Varun Ganapathi, CTO y Co-Fundador de AKASA – Serie de Entrevistas

Varun Ganapathi es el CTO y Co-Fundador de AKASA, un desarrollador de inteligencia artificial para aplicaciones de atención médica. AKASA ayuda a las organizaciones de atención médica a mejorar sus operaciones, incluyendo el ciclo de ingresos, para impulsar los ingresos, crear eficiencias y mejorar la experiencia del paciente. Varun ha iniciado con éxito dos empresas de inteligencia artificial antes de AKASA, una de las cuales fue adquirida por Google (GOOGL ) y la otra por Udacity.

Ha tenido una carrera distinguida en aprendizaje automático, ¿podría hablar sobre algunos de sus primeros días en Stanford cuando trabajó en hacer que los helicópteros fueran autónomos?

Cuando estudiaba física como estudiante de pregrado en Stanford, también estaba muy interesado en ciencias de la computación y aprendizaje automático (ML). Para mí, la inteligencia artificial y el aprendizaje automático combinaban todo en uno: es una forma automatizada de hacer física en cualquier fenómeno digitalizable.

En este proyecto en particular, teníamos un helicóptero que parecía un drone grande un poco más pequeño que un colchón doble – en una época en que los drones no eran comunes. La gente lo estaba volando y haciéndole hacer trucos, como flotar boca abajo. Aunque esto es muy difícil de hacer, queríamos construir un algoritmo de aprendizaje automático que pudiera aprender de los humanos cómo volar este helicóptero de forma autónoma.

Creamos un simulador de física basado en el helicóptero real y un algoritmo de aprendizaje automático que aprendió a predecir sus movimientos. Luego aplicamos aprendizaje por refuerzo dentro del simulador para desarrollar un controlador, tomamos el software y lo subimos al helicóptero real. Después de encender el helicóptero, funcionó en el primer intento. El helicóptero fue capaz de flotar boca abajo de inmediato, lo que fue bastante impresionante. El equipo continuó trabajando en la automatización de otros tipos de trucos utilizando aprendizaje automático.

También trabajó en Google Books, ¿podría hablar sobre el algoritmo que trabajó y cómo su empresa fue finalmente adquirida por Google?

En realidad, hice una pasantía en Google mientras tomaba clases en Stanford en 2004, justo después del proyecto del helicóptero. En ese momento, estaba implementando aprendizaje automático para el proyecto Google Books, donde estábamos escaneando todos los libros del mundo.

Google estaba pagando a mucha gente para etiquetar información sobre los libros, como páginas, tablas de contenido, derechos de autor, etc. – una tarea muy tediosa. Quería ver si podemos usar aprendizaje automático para hacer esto y funcionó muy bien. En realidad, funcionó mejor y fue más preciso que cuando los humanos lo hacían, porque la mayoría de los errores se debían a errores humanos al etiquetar manualmente.

Esto me entusiasmó mucho con el aprendizaje automático porque mostró que puedes ir desde el rendimiento humano al rendimiento superhumano – haciendo tareas mundanas con menos errores y más consistentemente, mientras aún manejas casos de borde.

Desde allí, decidí hacer un doctorado en Stanford, centrado en aprendizaje automático y más papers teóricos al principio. Para mi tesis, desarrollé un algoritmo para realizar captura de movimiento en tiempo real, donde una computadora puede rastrear el movimiento de todas las articulaciones humanas en tiempo real desde una cámara de profundidad. Esto fue la base de mi primera empresa, Numovis, que se centró en el seguimiento de movimiento y visión por computadora para la interacción del usuario. Fue adquirida por Google.

Toda mi trayectoria, desde el proyecto del helicóptero hasta Google Books, hasta los automóviles autónomos y ahora las operaciones de atención médica, realmente me mostró lo poderoso y general que son los algoritmos de aprendizaje automático.

¿Podría compartir la historia de la creación de AKASA?

Hemos construido AKASA para solucionar un problema masivo y profundamente arraigado en las operaciones de atención médica. Estas operaciones son tanto costosas como propensas a errores, lo que puede llevar a experiencias financieras innecesarias y angustiosas para los pacientes. Había una falta de nueva tecnología en el lado administrativo y nada estaba diseñado específicamente para este propósito. Se hizo evidente para nosotros que se podía utilizar tecnología como la inteligencia artificial y el aprendizaje automático para solucionar estos desafíos operativos de una manera innovadora. Cuando hablamos con una multitud de sistemas de salud y líderes de atención médica, validaron nuestra forma de pensar, lo que finalmente llevó a la fundación de AKASA en 2019.

Con eso, el propósito de AKASA ha sido claro desde el principio: permitir la salud humana y construir el futuro de la atención médica con inteligencia artificial. La forma en que decidimos abordar este desafío es combinando la inteligencia humana con la inteligencia artificial y el aprendizaje automático de vanguardia, para que los sistemas de salud puedan reducir los costos operativos y asignar recursos donde más se necesitan.

Nuestra plataforma flexible y agnóstica del sistema actualmente sirve a una base de clientes que representa más de 475 hospitales y sistemas de salud, y más de 8,000 instalaciones ambulatorias, en todos los 50 estados. Nuestra tecnología ayuda a estas organizaciones, ya sean proveedores de registros electrónicos de salud (EHR) como Epic, Cerner, otros EHR o sistemas de complemento, y todo lo demás. Y lo hemos hecho con resultados sólidos.

Nuestra base de clientes representa más de $110 mil millones en ingresos netos de pacientes agregados, lo que equivale a más del 10% de todos los gastos del sistema de salud de EE. UU. anualmente, según los Centros para los Servicios de Medicare y Medicaid. Y los modelos y algoritmos de AKASA han sido entrenados con casi 290 millones de reclamaciones y remesas.

La “plomería invisible” de la atención médica es extremadamente compleja, pero tiene un impacto enorme en la salud humana, y estamos automatizándola poco a poco.

¿Cuáles son algunas de las tareas que AKASA está buscando automatizar en la atención médica?

Nuestro enfoque único de experto en el bucle, Unified Automation, combina el aprendizaje automático con el juicio y la experiencia de los expertos en materia para proporcionar una automatización robusta y resistente para las operaciones de atención médica. AKASA puede automatizar y optimizar rápidamente tareas de extremo a extremo dentro de la función de finanzas de atención médica, incluyendo el procesamiento de facturas y pagos. Las tareas específicas que AKASA automatiza incluyen la verificación de la elegibilidad del paciente, la documentación y la verificación de la información de seguro, la estimación del costo del paciente, la edición, la facturación y la apelación de reclamaciones, y la predicción y gestión de denegaciones.

Este tipo de automatización no solo reduce los errores humanos y los retrasos para los pacientes, ayudando a prevenir las facturas médicas sorpresa, sino que también libera al personal de atención médica al sacar las tareas manuales y repetitivas completamente de su plato, permitiéndoles centrarse en tareas más gratificantes, desafiantes y generadoras de valor dirigidas hacia la experiencia del paciente.

¿Cuáles son los diferentes tipos de algoritmos de aprendizaje automático que se utilizan?

AKASA utiliza los mismos enfoques de aprendizaje automático que hicieron posible los automóviles autónomos para proporcionar a los sistemas de salud una sola solución para la automatización de las operaciones de atención médica. Este enfoque, centrado en el aprendizaje automático, amplía las capacidades de la automatización para abordar trabajos más complejos a gran escala.

Desarrollamos algoritmos de vanguardia en visión por computadora, comprensión del lenguaje natural y problemas de datos estructurados. Nuestra plataforma comienza con RPA impulsada por visión por computadora y la mejora con inteligencia artificial y aprendizaje automático modernos, y un experto en el bucle para proporcionar una automatización robusta.

Para proporcionar una visión general de alto nivel de cómo funciona, nuestra solución propietaria primero observa cómo el personal de atención médica completa sus tareas. Nuestro equipo luego etiqueta esos datos y los utiliza para entrenar nuestros algoritmos para que nuestra tecnología pueda entender y aprender cómo funcionan el personal de atención médica y sus sistemas. A partir de ahí, nuestra plataforma realiza esas flujos de trabajo de forma autónoma. Finalmente, utilizamos expertos en el bucle que pueden intervenir siempre que el sistema marque outliers o excepciones. El aprendizaje automático continúa aprendiendo de esas experiencias, lo que le permite abordar tareas más complejas con el tiempo.

¿Podría discutir la importancia de los enfoques de humanos en el bucle y por qué esto está destinado a reemplazar la automatización de procesos robóticos (RPA)?

La dura verdad es que la RPA es una tecnología de décadas de antigüedad que es frágil y tiene límites reales en sus capacidades. Siempre tendrá algún valor en la automatización de trabajo que es simple, discreto y lineal. Sin embargo, la razón por la que los esfuerzos de automatización a menudo no alcanzan sus aspiraciones es porque la vida es compleja y siempre cambia.

El enfoque básico de la RPA es construir un robot (bot) para cada problema o camino que desee solucionar. Un humano (consultor o ingeniero) construye un robot para solucionar un problema específico. Esta solución robótica reemplaza una secuencia de pasos. Mira una pantalla, toma acción y la repite.

El problema que a menudo ocurre es que un cambio en el mundo, como una modificación de un software o una interfaz de usuario, puede hacer que los bots fallen. Como sabemos, la tecnología está en constante evolución, creando entornos dinámicos. Esto significa que los robots de RPA a menudo fallan.

Otro problema con estos bots es que necesitas crear uno para cada situación que desees solucionar. Al hacerlo, terminas con muchos robots, todos completando acciones muy pequeñas que no requieren mucha habilidad.

Es como un juego de golpea la ardilla. Cada día enfrentas la posibilidad de que uno de ellos falle porque un software cambia o algo inusual ocurre – una ventana de diálogo emerge o un nuevo tipo de entrada ocurre. El resultado es un mantenimiento costoso para mantener estos bots en funcionamiento. Según una investigación de Forrester, por cada $1 gastado en RPA, se gasta un adicional de $3.41 en recursos de consultoría.

En otras palabras, el software real de RPA no es la mayoría del costo. La inversión de costo más grande es todo el trabajo que debes hacer para mantener la RPA en funcionamiento todo el tiempo. Muchas organizaciones no tienen en cuenta ese costo continuo.

Como mucha parte de la vida es compleja y está en constante evolución, mucho trabajo cae fuera de las capacidades de la RPA, lo que es donde entra en juego el aprendizaje automático. El aprendizaje automático nos permite automatizar las cosas difíciles. Y creemos que la salsa especial es los humanos que mejoran los algoritmos enseñándoles.

Cuando el algoritmo no está seguro de qué debe hacer (baja confianza), se eleva a un humano en el bucle en su lugar. Los humanos etiquetan esos ejemplos e identifican casos no manejados por el modelo actual. Cuando se hace esto, y el AI lo hace bien, esa es una tarea que funciona bien.

Cada tarea en la que un humano atrapa un problema es un caso en el que la máquina no está manejándolo adecuadamente. En este caso, se agrega datos a nuestro conjunto de datos, que vuelve a entrenar los modelos de aprendizaje automático para manejar esta nueva situación.

Con el tiempo, el modelo de aprendizaje automático construye resistencia a estos nuevos casos de borde. Esto resulta en un sistema que es robusto y flexible a nuevos outliers o excepciones, y el sistema se vuelve más fuerte con el tiempo. Esto significa que la automatización mejora y mejora, y la intervención humana disminuirá con el tiempo.

Tener expertos humanos en el bucle es fundamental para hacer que la inteligencia artificial sea más inteligente, más rápida y mejor. Necesitamos humanos para entrenar adecuadamente la inteligencia artificial y asegurarnos de que pueda manejar los outliers que son una parte inevitable de cualquier industria – y especialmente en un campo dinámico como la atención médica.

¿Podría discutir cómo funciona la solución de humanos en el bucle de AKASA, Unified Automation, y cuáles son algunos de los principales casos de uso para esta plataforma?

Unified Automation es una plataforma diseñada específicamente para la atención médica. Utilizando inteligencia artificial, aprendizaje automático y nuestro equipo de expertos en facturación médica, crea una solución integrada y personalizada que ayuda a ver valor más rápido, con prácticamente ningún mantenimiento o colas de excepciones.

Ha sido diseñada con excepciones y outliers en mente. Si encuentra algo nuevo, la plataforma marca el problema al equipo de expertos de AKASA, que lo resuelven mientras el sistema aprende de las acciones que toman. Es ese elemento humano lo que nos diferencia de otras soluciones en el mercado y permite que la plataforma aprenda y mejore continuamente.

Unified Automation también se adapta a la naturaleza dinámica de la industria de la salud. Es una solución integrada y personalizada que ayuda a reducir los costos operativos, eleva al personal para abordar trabajo más gratificante que requiere un toque humano, y mejora la captura de ingresos para los sistemas de salud, mientras también mejora la experiencia financiera del paciente.

Aquí hay cómo funciona Unified Automation:

Software propietario observa: Nuestra herramienta Worklogger observa de forma remota cómo el personal de atención médica completa sus tareas. Luego, nuestro equipo etiqueta esos datos y los alimenta a nuestra automatización para proporcionar una visión general completa de los flujos de trabajo y procesos actuales. Esto resulta en una mayor visibilidad en el rendimiento del personal, datos fundamentales sobre los flujos de trabajo para alimentar nuestra automatización, y un análisis de tiempo por tarea preciso.

Inteligencia artificial realiza: Después de observar y aprender los flujos de trabajo del personal de atención médica, nuestra inteligencia artificial realiza estas tareas de forma autónoma. Continuamente aprende de los problemas y casos de borde que encuentra, asumiendo tareas más complejas con el tiempo. Unified Automation se sitúa aguas arriba en la cola de trabajo, asignándose tareas aplicables y completándolas sin interrumpir al equipo. También optimiza automáticamente los procesos, por lo que no se requiere configuración o intervención del personal.

La experiencia humana asegura: El sistema marca automáticamente a nuestro equipo de expertos en facturación médica para manejar excepciones y outliers, entrenando a la inteligencia artificial en tiempo real a medida que trabajan. Esta es la parte de experto en el bucle. Con el aprendizaje continuo integrado, la plataforma Unified Automation se vuelve más inteligente y eficiente con el tiempo, y el trabajo siempre se completa.

¿Hay algo más que le gustaría compartir sobre AKASA?

Tenemos un enfoque de investigación primero, lo que significa que nuestros clientes tienen acceso a tecnología de vanguardia. Estamos comprometidos a publicar nuestro aprendizaje automático y enfoques en publicaciones revisadas por pares para establecer continuamente nuevos estándares de vanguardia para el aprendizaje automático en operaciones de atención médica y para liderar a toda nuestra industria hacia adelante.

Por ejemplo, nuestra investigación ha sido presentada en la Conferencia Internacional de Aprendizaje Automático (ICML), la Cumbre de Procesamiento de Lenguaje Natural (NLP) y la Conferencia de Aprendizaje Automático para la Atención Médica (MLHC), entre otros. Estamos adoptando un enfoque muy disciplinado para probar nuestros modelos y comparar su rendimiento con los enfoques de aprendizaje automático de vanguardia en el mercado.

Nuestra solución de denegaciones predictivas se cree que es el primer sistema basado en aprendizaje profundo publicado que puede predecir con precisión las denegaciones de reclamaciones médicas en más de un 22% en comparación con las líneas de base existentes. Nuestro modelo Read, Attend, Code para la codificación autónoma de reclamaciones médicas a partir de notas clínicas ha sido reconocido como un nuevo estado de la técnica para la industria y superó a los modelos actuales en un 18%, superando la productividad de los codificadores humanos. Creemos que estas innovaciones en la oficina trasera son fundamentales para mejorar el sistema de atención médica de EE. UU. a gran escala y seguirán impulsando avances y construyendo soluciones personalizadas para este espacio.

Hay mucha histeria alrededor de la inteligencia artificial en la atención médica, pero cuando se reduce a ello, las empresas pueden exagerar lo que su tecnología puede hacer realmente. Es mucho más difícil realizar investigaciones para validar lo que los algoritmos hacen, y nos enorgullecemos de tomar este camino significativo pero desafiante para demostrar finalmente que la plataforma de automatización unificada de AKASA está trayendo realmente un cambio positivo y significativo a los hospitales y los sistemas de salud.

Estamos emocionados del futuro y lo que está por venir en AKASA mientras construimos el futuro de la atención médica con inteligencia artificial.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar AKASA.