Setiap saat, mengelola rantai pasokan untuk memastikan bahwa laboratorium klinis memiliki akses mudah terhadap tes, reagen, dan bahan habis pakai yang dibutuhkan untuk memenuhi permintaan diagnostik dapat menjadi tantangan. Hal tersebut adalah tantangan yang dihadapi bersama oleh sistem layanan kesehatan, perusahaan manufaktur, distributor, dan bahkan lab individu.
Namun, dalam sebuah pandemi, tantangan itu berubah menjadi ketakutan yang menegangkan setiap saat. Ketika COVID-19 menyebar di seluruh dunia pada awal tahun 2020, produsen diagnostik yang mengembangkan dan mendistribusikan tes untuk SARS-CoV-2 menyadari bahwa permintaan meroket. Persediaan, tentu saja, tidak.
Di Kanada, sebuah aliansi unik antara produsen diagnostik terkemuka dan IVADO Labs, sebuah konsultan yang berspesialisasi dalam kecerdasan buatan (AI), membuka jalan untuk model prediktif yang dapat mengalokasikan tes, reagen, dan bahan habis pakai dengan cara yang lebih adil dan rasional. Meskipun pendekatan tersebut telah melalui uji ketahanan dalam kemungkinan kondisi terburuk, pendekatan ini juga dapat berguna untuk manajemen rantai pasokan bagi berbagai kebutuhan lab klinis selama waktu normal.
Saat pandemi menyebar di seluruh Amerika Utara pada awal tahun 2020, afiliasi produsen IVD di Kanada diberi alokasi tes SARS-CoV-2 dengan jumlah yang terbatas dan tetap setiap minggu untuk melayani negara itu. Namun, mengalokasikannya tidaklah mudah. Setiap tes membutuhkan hampir selusin bahan habis pakai dan reagen untuk dijalankan, dan bahan-bahan tersebut harus didistribusikan dalam proporsi yang tepat untuk memastikan bahwa semua tes ini dapat digunakan oleh lab klinis setiap minggu.
Mengoptimalkan kombinasi tes, bahan habis pakai, dan reagen bukan satu-satunya tujuan. Timnya tahu bahwa alokasi tes yang terbatas tidak akan cukup untuk memenuhi permintaan lokal, tetapi mereka ingin mengalokasikannya dengan cara yang tidak meninggalkan lab atau komunitas tertentu. Saat itulah mereka mengandalkan IVADO Labs.
Biasanya, para pakar AI di IVADO Labs membantu para organisasi memprakirakan rantai pasokannya dengan lebih akurat untuk mengoptimalkan pendapatan. Namun, hal tersebut tidak berlaku untuk proyek ini. “Ini bukan mengenai pendapatan,” kata Andrea Lodi, Co-Founder dan Scientific Director IVADO Labs. “Satu-satunya bagian penting adalah untuk dapat memberikan kepada masyarakat, dengan memastikan produk-produk tersebut sampai ke tempat yang tepat di waktu yang tepat dan pada akhirnya melayani pasien di lokasi tempat tes paling dibutuhkan.” Kebutuhan untuk mencapai hal ini di Kanada begitu mendesak sehingga Lodi dan rekan-rekannya sangat ingin membantu.
Akan tetapi, bahkan bagi para penggemar berat AI yang mengkhususkan diri dalam manajemen rantai pasokan, proyek ini bukan hal yang mudah. Tim IVADO Labs biasanya suka membangun model AI dari data penjualan yang bernilai dua tahun untuk menangkap musiman dan berbagai faktor lain yang memiliki dampak pada penawaran dan permintaan. Untuk tes SARS-CoV-2, mereka hanya memiliki data selama dua minggu, kenang Jack Klejka, Director of Product Management di IVADO Labs. Mereka memasukkan lebih banyak data dari waktu ke waktu seiring berjalannya proyek, dan diperhitungkan dalamprotokol tes untuk memahami reagen dan bahan habis pakai yang diperlukan.
“Ini bukan tentang mendapatkan sesuatu yang sempurna secara instan,” kata Klejka. “Kami terus memperluas keompleksitas seiring berjalannya proses.”
Tim IVADO Labs memilih dua titik referensi untuk membantu memandu pengambilan keputusan: (a) kapasitas penggunaan setiap lab, dan (b) prevalensi infeksi berdasarkan jumlah kasus positif per kapita di setiap provinsi. Model AI akan menggunakan basis ini bersama dengan banyak informasi lain untuk memprediksi kebutuhan tes dan mengalokasikan pasokan yang sesuai. Jika terjadi wabah di salah satu wilayah negara, model tersebut akan menyesuaikan, yaitu dengan meningkatkan jumlah tes di sana sekaligus mengurangi pasokan ke wilayah yang tidak terlalu membutuhkan.
Dalam tekanan COVID-19, IVADO Labs menghadirkan sebuah model dalam waktu yang sangat cepat, dan pendekatan baru mereka berhasil. Hanya delapan minggu setelah diterapkan, model AI tersebut meningkatkan akurasi lebih dari 80% dan menambah kapasitas tes, hingga 10%. Akurasi AI ini sangat mengesankan: prediksi biasanya bervariasi dari konsumsi aktual kurang dari 20 kit per minggu. Selain itu, konsumen di lab lebih bahagia karena ketidakstabilan alokasi dari minggu ke minggu berkurang sebesar 78%, yang meningkatkan stabilitas dan memudahkan mereka untuk merencanakan sumber dayanya.
Berdasarkan keberhasilan proyek ini, IVADO Labs sudah mendiskusikan cara memperluas model prediksi rantai pasokan yang didukung AI ke berbagai tes dan negara lainnya. “Ketika kami memulai proyek ini, menjadi jelas bahwa ada jauh lebih banyak potensi di luar COVID-19,” ungkap Klejka. “Setiap kali Anda menangkap data, ada peluang untuk mengoptimalkan sesuatu.”
Lodi dan Klejka ingin mengapresiasi anggota tim lain di IVADO Labs yang membuat proyek ini terlaksana, termasuk Helene Desmarais, Arnold Liwanag, Guy Desaulniers, Guillaume Rabusseau, Parnaz Tabrizian, Florian Soudan, Nabila Remli, Shima Nikfal dan Benoit Bourbeau.
