Akilesh Bapu, Fundador y CEO de DeepScribe – Serie de Entrevistas

Akilesh Bapu es el Fundador y CEO de DeepScribe, que utiliza el procesamiento de lenguaje natural (NLP) y el aprendizaje profundo avanzado para generar notas precisas, cumplidoras y seguras de las conversaciones entre médicos y pacientes.

¿Qué fue lo que te introdujo y te atrajo al mundo del AI y el procesamiento de lenguaje natural?

Si recuerdo correctamente, Jarvis de “Iron Man” fue lo primero que realmente me atrajo al mundo del procesamiento de lenguaje natural y el AI. En particular, me pareció fascinante cómo un ser humano podía realizar tareas de manera mucho más rápida y profunda gracias a la ayuda del AI.

Fue este concepto de “el AI por sí solo no es tan bueno como los humanos en la mayoría de las tareas, pero cuando se combina un humano con el AI, esa combinación dominará”. El procesamiento de lenguaje natural es la forma más eficiente para que esta combinación humana/AI ocurra.

Desde entonces, me obsesioné con Siri, Google (GOOGL ) Now, Alexa y otros. Aunque no funcionaban de manera tan fluida como Jarvis, quería desesperadamente hacer que funcionaran como Jarvis. En particular, lo que se hizo evidente fue que los comandos como “Alexa, haz esto” o “Alexa, haz aquello” eran bastante fáciles y precisos de realizar con la tecnología actual. Pero cuando se trataba de algo como Jarvis, que podía aprender y entender, filtrar y seleccionar temas importantes durante una conversación, eso no se había hecho antes. Esto se relaciona directamente con una de mis motivaciones principales para fundar DeepScribe. Mientras resolvemos el problema de la documentación para los médicos, estamos intentando una nueva ola de inteligencia: la inteligencia ambiental. El AI que puede escuchar tus conversaciones diarias, encontrar información útil y utilizar esa información para ayudarte.

Anteriormente, realizaste algunas investigaciones utilizando el aprendizaje profundo y el NLP en la Facultad de Ingeniería de la Universidad de California, Berkeley. ¿En qué consistió tu investigación?

En el Laboratorio de Investigación de Inteligencia Artificial de Berkeley, trabajé en un proyecto de anotador de ontología de genes donde resumíamos artículos de PubMed con parámetros de salida específicos.

La visión general: tomar una tarea como la resumen de artículos de noticias de CNN. En esa tarea, se toman artículos de noticias y se resumen en aproximadamente unas pocas oraciones. A favor de esto, tienes datos y la capacidad de entrenar estos modelos en más de un millón de artículos. Sin embargo, el espacio de problemas es enorme, ya que tienes una estructura limitada para los resúmenes. Además, hay poca estructura en los artículos en sí. Aunque ha habido algunas mejoras desde hace 2,5 años, cuando trabajé en este proyecto, esto sigue siendo un problema sin resolver.

En nuestro proyecto de investigación, estábamos desarrollando resúmenes estructurados de artículos. Un resumen estructurado en este caso es similar a un resumen típico, excepto que conocemos la estructura exacta del resumen de salida. Esto es útil porque reduce dramáticamente las opciones de salida para nuestro modelo de aprendizaje automático. El desafío era que no había suficientes datos anotados para entrenar un modelo de aprendizaje profundo y obtener resultados útiles.

El núcleo del trabajo que realicé en este proyecto fue aprovechar el conocimiento que tenemos sobre los datos de entrada y desarrollar un conjunto de modelos de aprendizaje automático someros para apoyarlo, una técnica que inventamos llamada anotador de 2 pasos. El anotador de 2 pasos obtuvo una precisión casi 20 veces mayor que la mejor anterior (54 por ciento vs 3,6 por ciento).

Aunque, al lado, este proyecto y DeepScribe pueden parecer completamente diferentes, eran muy similares en cómo utilizaron el método de anotación de 2 pasos para mejorar significativamente los resultados en un conjunto de datos limitado.

¿Cuál fue la inspiración detrás del lanzamiento de DeepScribe?

Todo comenzó con mi padre, que era un oncólogo médico. Antes de que los sistemas de registros de salud electrónicos se convirtieran en populares en la atención médica, los médicos anotaban cosas en papel y pasaban muy poco tiempo en notas. Sin embargo, una vez que los sistemas de registros de salud electrónicos comenzaron a ser populares como parte de la Ley HITECH de 2009, comencé a notar que mi padre pasaba más y más tiempo en la computadora. Empezó a llegar a casa más tarde. Los fines de semana, se sentaba en el sofá dictando notas. Cosas simples como recogerme de la escuela o la práctica de baloncesto se convirtieron en algo del pasado, ya que pasaba la mayoría de sus horas de la noche atrapado en la documentación.

Como un niño nerd que crecía, trataba de encontrar soluciones para él buscando en la web y haciéndole probarlas. Desafortunadamente, nada funcionaba lo suficientemente bien como para salvarlo de las largas horas de documentación.

Avanzando varios años, en el verano de 2017, era un investigador trabajando en el Laboratorio de Investigación de Inteligencia Artificial de Berkeley, trabajando en proyectos de resumen de documentos. Un verano, cuando estaba en casa, noté que mi padre todavía pasaba cantidades copiosas de tiempo documentando. Le pregunté: “¿Qué hay de nuevo en el mundo de la documentación? Alexa está en todas partes, Google Assistant es tan bueno ahora. Dime, ¿qué hay de nuevo en el espacio médico?” Y su respuesta fue: “Nada ha cambiado”. Pensé que era solo él, pero cuando fui y encuesté a varios de sus colegas, era el mismo problema: no qué era lo último en el tratamiento del cáncer o los problemas nuevos que tenían sus pacientes, sino la documentación. “¿Cómo puedo deshacerme de la documentación? ¿Cómo puedo ahorrar tiempo en la documentación? Está consumiendo demasiado de mi tiempo”.

También noté que varias empresas habían surgido para tratar de resolver la documentación. Sin embargo, o eran demasiado caras (miles de dólares al mes) o eran demasiado mínimas en términos de tecnología. Los médicos en ese momento tenían muy pocas opciones. Fue entonces cuando se abrió la oportunidad de que, si pudiéramos crear un escribano médico artificialmente inteligente, una tecnología que pudiera seguir las visitas de los médicos y resumirlas, y ofrecerla a un costo que pudiera hacer que fuera accesible para todos, podría verdaderamente devolver la alegría de la atención al cuidado de la salud.

Tenías solo 22 años cuando lanzaste DeepScribe. ¿Puedes describir tu viaje como emprendedor?

Mi primera exposición al emprendimiento se remonta a la escuela secundaria. Comenzó cuando un amigo y yo, que sabíamos algunos conceptos básicos de JavaScript, nos reunimos con el director de un centro para niños con discapacidades de aprendizaje. Nos dijeron cómo las herramientas más simples podían tener un gran impacto en los niños disléxicos. Terminamos creando una extensión de lector de dislexia para Chrome. Era muy básica, simplemente ajustaba la fuente para cumplir con las pautas científicas para la facilidad de lectura para personas disléxicas. Aunque el concepto era simple, obtuvimos más de 5000 usuarios activos en un puñado de meses. Me quedé asombrado de cómo la tecnología básica podía tener un impacto tan profundo en las personas.

En Berkeley, continué sumergiéndome en el mundo del emprendimiento tanto como pude, principalmente con su amplia variedad de clases. Mis favoritas eran:

1. La serie de conferencias Newton: personas como Jessica Mah de InDinero o Diane Greene de VMWare, que eran exalumnos de Cal, daban charlas muy relacionadas con su tiempo en Berkeley y cómo comenzaron sus propias empresas
2. Challenge Lab: en realidad, conocí a mi cofundador Matt Ko a través de esta clase. Fuimos colocados en grupos y pasamos por un viaje de un semestre para crear un producto y ser mentorados sobre lo que se necesita en las primeras etapas para que una idea despegue.
3. Lean Launchpad: con diferencia, mi favorito de los tres; este fue un proceso riguroso y exigente donde fuimos guiados por Steve Blank (el multimillonario detrás del movimiento de startups ágiles) para tomar una idea, validarla a través de 100 entrevistas con clientes, crear un modelo financiero y más. Esta fue la clase de clase en la que presentábamos nuestra “startup” solo para ser detenidos en la diapositiva 1 o 2 y ser sometidos a un escrutinio. Si eso no era lo suficientemente difícil, también se esperaba que entrevistáramos a 10 clientes a la semana. Nuestra idea en ese momento era crear una búsqueda de patentes que diera resultados similares a una búsqueda de arte previa costosa, lo que significaba que estábamos presentando a 10 clientes empresariales a la semana. Fue genial porque nos enseñó a pensar rápido y ser muy resourceivos.

DeepScribe comenzó cuando un grupo de inversores llamado The House Fund estaba escribiendo cheques para estudiantes que rechazarían sus pasantías de verano y pasarían su verano construyendo su empresa. Acabábamos de cerrar Delphi (el motor de búsqueda de patentes) y Matt y yo habíamos estado hablando constantemente sobre la documentación médica y todo encajó en el momento perfecto, ya que era el momento perfecto para intentarlo.

Con DeepScribe, tuvimos la suerte de haber salido frescos del Lean Launchpad, ya que uno de los factores más importantes al construir un producto para médicos era iterar y refinar el producto alrededor de la retroalimentación del cliente. Un problema histórico en la industria médica ha sido que el software rara vez ha tenido a los médicos en el bucle de diseño, lo que ha resultado en un software que no está optimizado para el usuario final.

Dado que DeepScribe estaba sucediendo al mismo tiempo que mi último año en Berkeley, fue un equilibrio difícil. Me presentaba en clase con un traje para poder estar a tiempo para una demostración de cliente justo después. Usaba todas las instalaciones de EE y profesores no para nada relacionado con la clase, sino al 100 por ciento para DeepScribe. Mis reuniones con mi mentor de investigación incluso se convirtieron en sesiones de lluvia de ideas para DeepScribe.

Al mirar hacia atrás, si tuviera que cambiar algo sobre mi viaje, habría sido poner la universidad en espera para que pudiera pasar el 150 por ciento de mi tiempo en DeepScribe.

¿Puedes describir para un profesional médico las ventajas de utilizar DeepScribe en comparación con el método tradicional de dictado de voz o incluso tomar notas?

Usar DeepScribe está diseñado para ser muy similar a usar un escribano humano real. Mientras hablas de manera natural con tu paciente, DeepScribe escuchará y recogerá el discurso médicamente relevante que normalmente va en tus notas y lo pondrá allí, utilizando el mismo lenguaje médico que tú mismo usas. Nos gusta pensar en ello como un nuevo miembro de tu personal médico con capacidad de AI que puedes entrenar como entrenarías a un escribano para ayudar con la documentación en tu sistema de registros de salud electrónicos como desees. Es muy diferente al usar un servicio de dictado de voz, ya que elimina por completo el paso de tener que volver y documentar. Mientras que los servicios de dictado típicos convierten 10 minutos de documentación en 7-8 minutos, DeepScribe los convierte en unos pocos segundos. Nuestros médicos informan de ahorrar entre 1,5 y 3 horas de tiempo por día, dependiendo de la cantidad de pacientes que atienden.

DeepScribe es independiente del dispositivo, operable desde un iPhone, Apple Watch, navegador (para telemedicina) o dispositivo de hardware.

¿Cuáles son algunos de los desafíos de reconocimiento de habla o NLP que DeepScribe puede encontrar debido a la terminología médica compleja?

Contrariamente a la opinión popular, la terminología médica compleja es en realidad la parte más fácil para DeepScribe. La parte más difícil para DeepScribe es recoger declaraciones contextuales únicas que un paciente puede dar a un médico. Cuanto más se alejen de una conversación típica, más vemos que el AI tropieza. Pero a medida que recopilamos más datos de conversaciones, vemos que mejora dramáticamente cada día.

¿Cuáles son las otras tecnologías de aprendizaje automático que se utilizan con DeepScribe?

Los grandes paraguas del reconocimiento de habla y el NLP tienden a cubrir la mayoría del aprendizaje automático que estamos haciendo en DeepScribe.

¿Puedes nombrar algunos de los hospitales, organizaciones sin fines de lucro o instituciones académicas que están utilizando DeepScribe?

DeepScribe comenzó a través de un programa piloto con el Centro de Salud de la Universidad de California, Berkeley. Hartford Healthcare, Texas Medical Center y Cedar Valley Medical Specialists son solo algunos de los sistemas más grandes con los que DeepScribe está trabajando.

Sin embargo, el porcentaje más grande de usuarios de DeepScribe son 50 prácticas privadas desde Alaska hasta Florida. Nuestras especialidades más populares son atención primaria, ortopedia, gastroenterología, cardiología, psiquiatría y oncología, pero también apoyamos un puñado de otras especialidades.

DeepScribe ha lanzado recientemente un programa para ayudar con COVID-19. ¿Puedes guiarnos a través de este programa?

COVID-19 ha golpeado duramente a nuestros médicos. Las prácticas solo están viendo al 30-40 por ciento de su carga de pacientes, el personal de escribientes está siendo recortado y los proveedores están siendo obligados a cambiar rápidamente a todos sus pacientes a la telemedicina. Todo esto termina llevando a más trabajo clerical para los proveedores: en DeepScribe, creemos firmemente que, para que esta pandemia se detenga, los médicos deben dedicar el 100 por ciento de su atención y tiempo a cuidar a sus pacientes.

Para ayudar a esta causa, estamos orgullosos de lanzar una solución de telemedicina gratuita para los profesionales de la salud que luchan contra esta pandemia. Nuestra solución de telemedicina está completamente integrada con nuestra solución de escribano médico con capacidad de AI, lo que elimina la necesidad de documentación clínica para las consultas realizadas en nuestra plataforma.

También estamos ofreciendo nuestro servicio de escribano gratis durante la pandemia. Esto significa que cualquier médico puede obtener acceso a un escribano de forma gratuita para manejar su documentación. Nuestra esperanza es que, al hacer esto, los médicos puedan centrar más su atención en sus pacientes y pasar menos tiempo pensando en la documentación, lo que llevaría a una detención más rápida del brote de COVID-19.

Gracias por la gran entrevista, realmente disfruté aprendiendo sobre DeepScribe y tu viaje emprendedor. Cualquiera que desee aprender más debe visitar DeepScribe.