Varun Ganapathi, CTO & Co-Founder von AKASA – Interview-Serie

Varun Ganapathi ist der CTO und Co-Founder von AKASA, einem Entwickler von KI für Gesundheitsanwendungen. AKASA hilft Gesundheitsorganisationen, ihre Betriebsabläufe zu verbessern, einschließlich des Rechnungskreislaufs, um Umsatz zu erzielen, Effizienzen zu schaffen und die Patientenerfahrung zu verbessern. Varun hat erfolgreich zwei KI-Unternehmen vor AKASA gegründet, von denen eines von Google (GOOGL ) und das andere von Udacity übernommen wurde.

Sie haben eine herausragende Karriere in der maschinellen Lerntheorie, können Sie uns über Ihre frühen Tage an der Stanford University erzählen, als Sie an der Entwicklung autonomer Hubschrauber arbeiteten?

Als ich Physik als Bachelor an der Stanford University studierte, war ich auch sehr an Informatik und maschinellem Lernen (ML) interessiert. Für mich kombinierte KI und ML alles in einem – es ist wirklich eine automatisierte Art, Physik auf jedes digitalisierbare Phänomen anzuwenden.

Für dieses bestimmte Projekt hatten wir einen Hubschrauber, der wie ein großer Drohne aussah, ein bisschen kleiner als eine Doppelmatratze – zu einer Zeit, als Drohnen nicht verbreitet waren. Menschen flogen ihn und machten Tricks damit, wie z.B. schweben, während sie auf dem Kopf standen. Während dies sehr schwierig ist, wollten wir einen ML-Algorithmus entwickeln, der von Menschen lernen konnte, wie man diesen Hubschrauber autonom steuert.

Wir erstellten einen Physik-Simulator, der auf dem tatsächlichen Hubschrauber basierte, und einen ML-Algorithmus, der lernen konnte, dessen Bewegungen vorherzusagen. Wir wendeten dann Verstärkungslernen innerhalb des Simulators an, um einen Controller zu entwickeln, nahmen die Software und luden sie in den tatsächlichen Hubschrauber. Nachdem wir den Hubschrauber eingeschaltet hatten, funktionierte er beim ersten Versuch! Der Hubschrauber konnte sofort auf dem Kopf schweben, ohne dass jemand ihn steuerte, was ziemlich beeindruckend war. Das Team arbeitete weiter an der Automatisierung anderer Arten von Tricks mithilfe von ML.

Sie haben auch bei Google Books gearbeitet, können Sie uns über den Algorithmus erzählen, an dem Sie gearbeitet haben, und wie Ihr Unternehmen schließlich von Google übernommen wurde?

Ich habe 2004, während meines Studiums an der Stanford University, ein Praktikum bei Google absolviert – direkt nach dem Hubschrauber-Projekt. Während dieser Zeit arbeitete ich an der Implementierung von ML für das Google Books-Projekt, bei dem wir alle Bücher der Welt scannen wollten.

Google bezahlte viele Menschen, um Informationen über die Bücher zu beschriften, wie z.B. Seiten, Inhaltsverzeichnisse, Urheberrechte usw. – eine sehr zeitaufwändige Aufgabe. Ich wollte sehen, ob wir ML verwenden können, um dies zu tun, und es funktionierte wirklich gut. Es funktionierte tatsächlich besser und war genauer als wenn Menschen es taten, weil die meisten Fehler durch menschliche Fehler bei der manuellen Beschriftung verursacht wurden.

Dies machte mich wirklich begeistert von ML, da es zeigte, dass man von menschlicher Leistung zu übermenschlicher Leistung kommen kann – monotone Aufgaben mit weniger Fehlern und konsistenter durchführen und gleichzeitig Randfälle bewältigen.

Danach beschloss ich, an der Stanford University einen Ph.D. in ML zu machen und mich auf theoretische Arbeiten zu konzentrieren. Für meine Dissertation entwickelte ich einen Algorithmus zur Echtzeit-Bewegungserfassung, bei dem ein Computer die Bewegung aller menschlichen Gelenke in Echtzeit aus einer Tiefenkamera verfolgen kann. Dies war die Grundlage für mein erstes Unternehmen, Numovis, das sich auf Bewegungserfassung und Computer-Vision für Benutzerinteraktion konzentrierte. Es wurde von Google übernommen.

Meine gesamte Reise von dem Hubschrauber-Projekt zu Google Books, zu selbstfahrenden Autos und jetzt zu Gesundheitsbetrieben hat mir gezeigt, wie leistungsfähig und allgemein maschinelle Lernalgorithmen sind.

Können Sie die Entstehungsgeschichte hinter AKASA teilen?

Wir haben AKASA entwickelt, um ein massives, tief verwurzeltes Problem in den Gesundheitsbetrieben zu lösen. Diese Betriebsabläufe sind sowohl teuer als auch fehleranfällig, was zu unnötigen, panikauslösenden finanziellen Erfahrungen für Patienten führen kann. Es gab einen Mangel an neuer Technologie auf der administrativen Seite und nichts, was speziell dafür entwickelt wurde. Es wurde uns klar, dass man Technologie wie KI und ML verwenden kann, um diese operativen Herausforderungen auf innovative Weise zu lösen. Als wir mit vielen Gesundheitssystemen und Gesundheitsführern sprachen, bestätigten sie unsere Überlegungen, was letztendlich zur Gründung von AKASA im Jahr 2019 führte.

Seitdem ist der Zweck von AKASA klar: Menschliches Wohlbefinden ermöglichen und die Zukunft des Gesundheitswesens mit KI aufbauen. Wir haben uns entschieden, diese Herausforderung anzunehmen, indem wir menschliche Intelligenz mit führender KI und ML kombinieren, damit Gesundheitssysteme ihre Betriebskosten senken und Ressourcen dort einsetzen können, wo sie am meisten zählen.

Unsere systemunabhängige, flexible Plattform dient derzeit einem Kundenstamm, der mehr als 475 Krankenhäuser und Gesundheitssysteme und mehr als 8.000 ambulante Einrichtungen in allen 50 Bundesstaaten umfasst. Unsere Technologie hilft diesen Organisationen, unabhängig davon, ob sie elektronische Gesundheitsakten (EHR) von Anbietern wie Epic, Cerner, anderen EHR oder bolt-on-Systemen verwenden, und alles dazwischen. Und wir haben es mit starken Ergebnissen geschafft.

Unser Kundenstamm vertritt mehr als 110 Milliarden Dollar an aggregiertem Nettopatienten-Umsatz, was mehr als 10 % der gesamten Ausgaben des Gesundheitssystems in den USA entspricht, laut den Centers for Medicaid and Medicare Services. Und AKASAs Modelle und Algorithmen wurden auf fast 290 Millionen Ansprüchen und Abrechnungen trainiert.

Die unsichtbare Verrohrung des Gesundheitswesens ist extrem komplex, aber sie hat einen enormen Einfluss auf die menschliche Gesundheit, und wir automatisieren sie Schritt für Schritt.

Was sind einige der Aufgaben, die AKASA im Gesundheitswesen automatisieren möchte?

Unsicher Ansatz, der ML mit menschlichem Urteil und Fachwissen kombiniert, um eine robuste und widerstandsfähige Automatisierung für Gesundheitsbetriebe zu bieten. AKASA kann schnell und effizient End-to-End-Aufgaben innerhalb der Gesundheitsfinanzfunktion automatisieren und straffen, einschließlich Rechnungsverarbeitung und Zahlungen. Spezifische Aufgaben, die AKASA automatisiert, umfassen die Überprüfung der Patientenberechtigung, die Dokumentation und Verifizierung von Versicherungsinformationen, die Schätzung der Patientenkosten, die Bearbeitung, erneute Einreichung und Berufung von Ansprüchen sowie die Vorhersage und Verwaltung von Ablehnungen.

Diese Art der Automatisierung reduziert nicht nur menschliche Fehler und Verzögerungen für Patienten, was hilft, unerwartete medizinische Rechnungen zu vermeiden, sondern befreit auch das Gesundheitspersonal, indem es die manuellen, wiederkehrenden Aufgaben vollständig von ihrem Teller nimmt – und ihnen ermöglicht, sich auf lohnenswertere, herausforderndere und wertgenerierende Aufgaben zu konzentrieren, die auf die Patientenerfahrung ausgerichtet sind.

Was sind die verschiedenen Arten von maschinellen Lernalgorithmen, die verwendet werden?

AKASA verwendet die gleichen maschinellen Lernansätze, die selbstfahrende Autos möglich gemacht haben, um Gesundheitssystemen eine einzige Lösung für die Automatisierung von Gesundheitsbetrieben zu bieten. Dieser Ansatz – zentriert um ML – erweitert die Fähigkeiten der Automatisierung, um komplexere Arbeiten im großen Maßstab zu übernehmen.

Wir entwickeln state-of-the-art-Algorithmen in den Bereichen Computer-Vision, Sprachverständnis und strukturierte Datenprobleme. Unsere Plattform beginnt mit computer-vision-gesteuerter RPA und verbessert sie mit moderner KI, ML und einem Experten im Loop, um eine robuste Automatisierung zu bieten.

Um einen Überblick darüber zu geben, wie es funktioniert, beobachtet unsere proprietäre Lösung zunächst, wie das Gesundheitspersonal seine Aufgaben erledigt. Unser Team beschriftet dann diese Daten und verwendet sie, um unsere Algorithmen zu trainieren, damit unsere Technologie verstehen und lernen kann, wie das Gesundheitspersonal und ihre Systeme funktionieren. Von dort aus führt unsere Plattform diese Workflows autonom aus. Schließlich verwenden wir Experten im Loop, die jederzeit eingreifen können, wenn das System Ausreißer oder Ausnahmen flaggt. Die KI lernt kontinuierlich von diesen Erfahrungen, was es ermöglicht, komplexere Aufgaben über die Zeit zu übernehmen.

Können Sie die Bedeutung von menschlichen Ansätzen im Loop und warum diese RPA verdrängen werden, erörtern?

Die harte Wahrheit ist, dass RPA eine Jahrzehnte alte Technologie ist, die spröde ist und echte Grenzen in ihren Fähigkeiten hat. Sie wird immer einen gewissen Wert bei der Automatisierung von Arbeiten haben, die einfach, diskret und linear sind. Allerdings ist der Grund, warum Automatisierungsversuche oft kurz vor ihren Zielen zurückbleiben, weil das Leben komplex und ständig in Veränderung ist.

Der grundlegende Ansatz von RPA besteht darin, einen Roboter (Bot) für jedes Problem oder jeden Pfad zu bauen, den man lösen möchte. Ein Mensch (Berater oder Ingenieur) baut einen Roboter, um ein bestimmtes Problem zu lösen. Diese robotische Lösung ersetzt eine Sequenz von Schritten. Sie schaut auf einen Bildschirm, nimmt eine Aktion vor und wiederholt sie.

Das Problem, das oft auftritt, ist, dass eine Änderung in der Welt, wie z.B. eine Änderung an einem Stück Software oder einer Benutzeroberfläche, die Roboter zum Brechen bringen kann. Wie wir wissen, ist die Technologie ständig in Veränderung, was dynamische Umgebungen schafft. Das bedeutet, dass RPA-Roboter oft fehlschlagen.

Ein weiteres Problem mit diesen Bots ist, dass man einen für jede Situation erstellen muss, die man lösen möchte. Wenn man dies tut, endet man mit vielen Robotern, die alle sehr kleine Aktionen ausführen, die nicht viel Geschick erfordern.

Es ist wie ein Spiel von “Whack-a-Mole”. Jeden Tag steht man vor der Wahrscheinlichkeit, dass einer von ihnen brechen wird, weil ein Stück Software geändert wird oder etwas Ungewöhnliches passiert – ein Dialogfeld erscheint oder eine neue Art von Eingabe auftritt. Das Ergebnis ist ein teurer Wartungsaufwand, um diese Bots am Laufen zu halten. Laut einer Studie von Forrester wird für jeden Dollar, der für RPA ausgegeben wird, ein zusätzlicher Betrag von 3,41 Dollar für Beratungsressourcen ausgegeben.

Mit anderen Worten, die tatsächliche Software für RPA ist nicht der Hauptkostenfaktor. Der größere Investitionsaufwand ist all die Arbeit, die man tun muss, um RPA ständig am Laufen zu halten. Viele Organisationen berücksichtigen diese laufenden Kosten nicht.

Da viel von unserem Leben komplex und ständig in Veränderung ist, fällt viel Arbeit außerhalb der Fähigkeiten von RPA, wo ML zum Einsatz kommt. ML ermöglicht es uns, die harte Arbeit zu automatisieren. Und wir glauben, dass der besondere Saft darin besteht, Menschen zu haben, die die Algorithmen verbessern, indem sie sie unterrichten.

Wenn der Algorithmus unsicher ist, was er tun soll (niedriges Vertrauen), wird er an einen Menschen im Loop weitergeleitet. Die Menschen beschriften diese Beispiele und identifizieren Fälle, die nicht vom aktuellen Modell behandelt werden. Wenn dies geschieht und die KI richtig liegt, ist es eine gut funktionierende Aufgabe.

Jede Aufgabe, bei der ein Mensch ein Problem feststellt, ist ein Fall, in dem die Maschine nicht richtig funktioniert. In diesem Fall wird Daten zu unserem Datensatz hinzugefügt, der die ML-Modelle trainiert, um mit dieser neuen Situation umzugehen.

Im Laufe der Zeit baut das ML-Modell Widerstandsfähigkeit gegen diese neuen Randfälle auf. Dies führt zu einem System, das robust und flexibel gegenüber neuen Ausreißern oder Ausnahmen ist, und das System wird mit der Zeit stärker. Dies bedeutet, dass die Automatisierung besser und besser wird und die menschliche Intervention im Laufe der Zeit abnehmen wird.

Die Einbeziehung von menschlichen Experten im Loop ist entscheidend, um die KI intelligenter, schneller und besser zu machen. Wir benötigen Menschen, um die KI ordnungsgemäß zu trainieren und sicherzustellen, dass sie mit den Ausreißern umgehen kann, die unvermeidlich in jedem Bereich – und besonders in einem dynamischen Bereich wie dem Gesundheitswesen – auftreten.

Können Sie erläutern, wie AKASAs Lösung mit menschlichem Ansatz im Loop, Unified Automation, funktioniert, und was einige der primären Anwendungsfälle für diese Plattform sind?

Unified Automation ist eine Plattform, die speziell für das Gesundheitswesen entwickelt wurde. Mit KI, ML und unserem Team von medizinischen Abrechnungsexperten erstellt sie eine nahtlos integrierte, maßgeschneiderte Lösung, die Ihnen hilft, schneller Wert zu sehen, mit virtuell keinem Wartungsaufwand oder Ausnahmewarteschlangen.

Es wurde mit Ausnahmen und Ausreißern im Hinterkopf entwickelt. Wenn es auf etwas Neues stößt, flaggt die Plattform das Problem an AKASAs Team von Experten, die es lösen, während das System aus den Aktionen lernt, die sie ausführen. Es ist dieser menschliche Aspekt, der uns von anderen Lösungen auf dem Markt unterscheidet und es der Plattform ermöglicht, kontinuierlich zu lernen und zu verbessern.

Unified Automation passt sich auch an die dynamische Natur der Gesundheitsbranche an. Es ist eine nahtlos integrierte, maßgeschneiderte Lösung, die Ihnen hilft, die Betriebskosten zu senken, das Personal zu befähigen, sich mit lohnenswerteren Aufgaben zu befassen, die einen menschlichen Touch erfordern, und die Einnahmen für Gesundheitssysteme zu verbessern, während gleichzeitig die Patientenfinanzierungs-Erfahrung verbessert wird.

Hier ist, wie Unified Automation funktioniert:

Proprietäre Software beobachtet: Unser Worklogger-Tool beobachtet remote, wie das Gesundheitspersonal seine Aufgaben erledigt. Dann beschriften unser Team diese Daten und füttern sie in unsere Automatisierung, um einen umfassenden Überblick über die aktuellen Workflows und Prozesse zu erhalten. Dies führt zu einer höheren Sichtbarkeit in die Leistung des Personals, grundlegende Daten über die Workflows, um unsere Automatisierung zu speisen, und eine genaue Zeit-pro-Aufgabe-Analyse.

KI führt aus: Nachdem wir die Workflows des Gesundheitspersonals beobachtet und gelernt haben, führt unsere KI diese Aufgaben autonom aus. Sie lernt kontinuierlich von Problemen und Randfällen, die sie trifft, und übernimmt im Laufe der Zeit komplexere Aufgaben. Unified Automation sitzt im Vorfeld in der Warteschlange – weist sich selbst geeignete Aufgaben zu und erledigt sie, ohne das Team zu stören. Es optimiert auch automatisch die Prozesse, so dass keine Einrichtung oder Eingreifen durch das Personal erforderlich ist.

Menschliches Fachwissen stellt sicher: Das System flaggt automatisch unser Team von medizinischen Abrechnungsexperten, um Ausnahmen und Ausreißer zu bearbeiten, und trainiert die KI in Echtzeit, während sie arbeiten. Dies ist der Teil des menschlichen Ansatzes im Loop. Mit kontinuierlichem Lernen, das in die Plattform integriert ist, wird die Unified Automation-Plattform im Laufe der Zeit intelligenter und effizienter, und die Arbeit wird immer erledigt.

Gibt es noch etwas, das Sie über AKASA teilen möchten?

Wir haben einen forschungsorientierten Ansatz, was bedeutet, dass unsere Kunden Zugang zu führender Technologie haben. Wir sind bestrebt, unsere KI und Ansätze in peer-reviewed Veröffentlichungen zu veröffentlichen, um kontinuierlich neue Standards für KI im Gesundheitsbetrieb zu setzen und unsere gesamte Branche voranzutreiben.

Beispielsweise wurde unsere Forschung auf der International Conference on Machine Learning (ICML), der Natural Language Processing (NLP) Summit und der Machine Learning for Healthcare Conference (MLHC) präsentiert, unter anderem. Wir gehen einen sehr disziplinierten Ansatz, um unsere Modelle zu testen und ihre Leistung mit den aktuellen KI-Ansätzen auf dem Markt zu vergleichen.

Unsere Lösung zur Vorhersage von Ablehnungen gilt als das erste veröffentlichte tiefes Lernalgorithmus-System, das medizinische Ansprüche um mehr als 22 % genauer vorhersagen kann als bestehende Baselines. Unser Read, Attend, Code-Modell für die autonome Kodierung von medizinischen Ansprüchen aus klinischen Notizen wurde als neuer Standard für die Branche anerkannt und hat die aktuellen Modelle um 18 % übertroffen – und übertrifft die Produktivität von menschlichen Kodierern. Wir glauben, dass diese Innovationen im Hintergrund entscheidend sind, um das US-Gesundheitssystem im großen Maßstab zu verbessern und werden weiterhin Fortschritte machen und maßgeschneiderte Lösungen für diesen Bereich entwickeln.

Es gibt viel Hype um KI im Gesundheitswesen, aber wenn es darauf ankommt, können Unternehmen überhöhen, was ihre Technologie tatsächlich leisten kann. Es ist viel schwieriger, Forschung zu betreiben, um zu validieren, was die Algorithmen tun – und wir sind stolz darauf, diesen sinnvollen, aber herausfordernden Weg zu gehen, um letztendlich zu beweisen, dass AKASAs Unified Automation-Plattform tatsächlich positive und sinnvolle Veränderungen in Krankenhäusern und Gesundheitssystemen bringt.

Wir sind aufgeregt über die Zukunft und was bei AKASA kommt, während wir die Zukunft des Gesundheitswesens mit KI aufbauen.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten AKASA besuchen.