Akilesh Bapu, Gründer und CEO von DeepScribe – Interview-Serie

Akilesh Bapu ist der Gründer und CEO von DeepScribe, das natürliche Sprachverarbeitung (NLP) und fortschrittliches Deep Learning nutzt, um genaue, konforme und sichere Notizen von Arzt-Patienten-Gesprächen zu erstellen.

Was hat Sie ursprünglich an die Welt der künstlichen Intelligenz und der natürlichen Sprachverarbeitung herangeführt?

Wenn ich mich richtig erinnere, war es Jarvis aus “Iron Man”, der mich erstmalig an die Welt der natürlichen Sprachverarbeitung und der künstlichen Intelligenz herangeführt hat. Insbesondere fand ich es faszinierend, wie viel schneller ein Mensch mit Hilfe von Jarvis nicht nur Aufgaben erledigen, sondern auch eine unglaubliche Tiefe in bestimmte Aufgaben eintauchen und Informationen aufdecken konnte, die er ohne Jarvis nicht gekannt hätte.

Es war dieses Konzept von “künstlicher Intelligenz, die allein nicht so gut wie Menschen bei den meisten Aufgaben ist, aber wenn man einen Menschen und eine künstliche Intelligenz kombiniert, wird diese Kombination dominieren”. Die natürliche Sprachverarbeitung ist der effizienteste Weg, um diese Kombination von Mensch und künstlicher Intelligenz zu ermöglichen.

Seitdem war ich von Siri, Google (GOOGL ) Now, Alexa und anderen besessen. Obwohl sie nicht so reibungslos funktionierten wie Jarvis, wollte ich unbedingt, dass sie so funktionierten wie Jarvis. Insbesondere wurde mir klar, dass Befehle wie “Alexa, mach das” oder “Alexa, mach jenes” relativ einfach und genau mit der aktuellen Technologie auszuführen waren. Aber wenn es um etwas wie Jarvis ging, das tatsächlich lernen und verstehen, filtern und wichtige Themen während eines Gesprächs aufgreifen konnte, war das noch nicht gemacht worden. Dies hängt direkt mit einer meiner Kernmotivationen bei der Gründung von DeepScribe zusammen. Während wir das Problem der Dokumentation für Ärzte lösen, versuchen wir gleichzeitig eine neue Welle der Intelligenz zu schaffen: die umgebungsbezogene Intelligenz. Eine künstliche Intelligenz, die durch Ihre alltäglichen Äußerungen hindurchgehen, nützliche Informationen finden und diese Informationen nutzen kann, um Ihnen zu helfen.

Sie haben früher an der UC Berkeley College of Engineering Forschung mit Deep Learning und NLP durchgeführt. Was war das Thema Ihrer Forschung?

Zurück im Berkeley AI Research Lab arbeitete ich an einem Projekt zum Annotieren von Genontologien, bei dem wir PubMed-Artikel mit bestimmten Ausgabeparametern zusammenfassten.

Die hochrangige Übersicht: Nehmen Sie eine Aufgabe wie die Zusammenfassung von CNN-Nachrichtenartikeln. Bei dieser Aufgabe nehmen Sie Nachrichtenartikel und fassen sie in etwa ein paar Sätze zusammen. Zu Ihren Gunsten haben Sie Daten und die Fähigkeit, diese Modelle auf über eine Million Artikel zu trainieren. Das Problem ist jedoch, dass der Ausgabebereich enorm ist, da es nur begrenzte Struktur für die Zusammenfassungen gibt. Außerdem gibt es kaum Struktur in den Artikeln selbst. Obwohl es seitdem, als ich an diesem Projekt arbeitete, einige Verbesserungen gegeben hat, ist dies immer noch ein ungelöstes Problem.

Bei unserem Forschungsprojekt entwickelten wir strukturierte Zusammenfassungen von Artikeln. Eine strukturierte Zusammenfassung ist in diesem Fall ähnlich wie eine typische Zusammenfassung, außer dass wir die genaue Struktur der Ausgabezusammenfassung kennen. Dies ist hilfreich, da es die Ausgabemöglichkeiten für unser Machine-Learning-Modell dramatisch reduziert – die Herausforderung bestand darin, dass es nicht genug annotierte Trainingsdaten gab, um ein datenintensives Deep-Learning-Modell auszuführen und brauchbare Ergebnisse zu erzielen.

Der Kern der Arbeit, die ich an diesem Projekt geleistet habe, bestand darin, das Wissen, das wir über die Eingabedaten haben, zu nutzen und eine Kombination aus flachen ML-Modellen zu entwickeln, um es zu unterstützen – eine Technik, die wir den 2-Schritt-Annotator nannten. Der 2-Schritt-Annotator erreichte fast 20-mal die Genauigkeit des bisher besten (54 Prozent vs. 3,6 Prozent).

Während dies neben DeepScribe möglicherweise ganz anders klingt, waren sie in der Art und Weise, wie sie die 2-Schritt-Annotierungsmethode nutzten, um die Ergebnisse auf einem begrenzten Datensatz enorm zu verbessern, sehr ähnlich.

Was war die Inspiration hinter der Gründung von DeepScribe?

Alles begann mit meinem Vater, der Mediziner war. Bevor elektronische Gesundheitsakten-Systeme in der Gesundheitsversorgung populär wurden, notierten Ärzte Dinge auf Papier und verbrachten sehr wenig Zeit mit Notizen. Als jedoch EHR-Systeme als Teil des HITECH-Gesetzes von 2009 populär wurden, begann ich zu bemerken, dass mein Vater immer mehr Zeit am Computer verbrachte. Er kam später nach Hause. Am Wochenende saß er auf der Couch und diktierte Notizen. Einfache Dinge wie das Abholen von mir von der Schule oder dem Basketball-Training wurden zu einer Sache der Vergangenheit, da er die meiste Zeit seiner Abende damit verbrachte, die Dokumentation aufzuholen.

Als nerdiger Junge, der aufwuchs, versuchte ich, Lösungen für ihn zu finden, indem ich im Internet suchte und ihn aufforderte, sie auszuprobieren. Leider funktionierte nichts gut genug, um ihn von den langen Stunden der Dokumentation zu befreien.

Einige Jahre später, im Sommer 2017, war ich ein Forscher, der am Berkeley AI Research Lab arbeitete und an Projekten zur Dokumentenzusammenfassung arbeitete. Eines Sommers, als ich zu Hause war, bemerkte ich, dass mein Vater immer noch viel Zeit mit der Dokumentation verbrachte. Ich fragte: “Was ist neu in der Welt der Dokumentation? Alexa ist überall, Google Assistant ist so gut jetzt. Sag mir, was ist das Neueste in der medizinischen Branche?” Und seine Antwort war: “Nichts hat sich geändert.” Ich dachte, es wäre nur er, aber als ich einige seiner Kollegen befragte, war es das gleiche Problem: nicht, was das Neueste in der Krebsbehandlung oder die neuen Probleme ihrer Patienten waren – es war die Dokumentation. “Wie kann ich die Dokumentation loswerden? Wie kann ich Zeit bei der Dokumentation sparen? Es nimmt so viel meiner Zeit in Anspruch.”

Ich bemerkte auch, dass mehrere Unternehmen entstanden waren, um das Dokumentationsproblem zu lösen. Allerdings waren sie entweder zu teuer (tausende Dollar pro Monat) oder zu minimalistisch in Bezug auf die Technologie. Die Ärzte hatten zu dieser Zeit nur wenige Optionen. Das war der Moment, in dem die Gelegenheit entstand, ein künstlich intelligentes medizinisches Schreibsystem zu schaffen, eine Technologie, die Ärzte bei Patientenbesuchen begleiten und zusammenfassen und sie zu einem Preis anbieten konnte, der für jeden zugänglich war, und dies konnte wirklich die Freude der Pflege in die Medizin zurückbringen.

Sie waren erst 22 Jahre alt, als Sie DeepScribe gründeten. Können Sie Ihre Reise als Unternehmer beschreiben?

Meine erste Begegnung mit dem Unternehmertum war in der High School. Es begann, als ein Freund und ich, die einige Grundkenntnisse in JavaScript hatten, uns mit dem Direktor eines Zentrums für Kinder mit Lernschwierigkeiten trafen. Sie erzählten uns, wie sogar die einfachsten Werkzeuge einen großen Unterschied bei dyslexischen Kindern machen könnten. Wir haben ein dyslexiefreundliches Lesen-Add-on für Chrome entwickelt. Es war wirklich einfach – es passte einfach die Schrift an, um den wissenschaftlichen Richtlinien für die Lesbarkeit durch dyslexische Menschen zu entsprechen. Obwohl das Konzept einfach war, bekamen wir innerhalb weniger Monate über 5000 aktive Benutzer. Ich war erstaunt, wie sehr grundlegende Technologie einen tiefgreifenden Einfluss auf Menschen haben kann.

An der Universität von Berkeley setzte ich mein Engagement für das Unternehmertum fort, vor allem durch ihre breite Palette an Kursen. Meine Favoriten waren:

1. Die Newton-Vorlesungsreihe – Menschen wie Jessica Mah von InDinero oder Diane Greene von VMWare, die Cal-Absolventen waren, hielten sehr ansprechende Vorträge über ihre Zeit in Berkeley und wie sie ihre eigenen Unternehmen gegründet hatten
2. Challenge Lab – Ich traf meinen Mitgründer Matt Ko durch diesen Kurs. Wir wurden in Gruppen eingeteilt und gingen durch eine semesterlange Reise, um ein Produkt zu erstellen und von Mentoren zu lernen, was es in den frühen Phasen braucht, um eine Idee in die Tat umzusetzen.
3. Lean Launchpad – Mit Abstand mein Favorit unter den drei; dies war ein anspruchsvoller und strenger Prozess, bei dem wir von Steve Blank (ein anerkannter Milliardär und der Mann hinter der Lean-Startup-Bewegung) geführt wurden, um eine Idee zu überprüfen, ein Finanzmodell zu erstellen und mehr. Dies war der Typ Kurs, bei dem wir unser “Startup” nur präsentierten, um auf Folie 1 oder 2 gestoppt und verhört zu werden. Wenn das nicht schon schwer genug war, wurden wir auch erwartet, 10 Kunden pro Woche zu interviewen. Unsere Idee zu dieser Zeit war es, eine Patent-Suche zu erstellen, die ähnliche Ergebnisse wie eine teure Vorart-Suche liefern würde, was bedeutete, dass wir 10 Unternehmenskunden pro Woche präsentierten. Es war großartig, weil es uns lehrte, schnell zu denken und sehr ressourcenschonend zu sein.

DeepScribe begann, als eine Investorengruppe namens The House Fund Schecks für Studenten schrieb, die ihre Sommerpraktika ablehnten und ihren Sommer damit verbrachten, ihr Unternehmen aufzubauen. Wir hatten gerade Delphi (die Patent-Suchmaschine) abgeschlossen und Matt und ich hatten ständig über die medizinische Dokumentation gesprochen. Alles fiel an diesem perfekten Zeitpunkt zusammen, um es zu versuchen.

Bei DeepScribe hatten wir das Glück, direkt aus dem Lean Launchpad zu kommen, da einer der wichtigsten Faktoren beim Aufbau eines Produkts für Ärzte darin bestand, es zu iterieren und zu verfeinern, um Kundenfeedback zu berücksichtigen. Ein historisches Problem der Medizinbranche war, dass Software selten Ärzte in die Design-Schleife einbezog, was zu Software führte, die nicht für den Endbenutzer optimiert war.

Da DeepScribe zur gleichen Zeit wie mein letztes Jahr an der Universität von Berkeley stattfand, war es ein schwieriger Balanceakt. Ich erschien in einem Anzug im Unterricht, damit ich pünktlich zu einer Kundendemo danach sein konnte. Ich nutzte alle EE-Einrichtungen und Professoren nicht für etwas, das mit dem Kurs zu tun hatte, sondern 100 Prozent für DeepScribe. Meine Treffen mit meinem Forschungsmentor verwandelten sich sogar in DeepScribe-Brainstorming-Sitzungen.

Zurückblickend wäre das Einzige, was ich an meiner Reise ändern würde, dass ich das College unterbrochen hätte, um 150 Prozent meiner Zeit auf DeepScribe zu konzentrieren.

Können Sie für einen medizinischen Fachmann die Vorteile von DeepScribe im Vergleich zu traditionelleren Methoden wie der Sprachdikation oder sogar der Notizen erklären?

Die Verwendung von DeepScribe soll sehr ähnlich sein wie die Verwendung eines menschlichen Schreibers. Während Sie natürlich mit Ihrem Patienten sprechen, hört DeepScribe zu und nimmt die medizinisch relevanten Aussagen auf, die normalerweise in Ihre Notizen kommen, und setzt sie dort hinein, wobei es die gleiche medizinische Sprache verwendet, die Sie selbst verwenden. Wir denken gerne daran, es als ein neues künstlich intelligentes Mitglied Ihres medizinischen Teams, das Sie wie ein menschliches Teammitglied trainieren können, um bei der Dokumentation in Ihrem elektronischen Gesundheitsakten-System zu helfen, wie Sie es möchten. Es ist sehr unterschiedlich von der Verwendung eines Sprachdiktionsservice, da es den gesamten Schritt der Dokumentation eliminiert. Während typische Diktatdienste 10 Minuten Dokumentation in 7-8 Minuten umwandeln, wandelt DeepScribe es in ein paar Sekunden um. Unsere Ärzte berichten von 1,5 bis 3 Stunden Zeitersparnis pro Tag, je nachdem, wie viele Patienten sie sehen.

DeepScribe ist geräteunabhängig, kann von einem iPhone, Apple Watch, Browser (für Telemedizin) oder Hardware-Gerät aus bedient werden.

Welche Herausforderungen bei der Spracherkennung oder der NLP kann DeepScribe aufgrund der komplexen medizinischen Terminologie erleben?

Im Gegensatz zur allgemeinen Meinung ist die komplexe medizinische Terminologie tatsächlich der einfachste Teil für DeepScribe. Der schwierigste Teil für DeepScribe ist es, einzigartige kontextbezogene Aussagen aufzunehmen, die ein Patient einem Arzt machen kann. Je mehr sie sich von einem typischen Gespräch entfernen, desto mehr sehen wir, dass die künstliche Intelligenz strauchelt. Aber wenn wir mehr konversationelle Daten sammeln, sehen wir, dass es sich jeden Tag dramatisch verbessert.

Welche anderen maschinellen Lernalgorithmen werden mit DeepScribe verwendet?

Die großen Bereiche der Spracherkennung und der NLP umfassen den größten Teil des maschinellen Lernens, den wir bei DeepScribe durchführen.

Können Sie einige der Krankenhäuser, Non-Profit-Organisationen oder akademischen Einrichtungen nennen, die DeepScribe verwenden?

DeepScribe begann mit einem Pilotprogramm im UC Berkeley Health Center. Hartford Healthcare, Texas Medical Center und Cedar Valley Medical Specialists sind einige der größeren Systeme, mit denen DeepScribe zusammenarbeitet.

Der größte Anteil der DeepScribe-Nutzer sind jedoch 50 Privatpraxen von Alaska bis Florida. Unsere beliebtesten Fachgebiete sind Allgemeinmedizin, Orthopädie, Gastroenterologie, Kardiologie, Psychiatrie und Onkologie, aber wir unterstützen auch einige andere Fachgebiete.

DeepScribe hat kürzlich ein Programm zur Unterstützung bei COVID-19 gestartet. Können Sie uns durch dieses Programm führen?

COVID-19 hat unsere Ärzte hart getroffen. Praxen sehen nur 30-40 Prozent ihrer Patientenlast, die Scribe-Besetzung wird gekürzt und Anbieter werden gezwungen, schnell alle ihre Patienten auf Telemedizin umzustellen. All dies führt zu mehr Büroarbeit für Anbieter – wir bei DeepScribe sind fest davon überzeugt, dass Ärzte 100 Prozent ihrer Aufmerksamkeit und Zeit auf die Pflege ihrer Patienten konzentrieren müssen, um diese Pandemie zu stoppen.

Um diesem Anliegen zu helfen, sind wir stolz, eine kostenlose Telemedizin-Lösung für Gesundheitsfachleute zu starten, die gegen diese Pandemie kämpfen. Unsere Telemedizin-Lösung ist vollständig in unsere künstlich intelligente medizinische Schreiberlösung integriert, wodurch die Notwendigkeit klinischer Dokumentation für auf unserer Plattform durchgeführte Begegnungen eliminiert wird.

Wir bieten auch unseren Schreiber-Service während der Pandemie kostenlos an. Das bedeutet, dass jeder Arzt kostenlos auf einen Schreiber zugreifen kann, um seine Dokumentation zu bearbeiten. Unsere Hoffnung ist, dass Ärzte durch diese Maßnahme mehr Zeit auf ihre Patienten konzentrieren und weniger über die Dokumentation nachdenken können, was zu einer schnelleren Eindämmung der COVID-19-Ausbreitung führt.

Vielen Dank für das großartige Interview, ich habe wirklich gerne mehr über DeepScribe und Ihre unternehmerische Reise erfahren. Wer mehr erfahren möchte, sollte DeepScribe besuchen.