Varun Ganapathi, CTO y cofundador de AKASA – Serie de entrevistas

Varun Ganapathi es el CTO y cofundador de AKASA, un desarrollador de IA para aplicaciones de atención médica. AKASA ayuda a las organizaciones de atención médica a mejorar las operaciones, incluido 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 fue adquirida por Google y la otra por Udacity.

Ha tenido una carrera distinguida en aprendizaje automático. ¿Podría hablarnos de algunos de sus primeros días en Stanford, cuando trabajó en la fabricación de helicópteros autónomos?

Cuando estudiaba física como estudiante universitario en Stanford, también estaba muy interesado en la informática y el aprendizaje automático (ML). Para mí, AI y ML combinaron todo en uno: es realmente una forma automatizada de hacer física en cualquier fenómeno digitalizable.

Para este proyecto en particular, teníamos este helicóptero que parecía un dron grande, un poco más pequeño que un colchón doble, en un momento en que los drones no prevalecían. La gente lo volaba y lo hacía hacer trucos, como flotar boca abajo. Si bien esto es muy difícil de hacer, queríamos crear un algoritmo ML 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 ML que aprendió a predecir sus movimientos. Luego aplicamos el aprendizaje por refuerzo dentro del simulador para desarrollar un controlador, tomamos el software y lo cargamos en el helicóptero real. Después de que encendimos el helicóptero, ¡funcionó en el primer intento! El helicóptero pudo flotar inmediatamente boca abajo por sí mismo, lo cual fue bastante impresionante. El equipo continuó trabajando en la automatización de otros tipos de trucos mediante ML.

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

De hecho, hice una pasantía en Google mientras tomaba clases en Stanford en 2004, esto fue justo después del proyecto del helicóptero. Durante ese tiempo, estaba implementando ML para el proyecto de Google Books donde escaneábamos todos los libros del mundo.

Google estaba pagando a todas estas personas para etiquetar la información sobre los libros, como páginas, tablas de contenido, derechos de autor, etc., una tarea que requería mucho tiempo. Quería ver si podemos usar ML para hacer esto y funcionó muy bien. De hecho, funcionó mejor y fue más preciso que cuando lo hacían los humanos porque la mayoría de los errores se debieron a errores humanos con el etiquetado manual.

Esto me entusiasmó mucho con ML porque demostró que se puede pasar del desempeño humano al desempeño sobrehumano, haciendo tareas mundanas con menos errores y de manera más consistente mientras se manejan casos extremos.

A partir de ahí, decidí hacer un doctorado. en Stanford, centrándose al principio en ML y en artículos más teóricos. 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. Esta fue la base de mi primera empresa, Numovis, que se centraba en el seguimiento de movimiento y la visión por computadora para la interacción del usuario. Fue adquirida por Google.

Todo mi recorrido, desde el proyecto del helicóptero hasta Google Books, los automóviles autónomos y ahora las operaciones de atención médica, realmente me mostró cuán poderosos y generales son los algoritmos de aprendizaje automático.

¿Podrías compartir la historia de génesis detrás de AKASA?

Hemos construido AKASA para solucionar un problema masivo y profundamente arraigado en las operaciones de atención médica. Estas operaciones son costosas y propensas a errores, lo que puede generar experiencias financieras innecesarias que provoquen pánico para los pacientes. Había una falta de nueva tecnología en el lado administrativo y nada construido específicamente. Nos quedó claro que se podía usar tecnología como IA y ML para resolver estos desafíos operativos de una manera innovadora. Cuando hablamos con una multitud de sistemas de salud y líderes de atención médica, validaron nuestro pensamiento que finalmente condujo 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 IA. La forma en que decidimos asumir este desafío es combinando la inteligencia humana con IA y ML de vanguardia para que los sistemas de salud puedan reducir los costos operativos y asignar recursos donde más importan.

Nuestra plataforma flexible e independiente del sistema actualmente brinda servicios a una base de clientes que representa a más de 475 hospitales y sistemas de salud y más de 8,000 instalaciones para pacientes ambulatorios en los 50 estados. Nuestra tecnología ayuda a estas organizaciones, ya sea que utilicen proveedores de registros médicos electrónicos (EHR) como Epic, Cerner, otros EHR o sistemas complementarios, y todo lo demás. Y lo hemos hecho con buenos resultados.

Nuestra base de clientes representa más de $ 110 mil millones en ingresos netos agregados por pacientes, lo que equivale a más del 10% de todo el gasto anual del sistema de salud de EE. UU. según el Centros de servicios de Medicaid y Medicare. Y los modelos y algoritmos de AKASA se han entrenado en casi 290 millones de reclamaciones y remesas.

La plomería invisible de la atención médica es extremadamente compleja, pero tiene un impacto inmenso en la salud humana y la estamos automatizando poco a poco.

¿Cuáles son algunas de las tareas que AKASA está considerando automatizar en el cuidado de la salud?

Nuestro exclusivo enfoque experto en el ciclo, Unified Automation™, combina ML con el juicio humano y la experiencia en la materia para proporcionar una automatización robusta y resistente para las operaciones de atención médica. AKASA puede automatizar y agilizar de manera rápida y eficiente las tareas de extremo a extremo dentro de la función financiera de atención médica, incluido el procesamiento y los pagos de facturas. Las tareas específicas que automatiza AKASA incluyen verificar la elegibilidad del paciente, documentar y verificar la información del seguro, estimar el costo del paciente, editar, refacturar y apelar reclamos, y predecir y administrar denegaciones.

Este tipo de automatización no solo reduce los errores humanos y las demoras para los pacientes, lo que ayuda a evitar facturas médicas sorpresa, sino que también libera al personal de atención médica al eliminar por completo las tareas manuales y repetitivas, lo que les permite concentrarse en tareas más gratificantes, desafiantes y valiosas. -Generar tareas dirigidas a 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 posibles los automóviles autónomos para brindar a los sistemas de salud una solución única para automatizar las operaciones de atención médica. Este enfoque, centrado en ML, amplía las capacidades de automatización para asumir trabajos más complejos a escala.

Desarrollamos algoritmos de última generación en visión artificial, comprensión del lenguaje natural y problemas de datos estructurados. Nuestra plataforma comienza con RPA impulsada por visión artificial y la mejora con IA moderna, ML y un experto en el circuito para proporcionar una automatización sólida.

Para proporcionar una descripción general de alto nivel de cómo funciona, nuestra solución patentada primero observa cómo el personal de atención médica completa sus tareas. Luego, nuestro equipo etiqueta esos datos y los usa para entrenar nuestros algoritmos para que nuestra tecnología pueda comprender y aprender cómo funcionan el personal de atención médica y sus sistemas. A partir de ahí, nuestra plataforma realiza esos flujos de trabajo de forma autónoma. Finalmente, utilizamos expertos en el circuito que pueden intervenir cada vez que el sistema marca valores atípicos o excepciones. La IA aprende continuamente de esas experiencias, lo que le permite asumir tareas más complejas con el tiempo.

¿Podría discutir la importancia de los enfoques humanos en el circuito y por qué esto está configurado para desplazar a RPA?

La dura verdad es que RPA es una tecnología con décadas de antigüedad que es frágil y tiene límites reales para sus capacidades. Siempre tendrá algún valor en la automatización del 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 RPA es construir un robot (bot) para cada problema o ruta que desee resolver. Un humano (consultor o ingeniero) construye un robot para resolver un problema específico. Esta solución robótica reemplaza una secuencia de pasos. Mira una pantalla, realiza una acción y la repite.

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

Otro problema con estos bots es que necesitas crear uno para cada situación que quieras resolver. Al hacer esto, terminas con muchos robots, todos realizando acciones muy pequeñas que no requieren mucha habilidad.

Es como un juego de whack-a-mole. Todos los días enfrenta la probabilidad de que uno de ellos se rompa porque una pieza de software va a cambiar o sucederá algo inusual: aparecerá un cuadro de diálogo o se producirá un nuevo tipo de entrada. El resultado es un mantenimiento costoso para mantener estos bots en funcionamiento. Según una investigación de Forrester, por cada dólar gastado en RPA, se gastan 1 dólares adicionales en recursos de consultoría.

En otras palabras, el software real para RPA no representa la mayor parte del costo. La inversión de costos más considerable es todo el trabajo que tiene que hacer para mantener la RPA en funcionamiento todo el tiempo. Muchas organizaciones no tienen en cuenta ese costo continuo.

Como gran parte de la vida es compleja y está en constante evolución, gran parte del trabajo queda fuera de las capacidades de RPA, que es donde entra en juego ML. ML nos permite automatizar las cosas difíciles. Y creemos que la salsa especial son los humanos que mejoran los algoritmos enseñándolos.

Cuando el algoritmo no está seguro de lo que debe hacer (confianza baja), se escala a un humano en el circuito. Los humanos etiquetan esos ejemplos e identifican los casos que no maneja el modelo actual. Cuando se hace esto, y la IA lo hizo bien, es una tarea que funciona bien.

Cada tarea en la que un humano detecta un problema es un caso en el que la máquina no lo está manejando correctamente. En este caso, los datos se agregan a nuestro conjunto de datos, lo que vuelve a entrenar los modelos de ML para manejar esta nueva situación.

Con el tiempo, el modelo ML crea resiliencia para estos nuevos casos extremos. Esto da como resultado un sistema robusto y flexible para nuevos valores atípicos o excepciones, y el sistema se fortalece con el tiempo. Esto significa que la automatización mejora cada vez más y la intervención humana disminuirá con el tiempo.

Tener expertos humanos al tanto es fundamental para hacer que la IA sea más inteligente, más rápida y mejor. Necesitamos humanos para entrenar adecuadamente a la IA y garantizar que pueda manejar los valores atípicos que son una parte inevitable de cualquier industria, y especialmente en un campo dinámico como el de la atención médica.

¿Cómo funciona la solución human-in-the-loop de AKASA, Unified Automation™, y cuáles son algunos de los principales casos de uso de esta plataforma?

Unified Automation es una plataforma diseñada específicamente para el cuidado de la salud. Usando AI, ML y nuestro equipo de expertos en facturación médica, crea una solución personalizada perfectamente integrada que lo ayuda a ver el valor más rápido, prácticamente sin mantenimiento o colas de excepción.

Ha sido diseñado teniendo en cuenta las excepciones y los valores atípicos. Si encuentra algo nuevo, la plataforma señala el problema al equipo de expertos de AKASA, quienes 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 personalizada y perfectamente integrada que ayuda a reducir los costos operativos, eleva al personal para abordar un trabajo más gratificante que requiere un toque humano y mejora la captura de ingresos para los sistemas de salud al mismo tiempo que mejora la experiencia financiera del paciente.

Así es como funciona la automatización unificada:

El software propietario observa: Nuestra herramienta Worklogger™ observa de forma remota cómo el personal sanitario completa sus tareas. Luego, nuestro equipo etiqueta esos datos y los introduce en nuestra automatización para brindar una vista integral de los flujos de trabajo y procesos actuales. Esto da como resultado una mayor visibilidad del desempeño del personal, datos fundamentales sobre los flujos de trabajo para impulsar nuestra automatización y un análisis preciso de tiempo por tarea.

La IA realiza: Después de observar y aprender los flujos de trabajo del personal de atención médica, nuestra IA realiza estas tareas de forma autónoma. Aprende continuamente de los problemas y casos extremos con los que se encuentra, asumiendo tareas más complejas con el tiempo. Unified Automation se encuentra 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 necesita configuración ni intervención del personal.

La experiencia humana asegura:  El sistema marca automáticamente a nuestro equipo de expertos en facturación médica para manejar excepciones y valores atípicos, entrenando a la IA en tiempo real mientras trabajan. Esta es la parte del experto en el circuito. Con el aprendizaje continuo incorporado, la plataforma de Unified Automation se vuelve más inteligente y eficiente con el tiempo y el trabajo siempre se realiza.

¿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 punta. Estamos comprometidos a publicar nuestra IA y nuestros enfoques en publicaciones revisadas por pares para establecer continuamente nuevos estándares de vanguardia para la IA en las operaciones de atención médica y hacer avanzar a toda nuestra industria.

Por ejemplo, nuestra investigación se presentó en la Conferencia Internacional sobre Aprendizaje Automático (ICML), la Cumbre de Procesamiento del Lenguaje Natural (NLP) y la Conferencia sobre Aprendizaje Automático para la Atención Médica (MLHC), entre otras. Estamos adoptando un enfoque muy disciplinado para probar nuestros modelos y comparar el rendimiento con los enfoques de IA más modernos del mercado.

Se cree que nuestra solución de denegaciones predictivas es el primer sistema basado en aprendizaje profundo publicado que puede predecir con precisión las denegaciones de reclamos médicos en más del 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 por definir un nuevo estado del arte para la industria y superó a los modelos actuales en un 18 %, superando la productividad de los codificadores humanos. Creemos que estas innovaciones administrativas son fundamentales para mejorar el sistema de atención médica de EE. UU. a escala y continuarán impulsando avances y creando soluciones personalizadas para este espacio.

Hay mucha exageración en torno a la IA en el cuidado de la salud, pero cuando se trata de eso, las empresas pueden exagerar lo que su tecnología realmente puede hacer. Es mucho más difícil realizar investigaciones para validar lo que hacen los algoritmos, y nos enorgullecemos de haber tomado esta ruta significativa pero desafiante para demostrar en última instancia que la plataforma de automatización unificada de AKASA realmente está generando un cambio positivo y significativo en los hospitales y los sistemas de salud.

Estamos entusiasmados con el futuro y lo que vendrá en AKASA a medida que construimos el futuro de la atención médica con IA.

Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar AKASA.