian penjelasan Don Woodlock, President InterSystems, dalam seri Code to Care. Model tersebut memprediksi pasien mana saja yang kemungkinan besar akan tidak hadir pada janji temu mereka. Para staf berhenti menghubungi semua orang dan mulai hanya menghubungi pasien-pasien yang memang perlu diingatkan. Tingkat ketidakhadiran turun dari 18% menjadi 10%. Tim yang bertugas menelepon pasien berkurang dari empat orang menjadi satu orang.

Bagian teknologinya justru yang paling mudah. Perancangan ulang alur kerja itulah yang menghasilkan nilai.

Di bawah ini, Anda akan mendapatkan penjelasan lengkap mengenai cara mereka melakukannya, kerangka kerja empat langkah yang membuat pola ini dapat diterapkan kembali, serta panduan praktis untuk menemukan peluang otomatisasi pertama di organisasi Anda.

Otomatisasi layanan kesehatan adalah penggunaan kecerdasan buatan, machine learning, robotic process automation, dan perangkat digital untuk menjalankan tugas klinis dan administratif yang sebelumnya membutuhkan pekerjaan manual. Cakupannya sangat luas, mulai dari aturan yang mengirimkan pengingat janji temu, model prediktif yang mengidentifikasi pasien mana yang kemungkinan tidak akan datang, hingga sistem AI agentik yang mampu melakukan penalaran dan menjalankan alur kerja multi-langkah secara mandiri.

Tujuannya sederhana: agar penyedia layanan kesehatan dapat menghabiskan waktunya untuk pekerjaan yang membutuhkan penilaian manusia, bukan pekerjaan yang tidak membutuhkannya.

Seorang koordinator penjadwalan yang tidak lagi perlu melakukan 500 panggilan pengingat per minggu kini dapat fokus menindaklanjuti pasien yang memiliki kebutuhan kompleks. Seorang spesialis penagihan yang tidak lagi harus melakukan entri data secara manual dapat fokus pada klaim yang ditolak dan memerlukan penyelidikan. Seorang perawat yang pencatatan medisnya ditangani oleh teknologi ambient listening dapat menghabiskan lebih banyak waktu untuk memberikan perawatan langsung kepada pasien.

Sekitar 90% organisasi layanan kesehatan telah menerapkan berbagai bentuk otomatisasi di bidang layanan kesehatan, dengan menerapkan atau menguji coba alat otomatisasi berbasis AI setidaknya di satu bidang. Pasar otomatisasi layanan kesehatan global diproyeksikan akan mencapai US$69–88 miliar pada akhir 2030, dengan tingkat pertumbuhan sekitar 9% per tahun. Otomatisasi dalam layanan kesehatan berkembang pesat, mulai dari tugas administratif di bagian back office hingga pelayanan langsung kepada pasien. Organisasi layanan kesehatan yang memperoleh hasil terbaik adalah organisasi yang merancang ulang alur kerja dengan mempertimbangkan teknologi tersebut, bukan sekadar menambahkan teknologi di atas sistem yang sudah ada.

Saat ini, ada empat kategori teknologi yang menjadi pendorong utama otomatisasi di bidang layanan kesehatan. Memahami fungsi masing-masing akan membantu para penyedia layanan kesehatan dan organisasi kesehatan dalam memilih alat otomatisasi yang tepat untuk mengatasi masalah yang tepat.

Robotic Process Automation menangani tugas administratif yang repetitif dan berbasis aturan, seperti mengisi formulir, memindahkan data antarsistem, mengajukan klaim asuransi, dan memproses dokumen pendaftaran pasien. RPA mengikuti aturan yang telah ditentukan dan menjalankannya lebih cepat serta lebih konsisten daripada manusia, sehingga mengurangi kesalahan manusia dalam berbagai proses layanan kesehatan. RPA merupakan ujung tombak otomatisasi proses di sektor layanan kesehatan.

AI dan pemodelan prediktif melampaui aturan yang telah ditentukan dengan mempelajari pola dari data historis pasien dan menghasilkan prediksi, seperti pasien mana yang kemungkinan tidak datang sesuai jadwal, klaim mana yang kemungkinan ditolak, dan pasien mana yang berisiko menjalani perawatan kembali di rumah sakit. Model no-show milik Don Woodlock merupakan contoh klasik bagaimana AI dapat mendorong otomatisasi dalam layanan kesehatan. Platform seperti InterSystems IRIS Data Platform dilengkapi dengan IntegratedML, yaitu kemampuan machine learning bawaan yang memungkinkan developer membuat, melatih, dan deploy model prediktif menggunakan perintah SQL, tanpa mengharuskan setiap model prediktif dibuat secara khusus oleh tim data science. Inilah jenis perangkat yang membuat “model AI tabel sederhana” karya Don dapat diakses oleh sistem kesehatan yang tidak memiliki departemen AI sendiri.

Natural Language Processing memungkinkan sistem membaca dan memahami teks tidak terstruktur, seperti catatan klinis, pesan pasien, dokumen asuransi, dan laporan patologi. NLP memungkinkan berbagai proses dilakukan secara otomatis, termasuk dokumentasi berbasis ambient listening, asisten virtual yang merespons pertanyaan pasien, serta sistem otomatis yang mengekstrak data terstruktur dari rekam medis berbentuk teks bebas. Hal ini menyederhanakan entri data dan analisis data di berbagai sistem layanan kesehatan.

Intelligent automation menggabungkan robotic process automation, ML, dan NLP untuk menangani tugas kompleks dan proses multi-langkah yang membutuhkan penilaian. Pertimbangkan alur kerja pra-persetujuan yang mengambil dokumen, memeriksa kepatuhan, menyusun dokumen pengajuan, dan meneruskan kasus yang memerlukan pengecualian kepada reviewer manusia. AI/ML merupakan salah satu kategori pengeluaran untuk otomatisasi layanan kesehatan yang tumbuh paling cepat.

Sebagian besar pembahasan mengenai otomatisasi layanan kesehatan berfokus pada teknologi dan contoh penggunaannya. Pertanyaan yang lebih bermanfaat: masalah apa yang sebenarnya diselesaikan oleh otomatisasi layanan kesehatan, dan apa hasil bagi pasien yang dapat ditingkatkan?

Para tenaga kesehatan terjun ke bidang ini untuk memberikan perawatan kepada pasien. Namun, banyak dari mereka justru menghabiskan waktu berjam-jam untuk tugas yang menyita waktu, seperti menjadwalkan janji temu, input data, memproses formulir, dan mendokumentasikan kunjungan pasien. Otomatisasi di bidang layanan kesehatan mengembalikan waktu tersebut, sekaligus meningkatkan efisiensi operasional dan kepuasan pasien.

Penjadwalan dan pengelolaan janji temu. Sistem penjadwalan otomatis menangani pemesanan, mengirimkan pesan konfirmasi, menawarkan pilihan kepada pasien untuk mengubah jadwal atau melakukan telekonsultasi, serta mengelola daftar tunggu. Pengingat otomatis saja sudah dapat mengurangi tingkat ketidakhadiran secara signifikan; beberapa sistem layanan kesehatan telah berhasil mengurangi tingkat ketidakhadiran hingga lebih dari 40% melalui otomatisasi tugas-tugas repetitif dalam penjadwalan janji temu.

Pendaftaran dan onboarding pasien.Formulir persetujuan digital, verifikasi asuransi, dan kuesioner pra-kunjungan menggantikan alur kerja yang menggunakan papan klip dan kertas. Proses penerimaan pasien yang otomatis memastikan informasi pasien tercatat secara akurat dalam rekam medis elektronik sebelum kunjungan dimulai, sehingga meningkatkan pengalaman pasien sejak interaksi pertama.

Entri data dan pelaporan. Otomatisasi entri data dari rekam medis pasien serta pembuatan laporan dapat mengurangi tugas-tugas repetitif sekaligus memastikan akurasi data untuk mendukung pengambilan keputusan yang tepat. Tenaga kesehatan menghabiskan lebih sedikit waktu untuk tugas-tugas manual yang berulang dan lebih banyak waktu untuk pekerjaan perawatan pasien yang sesuai dengan pelatihan yang mereka terima.

Dokumentasi Berbasis Ambient ListeningTeknologi listening merekam percakapan antara dokter dan pasien lalu secara otomatis menghasilkan catatan klinis terstruktur. Hal ini saja sudah dapat menghemat waktu tenaga kesehatan hingga berjam-jam setiap hari yang sebelumnya digunakan untuk dokumentasi, sehingga waktu tersebut dapat dialihkan kembali untuk pelayanan pasien.

Organisasi layanan kesehatan kehilangan pendapatan di setiap tahapan siklus penagihan, mulai dari pasien yang tidak datang, kesalahan pengodean, hingga klaim yang ditolak. Otomatisasi dalam layanan kesehatan membantu menutup celah tersebut dan menghasilkan penghematan biaya yang dapat diukur.

Penagihan dan pemrosesan klaim.Sistem penagihan otomatis menangani pengajuan klaim asuransi, menerbitkan faktur, dan mengelola siklus penagihan pasien, sehingga mengurangi kesalahan manusia dan memperlancar siklus pendapatan. Agar otomatisasi proses dapat berjalan lintas sistem penagihan, penjadwalan, dan klinis, diperlukan lapisan interoperabilitas. InterSystems IRIS for Health menyediakan integration engine yang memungkinkan proses otomatis mengakses dan merekonsiliasi data pasien dari berbagai EHR, platform penagihan, dan sistem pembayar secara real-time.

Pra-otorisasi.Otomatisasi cerdas mengambil dokumentasi klinis, memeriksa persyaratan spesifik pembayar, menyusun dokumen pengajuan otorisasi, dan melacak status pengajuan. Proses ini menggantikan pekerjaan yang sebelumnya mengharuskan staf membuka dan menavigasi berbagai portal secara manual.

Manajemen siklus pendapatan.Otomatisasi proses siklus pendapatan secara menyeluruh, mulai dari pendaftaran pasien hingga pembayaran akhir, mengurangi waktu dan biaya yang diperlukan untuk menjalankan alur kerja administratif. Peralihan ke alur kerja otomatis berpotensi menghemat biaya hingga lebih dari $20 miliar per tahun bagi industri kesehatan dengan mengurangi biaya transaksi manual.

Ketika tindak lanjut terlewatkan, pasienlah yang dirugikan. Otomatisasi dalam layanan kesehatan membantu memastikan kesinambungan pelayanan dan meningkatkan hasil kesehatan pasien.

Pemantauan pasien jarak jauh.Perangkat yang terhubung memantau tanda-tanda vital, kepatuhan terhadap pengobatan, dan tingkat aktivitas pasien Sistem otomatis memberi tahu tim layanan kesehatan ketika hasil pemantauan pasien berada di luar rentang yang aman, sehingga intervensi dapat dilakukan secara proaktif sebelum kondisi pasien memburuk. Pelayanan kesehatan prediktif semacam ini dapat mengurangi kunjungan ke unit gawat darurat dan mendukung rencana perawatan yang disesuaikan dengan kebutuhan masing-masing pasien.

Manajemen pengobatan. Sistem pengeluaran obat otomatis, alat pemantau interaksi obat, dan pengingat pengisian ulang obat membantu mengurangi kesalahan medis dan meningkatkan kepatuhan pasien terhadap pengobatan. Pasien memperoleh pelayanan yang konsisten dan tepat waktu tanpa bergantung pada proses manual.

Dukungan diagnostik.Kecerdasan buatan dapat menganalisis citra medis untuk mendeteksi kelainan dan membantu diagnosis penyakit secara lebih dini. Solusi otomatisasi di bidang kesehatan membantu para profesional medis mengidentifikasi pola-pola dalam citra medis, hasil patologi, dan data laboratorium yang mungkin terlewatkan akibat keterbatasan waktu.

Koordinasi tindak lanjut.Pemeriksaan otomatis setelah pasien keluar dari fasilitas kesehatan, pemantauan rencana perawatan, dan penjadwalan janji temu membantu memastikan pasien tidak terlewat dalam proses perawatan di antara kunjungan. Sistem otomatis ini meningkatkan kepuasan pasien dengan mengirimkan pengingat janji temu, pengobatan, dan pemeriksaan lanjutan, sehingga memastikan perawatan pasien dilakukan tepat waktu.

Pusat bedah mata yang disebutkan dalam pengantar (1.000 pasien per minggu, 18% pasien tidak hadir, empat staf yang melakukan 500 panggilan telepon) layak dibahas secara lebih mendalam. Hasilnya sudah jelas. Begini cara mereka mencapainya.

Tingkat ketidakhadiran di industri ini bervariasi tergantung spesialisasinya, tetapi umumnya berkisar antara 5% hingga 30%. Dengan angka 18%, pusat tersebut masih berada dalam kisaran yang umumnya dilaporkan, namun cukup tinggi untuk menimbulkan masalah serius dalam operasional dan akses layanan.

"Masih ada pasien yang tidak datang, jadi kita melakukan overbooking ... biasanya overbooking yang agak acak." "Ini menghabiskan uang, berarti kehilangan pendapatan, dan overbooking bisa menimbulkan kekacauan yang serius." - Don Woodlock, Presiden InterSystems

Membangun model. Klinik tersebut menggunakan data riwayat janji temu dan penjadwalan selama satu tahun (termasuk tanggal, waktu, lokasi, dokter, alasan kunjungan, dan apakah pasien datang atau tidak).

Data mentah pasien perlu diolah agar dapat dimanfaatkan. Tanggal diubah menjadi hari dalam seminggu dan bulan dalam setahun karena janji temu pada musim dingin lebih sulit dipenuhi. Waktu diubah menjadi kategori pagi atau siang. Dua fitur hasil rekayasa data terbukti sangat prediktif: jeda janji temu (seberapa jauh sebelumnya janji temu dipesan) dan jarak (seberapa jauh tempat tinggal pasien dari fasilitas kesehatan).

Integrasi ke dalam alur kerja.Setiap kali janji temu dijadwalkan, model memberikan probabilitas bahwa pasien tidak akan datang. Terdapat indikator visual pada layar penjadwalan: satu ikon untuk probabilitas 70–90%, dan ikon berwarna merah untuk probabilitas 90% ke atas. Setiap anggota staf dapat melihat risikonya.

Respons yang diberikan dibedakan berdasarkan tingkat risiko. Pasien dengan probabilitas di atas 70% menerima tiga panggilan konfirmasi. Jika mereka tidak mengonfirmasi, slot mereka dibuka kembali. Pasien dengan probabilitas di atas 90% mendapat panggilan dari supervisor yang berfokus pada pembicaraan mengenai hambatan yang mungkin mereka hadapi, seperti masalah transportasi, benturan jadwal, atau kendala lain yang dapat membuat mereka tidak dapat datang.

Hasilnya. Tingkat ketidakhadiran turun dari 18% menjadi 10%, atau turun sebesar 44%, dengan perubahan alur kerja lanjutan yang ditargetkan untuk mencapai 5%. Jumlah staf yang melakukan panggilan berkurang dari empat menjadi satu orang, sementara jumlah panggilan turun dari 500 menjadi 150 per minggu. Kapasitas yang tersedia kemudian digunakan untuk memenuhi permintaan pasien. Klinik memiliki daftar tunggu selama tiga bulan, sehingga ketika slot yang diprediksi akan kosong tersedia, staf menghubungi pasien dalam daftar tunggu satu minggu sebelumnya. "Halo, kami punya slot kosong." Pendapatan yang sebelumnya hilang berhasil dipulihkan. Pengalaman pasien meningkat.

Fitur yang paling prediktif dalam model tersebut ternyata bukanlah hal yang diperkirakan oleh kebanyakan tenaga kesehatan.

Jeda janji temu menempati urutan pertama. Pasien yang membuat janji temu jauh sebelum tanggal kunjungan kemungkinan besar tidak datang. Apakah nomor telepon pasien tercatat dalam berkas menempati urutan kedua. Jenis janji temu, lokasi, dan jarak juga memengaruhi.

Namun, ada hal lain yang mengubah cara kita melihat data tersebut. Prediktor yang paling mengungkap justru berasal dari kuesioner pasien mengenai faktor-faktor sosial penentu kesehatan:

• Akses terhadap transportasi
• Ancaman akan terluka
• Tingkat stres
• Jumlah anggota rumah tangga

"Faktor-faktor sosial merupakan faktor yang lebih besar dalam menentukan kesehatan dibandingkan biologi tubuh Anda sendiri, dan ternyata faktor tersebut juga sangat menentukan perilaku administratif." - Don Woodlock

Hal ini penting untuk otomatisasi layanan kesehatan secara lebih luas: pasien yang paling mungkin tidak datang bukan berarti mereka lupa. Mereka mungkin menghadapi kendala transportasi, ketidakstabilan tempat tinggal, atau masalah keselamatan. "Kirim lebih banyak pengingat otomatis" tidak menyelesaikan masalah ini. Masalahnya bukan pada kurangnya kesadaran; melainkan pada akses.

Inilah sebabnya pasien dengan tingkat risiko 90% atau lebih dalam model Don mendapatkan panggilan dari supervisor yang berfokus pada mengatasi hambatan, bukan sekadar mengonfirmasi kehadiran. Model tersebut tidak berhenti pada prediksi siapa yang kemungkinan tidak akan datang. Model tersebut mengidentifikasi siapa yang membutuhkan bantuan.

Setiap otomatisasi layanan kesehatan yang mengabaikan konteks sosial berarti mengoptimalkan variabel yang keliru Solusi otomatisasi layanan kesehatan yang paling efektif mengungkap realitas manusiawi yang terungkap melalui analitik data, sehingga meningkatkan hasil perawatan pasien, bukan sekadar mempercepat pemrosesan rekam medis pasien.

Apa yang terjadi di pusat bedah mata tersebut mengikuti pola empat langkah yang dapat diterapkan di berbagai situasi ketika organisasi layanan kesehatan menghabiskan waktu staf untuk tugas administratif yang kurang bernilai:

1. Prediksi — gunakan analitik prediktif dan data untuk mengidentifikasi di mana masalah akan terjadi sebelum benar-benar terjadi
2. Menetapkan Prioritas — fokuskan upaya manusia pada kasus dengan risiko tertinggi, bukan memberikan penanganan secara acak atau merata
3. Mengalokasikan Ulang — alihkan waktu staf dari tugas repetitif bernilai rendah ke pelayanan pasien dan pekerjaan yang membutuhkan penilaian dengan nilai lebih tinggi
4. Pulihkan — ubah kapasitas yang tersedia kini menjadi manfaat baru (pendapatan, akses pasien, produktivitas)

Strategi otomatisasi ini dapat diterapkan lebih luas, tidak hanya untuk mengurangi ketidakhadiran. Tim klaim dapat memprediksi risiko penolakan, meninjau klaim berisiko tinggi secara proaktif, beralih dari proses banding reaktif ke pemeriksaan preventif, serta memulihkan kerugian melalui proses penggantian biaya yang lebih cepat. Sistem kesehatan dapat memprediksi risiko rawat inap ulang dalam 30 hari, menetapkan prioritas tindak lanjut pascapulang bagi pasien yang rentan, mengalokasikan kembali waktu tenaga keperawatan, serta mengurangi kerugian melalui penurunan denda akibat rawat inap ulang. Tim rantai pasok dapat memprediksi permintaan, mendeteksi potensi kekurangan pasokan sejak dini, mengalihkan pengadaan dari pemesanan reaktif menjadi pembelian yang terencana, serta meningkatkan efisiensi melalui harga pengadaan yang lebih baik.

Pertanyaan yang paling sering diajukan tentang otomatisasi layanan kesehatan adalah, "tugas apa yang dapat kita otomatisasi?" Pertanyaan yang lebih tepat, dan yang dijawab oleh studi kasus Don, adalah, "Bagaimana kita dapat memastikan waktu yang dimiliki tenaga kerja kita digunakan sebaik mungkin?" Itulah langkah ketiga. Di situlah letak nilainya. Setiap strategi otomatisasi yang efektif dimulai dengan cara pandang ini.

Model "no-show" Don berhasil karena data tersebut memang sudah ada: riwayat janji temu selama satu tahun beserta hasilnya, yang mudah diakses dan terstruktur. Banyak proyek otomatisasi layanan kesehatan tersendat bahkan sebelum dimulai karena fondasi datanya belum memadai. Menerapkan otomatisasi tanpa data yang bersih ibarat mempekerjakan staf tanpa memberi mereka akses ke rekam medis pasien.

Data yang interoperabel.Otomatisasi dalam layanan kesehatan perlu dapat mengakses data pasien di berbagai sistem yang sudah ada, seperti EHR, platform penjadwalan, sistem penagihan, dan portal pasien. Standar interoperabilitas layanan kesehatan seperti FHIR dan HL7 menghubungkan berbagai sistem layanan kesehatan sehingga otomatisasi dapat berjalan lintas sistem. InterSystems HealthShare Health Connect menangani penerjemahan protokol dan perutean pesan di antara berbagai sistem klinis, mendukung standar HL7, FHIR, X12, DICOM, dan standar layanan kesehatan lainnya sebagai layanan yang dikelola di cloud, tanpa memerlukan integrasi point-to-point khusus.

Harmonisasi data.Data pasien tersimpan di berbagai sistem layanan kesehatan, dalam berbagai format, dan dengan siklus pembaruan yang berbeda-beda. Alih-alih memusatkan semua data ke dalam satu data warehouse (proyek bertahun-tahun yang tidak terjangkau bagi sebagian besar sistem layanan kesehatan), pendekatan Smart Data Fabric melakukan harmonisasi data di tempat data tersebut berada. Dengan demikian, penyedia layanan kesehatan dapat memperoleh gambaran pasien yang terpadu tanpa harus mengganti seluruh sistem yang ada atau memusatkan seluruh data secara menyeluruh. Inilah pendekatan yang telah dibangun InterSystems ke dalam platform IRIS.

Realitas implementasi.Tantangan dalam otomatisasi layanan kesehatan jarang berkaitan dengan teknologi. Hambatan nyata dalam menerapkan otomatisasi di industri kesehatan antara lain:

• Integrasi dengan sistem lama. Otomatisasi medis yang baru harus terintegrasi dengan sistem yang sudah ada, bukan menggantikannya.
• Penerimaan oleh staf.Kasus Don membutuhkan perubahan nyata dalam alur kerja. Tim yang sebelumnya terdiri dari empat orang untuk melakukan panggilan berkurang menjadi satu orang. Bagi organisasi, ini merupakan peningkatan efisiensi operasional. Namun, bagi individu yang terlibat, ini merupakan bagian dari proses manajemen perubahan. Para tenaga kesehatan memerlukan pelatihan dan dukungan selama masa transisi ini.
• Privasi dan kepatuhan. Setiap sistem yang mengelola data pasien harus dilengkapi dengan jejak audit dan kontrol akses yang sesuai dengan ketentuan HIPAA.
• Bias model.Model ML yang dilatih menggunakan data yang tidak representatif dapat melanggengkan ketimpangan, terutama ketika model tersebut menggunakan data terkait faktor-faktor sosial penentu kesehatan.
• Persaingan Anggaran.Organisasi layanan kesehatan dihadapkan pada berbagai prioritas yang harus dibiayai secara bersamaan. Investasi teknologi untuk otomatisasi membutuhkan bukti ROI yang jelas. Inilah yang dapat diberikan oleh studi kasus seperti milik Don.

Don menyebut modelnya "sederhana" dan "tidak terlalu sulit untuk diterapkan." Penilaian tersebut memang tepat. Hambatan otomatisasi di industri layanan kesehatan biasanya bukan teknologinya. Yang dibutuhkan adalah persiapan data, perancangan ulang alur kerja, serta kesiapan organisasi untuk mengubah cara tenaga kesehatan menggunakan waktu mereka.

"Model-model ini bisa sangat akurat dan dengan mudah menggantikan alur kerja yang kacau dan mahal yang saat ini diterapkan oleh sebagian besar sistem kesehatan." - Don Woodlock

Otomatisasi di bidang layanan kesehatan sedang beralih dari pendekatan reaktif ke pendekatan prediktif. Model "no-show" Don merupakan contoh awal dari pola yang kini semakin meluas di seluruh industri layanan kesehatan: melatih model berdasarkan hasil historis, memprediksi risiko, dan merancang ulang alur kerja berdasarkan prediksi tersebut. Pendekatan yang sama dapat diterapkan untuk memprediksi pasien yang berisiko menjalani perawatan kembali di rumah sakit, jatuh, mengurangi kesalahan medis, mengantisipasi gangguan rantai pasok, serta mengatasi kekurangan staf.

Bagi organisasi layanan kesehatan yang sedang menentukan dari mana harus memulai strategi otomatisasinya: temukan satu alur kerja yang kacau dan mahal. Pastikan data historisnya tersedia. ( Mempersiapkan data Anda agar siap digunakan oleh AI merupakan langkah awal yang praktis.) Bangun model sederhana. Fokus pada bagaimana hasil prediksi mengubah apa yang dilakukan staf Anda, bukan pada seberapa canggih model tersebut secara teknis. Ukur hasilnya. Kemudian ulangi.

Sistem kesehatan yang paling banyak memperoleh manfaat dari otomatisasi layanan kesehatan bukanlah sistem yang memiliki teknologi paling canggih. Melainkan sistem yang merancang ulang cara tenaga kesehatan menggunakan waktu mereka, menyederhanakan alur kerja klinis, dan mengutamakan perawatan pasien.