Akilesh Bapu, grundlægger og administrerende direktør for DeepScribe – Interviewserie

Akilesh Bapu er grundlægger og administrerende direktør for DeepScribe, som bruger naturlig sprogbehandling (NLP) og avanceret dyb læring til at generere nøjagtige, kompatible og sikre noter om læge-patient-samtaler.

Hvad var det, der introducerede og tiltrak dig til AI og naturlig sprogbehandling?

Hvis jeg husker korrekt, var Jarvis fra “Iron Man” det første, der virkelig tiltrak mig til verden af naturlig sprogbehandling og AI. Især fandt jeg det fascinerende, hvor meget hurtigere en menneske var i stand til ikke kun at gå igennem opgaver, men også at gå i dybden af bestemte opgaver og afsløre visse oplysninger, som de ikke ville have vidst, hvis det ikke var for denne AI.

Det var dette begreb om “AI i sig selv vil ikke være så god som mennesker i de fleste opgaver, men læg en menneske og AI sammen, og den kombination vil dominere.” Naturlig sprogbehandling er den mest effektive måde at få denne menneske-AI-kombination til at ske.

Herefter var jeg besat af Siri, Google (GOOGL ) Now, Alexa og de andre. Selv om de ikke fungerede så gnidret som Jarvis, ønskede jeg inderligt at gøre dem til at fungere som Jarvis gjorde. Især blev det tydeligt, at kommandoer som “Alexa gør dette” eller “Alexa gør det” var ret lette og nøjagtige at udføre med den aktuelle teknologi. Men når det kom til noget som Jarvis, hvor det kunne lære og forstå, filtrere og vælge vigtige emner under en anden samtale – det var ikke blevet gjort før. Dette har direkte relation til en af mine kerne motiverationer for at grundlægge DeepScribe. Mens vi løser problemet med dokumentation for læger, forsøger vi at skabe en helt ny bølge af intelligens samtidig: ambient intelligens. AI, der kan grave igennem dine daglige udsagn, finde nyttige oplysninger og bruge disse oplysninger til at hjælpe dig.

Du har tidligere lavet nogen forskning ved brug af dyb læring og NLP på UC Berkeley College of Engineering. Hvad var din forskning om?

Tilbage på Berkeley AI Research Lab arbejdede jeg på et projekt om en genontologi annotator, hvor vi sammenfattede PubMed-artikler med bestemte outputparametre.

Det overordnede overblik: Tag en opgave som sammenfattelse af nyhedsartikler fra CNN. I denne opgave tager du nyhedsartikler og sammenfatter dem i nogle få sætninger. Til din fordel har du data og mulighed for at træne disse modeller på over en million artikler. Men problemrummet er enormt, da du har begrænset struktur på sammenfattelserne, og der er næsten ingen struktur på artiklerne selv. Selv om der har været nogen forbedringer siden jeg arbejdede på dette projekt for 2,5 år siden, er dette stadig et uløst problem.

I vores forskningsprojekt udviklede vi strukturerede sammenfattelser af artikler. En struktureret sammenfatning er ligesom en typisk sammenfatning, bortset fra at vi kender den præcise struktur af output-sammenfattelsen. Dette er nyttigt, da det dramatisk reducerer outputmulighederne for vores maskinlæringsmodel – udfordringen var, at der ikke var nok annoteret træningsdata til at køre en data-sulten dyb læring model og få brugbare resultater.

Kernen af det arbejde, jeg gjorde på dette projekt, var at udnytte den viden, vi havde om inputdata, og udvikle en ensemble af overfladisk maskinlæringsmodeller til at støtte det – en teknik, vi opfandt kaldet 2-trins annotator. 2-trins annotator benchmarked på næsten 20 gange den nøjagtighed som den tidligere bedste (54 procent vs 3,6 procent).

mens dette projekt og DeepScribe måske lyder helt forskellige, var de meget ligende i, hvordan de brugte 2-trins annotationsmetoden til at væsentligt forbedre resultaterne på et begrænset dataset.

Hvad var inspirationen bag lanceringen af DeepScribe?

Det startede alt med min far, som var en medicinsk onkolog. Før elektroniske sundhedsjournaler blev populære i sundhedssektoren, skrev læger ting ned på papir og brugte meget lidt tid på noter. Men da EHR’er begyndte at blive populære som en del af HITECH-loven fra 2009, begyndte jeg at bemærke, at min far tilbragte mere og mere tid ved computeren. Han ville komme hjem senere. Om weekendene ville han sidde på sofaen og diktere noter. Simple ting som at hente mig fra skole eller basketballtræning blev en sjældenhed, da han ville bruge det meste af sin aftenstid på at fange op med dokumentation.

Som en nerdet dreng, der voksede op, ville jeg finde løsninger til ham ved at søge på nettet og få ham til at prøve dem af. Desværre fungerede intet godt nok til at spare ham for de lange timer med dokumentation.

I sommeren 2017, da jeg var forsker på Berkeley AI Research Lab og arbejdede på projekter om dokument-sammenfatning, bemærkede jeg, at min far stadig brugte enorme mængder tid på dokumentation. Jeg spurgte: “Hvad er nyt i verden af dokumentation? Alexa er overalt, Google Assistant er så god nu. Fortæl mig, hvad der er nyt i den medicinske sektor?” Og hans svar var: “Ingenting har ændret sig.” Jeg troede, det kun var ham, men da jeg gik og spurgte flere af hans kolleger, var det samme problem: Ikke hvad der var nyt i cancerbehandling eller de nye problemer, deres patienter havde – det var dokumentation. “Hvordan kan jeg slippe af med dokumentation? Hvordan kan jeg spare tid på dokumentation? Det tager så meget af min tid.”

Jeg bemærkede også flere virksomheder, der var dukket op for at løse dokumentationsproblemet. Men enten var de for dyre (tusinder af dollars om måneden) eller de var for minimalistiske i forhold til teknologi. Lægerne havde på det tidspunkt få valgmuligheder. Det var da muligheden åbnede sig, hvis vi kunne skabe en kunstig intelligent medicinsk skriver, en teknologi, der kunne følge lægernes patientbesøg og sammenfatte dem, og tilbyde det til en pris, der kunne gøre det tilgængeligt for alle, kunne det virkelig bringe glæden tilbage til medicinen.

Du var kun 22 år gammel, da du lancerede DeepScribe. Kan du beskrive din rejse som iværksætter?

Min første introduktion til iværksætteri var tilbage i high school. Det startede, da en ven og jeg, der tilfældigvis kendte nogen grundlæggende JavaScript, mødtes med direktøren for et center for børn med læsevanskeligheder. De fortalte os, hvordan de enkleste værktøjer kunne gå langt med dysleksiske børn. Vi endte med at lave en dysleksi-læser-udvidelse til Chrome. Det var ret minimalistisk – det justerede bare skrifttypen til at møde de videnskabelige retningslinjer for letlæselighed for dysleksiske mennesker. Selv om konceptet var enkelt, fik vi over 5000 aktive brugere på få måneder. Jeg var chokeret over, hvor stor en indvirkning sådan en simpel teknologi kunne have på mennesker.

På Berkeley fortsatte jeg med at dykke ned i verden af iværksætteri så meget som muligt, primært gennem deres bredt udvalg af kurser. Mine favoritter var:

1. Newton-forelæsningsserien – mennesker som Jessica Mah fra InDinero eller Diane Greene fra VMWare, der var Cal-alumner, gav meget relaterede taler om deres tid på Berkeley og hvordan de startede deres egne virksomheder
2. Udfordringslab – jeg mødte faktisk min medstifter Matt Ko gennem denne klasse. Vi blev placeret i grupper og gennemgik en semester-lang rejse med at skabe et produkt og blive vejledt i, hvad der kræves i de tidlige faser for at få en idé i gang.
3. Lean Launchpad – langt mit yndlingskurset af de tre; dette var en hård og streng proces, hvor vi blev vejledt af Steve Blank (en berømt milliardær og manden bag lean startup-bevægelsen) til at tage en idé, validerer det gennem 100 kundeinterview, bygge en finansiel model og mere. Dette var en slags klasse, hvor vi præsenterede vores “startup” kun for at blive stoppet på slide 1 eller 2 og fik en omgang spørgsmål. Hvis det ikke var nok, skulle vi også interviewe 10 kunder om ugen. Vores idé på det tidspunkt var at skabe en patentsøgning, der ville give lignende resultater som en dyr prior art-søgning, hvilket betød, at vi præsenterede for 10 virksomheds-kunder om ugen. Det var fantastisk, fordi det lærte os at tænke hurtigt og være ekstra ressourcefulde.

DeepScribe startede, da en investorgruppe kaldet The House Fund skrev checks til studerende, der ville afslå deres sommerpraktik og bruge deres sommer på at bygge deres virksomhed. Vi havde lige lukket Delphi (patentsøgningsmotoren) og Matt og jeg havde konstant talt om medicinsk dokumentation, og alt faldt på plads, da det var det perfekte tidspunkt at give det en chance.

Med DeepScribe var vi heldige at have lige kommet ud af Lean Launchpad, da en af de vigtigste faktorer i at bygge et produkt til læger var at iterere og forfine produktet omkring kunde feedback. Et historisk problem i sundhedssektoren havde været, at software sjældent havde læger i design-løkken, hvilket resulterede i software, der ikke var optimeret til slutbrugeren.

Da DeepScribe skete samtidig med mit sidste år på Berkeley, var det en tung balanceakt. Jeg ville møde op til timerne i jakkesæt, så jeg kunne være på tid til en kunde-demo lige efter. Jeg ville bruge alle EE-faciliteterne og professorerne ikke til noget, der havde med timerne at gøre, men 100 procent til DeepScribe. Mine møder med min forskningsmentor blev endda til DeepScribe-brainstormingsessioner.

Set tilbage på min rejse, hvis jeg skulle ændre noget, ville det have været at sætte college på vent, så jeg kunne bruge 150 procent af min tid på DeepScribe.

Kan du beskrive for en medicinsk professionel, hvad fordelene er ved at bruge DeepScribe sammenlignet med den mere traditionelle metode med stemme diktering eller endda at tage noter?

At bruge DeepScribe er tænkt til at være meget lig at bruge en rigtig menneskelig skriver. Mens du taler naturligt til din patient, vil DeepScribe lytte og opfange de medicinsk relevante udsagn, der normalt kommer i dine noter, og indsætte dem der, ved at bruge det samme medicinske sprog, som du selv bruger. Vi kan lide at tænke på det som et nyt AI-drevet medlem af dit medicinske personale, som du kan træne, som du ville gøre med en menneskelig skriver, for at hjælpe med dokumentation i dit elektroniske sundhedsjournal system, som du vil have det.

Det er meget forskelligt fra at bruge en stemme dikteringstjeneste, da det eliminerer hele trinnet med at skulle gå tilbage og dokumentere. Mens typiske dikteringstjenester kan reducere 10 minutters dokumentation til 7-8 minutter, kan DeepScribe reducere det til få sekunder. Vores læger rapporterer, at de sparer mellem 1,5 og 3 timer om dagen, afhængigt af, hvor mange patienter de ser.

DeepScribe er enheds-agnostisk, operativt fra en iPhone, Apple Watch, browser (til telemedicin) eller hardware-enhed.

Hvad er nogle af de talegenkendelses- eller NLP-udfordringer, som DeepScribe kan møde på grund af komplekse medicinske termer?

I modsætning til den almindelige opfattelse er komplekse medicinske termer faktisk det letteste for DeepScribe at opfange. Det sværeste for DeepScribe er at opfange unikke kontekstuelle udsagn, en patient kan give en læge. Jo mere de afviger fra en typisk samtale, jo mere ser vi AI’en vakle. Men efterhånden, som vi samler mere samtaledata, ser vi det forbedre sig dramatisk hver dag.

Hvad er de andre maskinlærings-teknologier, der bruges med DeepScribe?

De store paraplyer af talegenkendelse og NLP dækker det meste af den maskinlærning, vi laver på DeepScribe.

Kan du nævne nogle af de hospitaler, non-profit organisationer eller akademiske institutioner, der bruger DeepScribe?

DeepScribe startede ud gennem et pilotprogram med UC Berkeley Health Center. Hartford Healthcare, Texas Medical Center og Cedar Valley Medical Specialists er en håndfuld af de større systemer, DeepScribe arbejder med.

Men den større procentdel af DeepScribe-brugere er 50 private praksisser fra Alaska til Florida. Vores mest populære specialer er primær sundhedspleje, ortopædi, gastroenterologi, kardiologi, psykiatri og onkologi, men vi støtter også en håndfuld andre specialer.

DeepScribe har nyligt lanceret et program til at hjælpe med COVID-19. Kan du vejlede os gennem dette program?

COVID-19 har ramt vores læger hårdt. Praksisser ser kun 30-40 procent af deres patientbelastning, skriverstaben bliver reduceret, og udbydere bliver tvunget til at skifte hurtigt alle deres patienter over til telemedicin. Alt dette resulterer i mere kontorarbejde for udbydere – vi på DeepScribe mener bestemt, at for at denne pandemi skal stoppe, skal lægerne kunne bruge 100 procent af deres opmærksomhed og tid på at tage sig af deres patienter.

For at hjælpe denne sag er vi stolte af at lancere en gratis telemedicin-løsning til sundhedsprofessionelle, der kæmper mod denne pandemi. Vores telemedicin-løsning er fuldt integreret med vores AI-drevne medicinske skriverløsning, hvilket eliminerer behovet for klinisk dokumentation for møder, der foregår på vores platform.

Vi tilbyder også vores skriver-service gratis under pandemien. Dette betyder, at enhver læge kan få adgang til en skriver gratis for at håndtere deres dokumentation. Vores håb er, at ved at gøre dette, kan lægerne koncentrere mere af deres opmærksomhed på deres patienter og bruge mindre tid på at tænke over dokumentation, hvilket kan føre til en hurtigere stopning af COVID-19-udbruddet.

Tak for det store interview, jeg nød virkelig at lære om DeepScribe og din iværksætterrejse. Enhver, der ønsker at lære mere, bør besøge DeepScribe.