New-Tech Magazine | Sep 2020 | Digital Edition

MEDICAL מוסף מיוחד

אנשים קודמים, או מטופלים במקרה שלנו, כבר ידוע, במיוחד בזירת מנועי ה"המלצות" ). הוא מבוסס על 'הצלחה' Recommendations ( ו'כישלון', אך כרגע משתמשים בו בתחום שונה לגמרי - מכירות. דוגמה לאחד השימושים הבולטים היא נטפליקס. המערכת תמליץ על סרט בהתבסס על היסטוריית לקוחות אחרים או צפיות קודמות. מדוע לא ליישם אותה שיטה? וכיצד ניתן ליישם ) ולמעורבות Adherence את השיטה להיענות ( ) בעולם הרפואה? Engagement ( האתגר – מתחילים מאפס נתקלנו באתגר שהוא Well - Beat בחברת ספציפי לתחום הרפואי ולא מוכר בתחום המכירות. התחלה ללא נתונים קודמים בנושא העדפות. פירוש הדבר שאין נתונים על 'הצלחה' או 'כישלון' של מסרים שאפשר להתבסס עליהן. מה עושים? cold הבעיה מכונה בספרות המסורתית " " או אתחול מנוע המלצה. ברגע שהוא start יוצא לדרך, המנוע מתחיל לעבוד ומציע אפשרויות רלוונטיות, תוך שימוש בפרופילים דומים. כצוות, היינו צריכים לייצר נתונים והמלצה מדויקת, ללא נתונים, ללא בדיקות . A / B אם נחזור לדוגמא של נטפליקס - כשאנחנו פותחים חשבון חדש ומחפשים סרטונים מומלצים מבלי שנטפליקס תדע דבר על העדפותינו או הפרופילים שלנו, קבלת המלצה פחות מדויקת או יותר כללית אינה מזיקה. אכזבה קלה ממבחר הסרטים כנראה לא תמנע מאיתנו להיות לקוחות של נטפליקס. עם זאת, המידע הזה ישמש לאיסוף נתונים שילמדו את מנוע ההמלצה על ידי קביעת הפרטים בפרופיל הצפייה שלנו. בתחום הבריאות התחלה מאפס היא נושא רגיש. אם לא נשתמש במסר נכון עלולה להיות השפעה שלילית על ההתנהגות. למעשה, זה עשוי לעשות את ההפך ממה שאנחנו רוצים ולגרום לפגיעה ברצף הטיפול. אם אתה גורם חלילה להפסקת הטיפול, במיוחד בשלבים הראשוניים, זה הופך להיות מסוכן. לכן עלינו להיות הרבה יותר זהירים. רעיון חדשני – שילוב עולם הפסיכולוגיה ." cold start בדקנו כיצד נוכל לפתור את אתגר " בהנחה שיש לנו פרופיל מטופל ראשוני, איך נדע איזה מסר עובד? מה הגישה הנכונה, הטונציה והעיתוי המתאימים? ועל איזה משתמש? הרעיון היה שימוש בהכללות בתהליך ועבודה

Well Beat App תמונה:

«

על בסיס רבדים. אנו יכולים להסתכל על קבוצות מטופלים ולקבוע מספר מאפיינים נפוצים אשר משפיעים על ההתנהגות. השלב הבא היה לבקש ממומחי התנהגות, כמו פסיכולוגים, להסביר את מאפייני המטופל. ואולם, כיוון שבהתנהגות אנושית לא ניתן מוביל תמיד A למצוא נוסחאות פשוטות בהם , נדרש היה למצוא שילובים אשר מייצרים B ל- התנהגות מובחנת מהופעת כל מאפיין בנפרד. על זאת הוספנו נדבכים פסיכולוגים נוספים המשפיעים על ההתנהגות כגון רמת הבשלות לשינוי ואחרים. כלומר, נדרש חיבור של עולם הפסיכולוגיה עם עולם המתמטיקה בכדי לבנות פרופיל מוטיבציוני עובד. גישת הכנסת מומחים איפשרה לנו להסתמך על ניסיון מקצועי בשילוב אלגוריתמים. מכונות יכולות סוף סוף לרתום את מה שהמומחים יודעים ולהרחיב אותו בעזרת ההסקה מבוססת הסטטיסטיקה שלהם.

איך זה עובד על מנת להניע כל לקוח באופן המתאים לו , One Size Fits All ולהימנע מפתרונות בסגנון היה צורך לשים דגש על זיהוי מעמיק של פרופיל הלקוח ולהגדיר התאמה פרסונלית עמוקה. לשם כך היה צורך ללמוד ולהבין את הרגישויות והצרכים (ובכלל זה צרכים לא מודעים) של המטופל, לבצע בירור חסמים באופן עקיף, וכן ללמוד איזה התערבויות אפקטיביות בכל סיטואציה. לאחר מכן לעשות שימוש במנגנוני למידת מכונה אשר כוללים ניהול וניטור הצלחה רציפים. התוצאה - יצירת מגוון התערבויות אנושיות ודיגיטליות, המונגשות במגוון דרכים ובאופן מותאם אישית לכל מטופל. בדרך זו ניתן להניע את המטופלים השונים לפעולה באופן רציף ולאורך זמן בדרך המאפשרת לארגון הבריאות גמישות מירבית בזמן אמת. התנהגות אנושית אינה אחידה ויש עליות ומורדות אשר הינן מובנות בתהליך. לכן

תקשורת מותאמת אישית תמונה:

«

53 l New-Tech Magazine