Varun Ganapathi, AKASAn CTO ja Co-Perustaja – Haastattelusarja

Varun Ganapathi on terveydenhuollon sovelluksiin tekoälyä kehittävän AKASAn teknologiajohtaja ja toinen perustaja. AKASA auttaa terveydenhuollon organisaatioita parantamaan toimintaansa, myös laskutuksen ja maksujen koko elinkaarta, kasvattaakseen tuloja, tehostaakseen toimintaa ja parantaakseen potilaskokemusta. Varun on ennen AKASAa perustanut menestyksekkäästi kaksi tekoäly-yritystä, joista toisen osti Google (GOOGL ) ja toisen Udacity.

Olet ollut mukana monissa merkittävissä tekoälyprojekteissa, voitko kertoa meille joistakin varhaisimmista päivistäsi Stanfordin yliopistossa, jolloin työskentelit helikopterien tekemiseksi autonomisiksi?

Kun opiskelin fysiikkaa Stanfordin yliopiston perustutkinto-opiskelijana, olin kiinnostunut myös tietojenkäsittelytieteestä ja koneoppimisesta (ML). Minulle tekoäly ja koneoppiminen yhdistivät kaiken: ne ovat automatisoitu tapa soveltaa fysiikkaa mihin tahansa digitoitavissa olevaan ilmiöön.

Tässä erityisessä projektissa meillä oli helikopteri, joka näytti suurelta drone-lta, hieman pienemmältä kuin yhden hengen patja – aikana, jolloin dronet eivät olleet yleisiä. Ihmiset lennättivät sitä ja tekivät sillä temppuja, kuten leijumista ylösalaisin. Vaikka tämä on hyvin vaikeaa, halusimme kehittää tekoälyalgoritmin, joka voisi oppia ihmisiltä, miten lentää tätä helikopteria autonomisesti.

Loimme varsinaiseen helikopteriin perustuvan fysiikkasimulaattorin ja koneoppimisalgoritmin, joka oppi ennustamaan sen liikkeitä. Kehitimme sitten ohjaimen soveltamalla simulaattorissa vahvistusoppimista, ja latasimme ohjelmiston oikeaan helikopteriin. Kun käynnistimme helikopterin, se toimi ensimmäisellä yrityksellä! Helikopteri pystyi heti leijumaan ylösalaisin omin päin, mikä oli vaikuttavaa. Tiimi jatkoi muiden temppujen automatisointia koneoppimisen avulla.

Voitko kertoa meille myös työstäsi Google Booksissa ja siitä, miten yrityksesi lopulta myytiin Googlelle?

Tein harjoittelun Googlella vuonna 2004, heti helikopteriprojektin jälkeen – silloin opiskelin edelleen Stanfordin yliopistossa. Tuolloin työskentelin Google Books -projektissa, jossa skannattiin kaikkia maailman kirjoja.

Google maksoi ihmisille kirjoja koskevien tietojen, kuten sivujen, sisällysluetteloiden ja tekijänoikeustietojen, merkitsemisestä. Se vei paljon aikaa. Halusin selvittää, voisiko koneoppimista käyttää tähän, ja se toimi erittäin hyvin. Se suoriutui ihmisiä paremmin ja tarkemmin, sillä suurin osa virheistä johtui manuaalisessa merkitsemisessä tapahtuneista inhimillisistä virheistä.

Tämä sai minut todella innostumaan tekoälystä, koska se osoitti, että voit mennä ihmisen suorituskyvystä ihmisen tason ylittävään suorituskykyyn – tekemällä arkisia tehtäviä vähemmin virhein ja tasaisemmin, samalla kun käsitellään reunatapauksia.

Päätin tämän jälkeen suorittaa tohtorintutkinnon Stanfordissa ja keskittyä koneoppimiseen, aluksi teoreettisiin tutkimuksiin. Väitöskirjaani varten kehitin reaaliaikaisen liikkeenkaappausalgoritmin, jonka avulla tietokone voi seurata ihmisen kaikkien nivelten liikkeitä syvyyskameran kuvasta. Tämä oli perusta ensimmäiselle yritykselleni Numovisille, joka keskittyi liikkeenseurantaan ja konenäköön käyttäjien vuorovaikutuksessa. Google osti yrityksen.

Koko matkani helikopteriprojektista Google Booksiin, itseohjautuviin autoihin ja nyt terveydenhuollon toimintoihin osoitti minulle, miten voimakas ja yleispätevä tekoälyalgoritmi on.

Voitko kertoa meille AKASAn syntytarinaa?

Olemme rakentaneet AKASAn ratkaisemaan valtavan, syvään juurtuneen ongelman terveydenhuollon toiminnassa. Nämä toiminnot ovat sekä kalliita että virhealttiita, mikä voi johtaa turhaan paniikin aiheuttaviin rahoituksellisiin kokemuksiin potilaille. Terveydenhuollon hallinnon puolella ei ollut uutta teknologiaa, eikä mitään tarkoitukseen suunniteltua. Selvisi meille, että voitiin käyttää teknologiaa, kuten tekoälyä ja ML:ää, ratkaisemaan nämä toiminnalliset haasteet innovatiivisella tavalla. Kun puhuimme useiden terveydenhuoltojärjestelmien ja terveydenhuollon johtajien kanssa, he vahvistivat ajattelumme, mikä lopulta johti AKASAn perustamiseen vuonna 2019.

AKASAn tarkoituksena on ollut selvä alusta alkaen – mahdollistaa ihmisten terveys ja rakentaa terveydenhuollon tulevaisuutta tekoälyllä. Päätimme vastata haasteeseen yhdistämällä ihmisen älykkyyden johtavaan tekoälyyn ja ML:ään, jotta terveydenhuoltojärjestelmät voivat vähentää toimintakustannuksia ja kohdentaa resursseja sinne, missä niitä eniten tarvitaan.

Järjestelmästä riippumaton, joustava alusta palvelee tällä hetkellä asiakaskuntaa, joka edustaa yli 475 sairaalaa ja terveydenhuoltojärjestelmää ja yli 8 000 avohoitotoimipistettä, kaikissa 50 osavaltiossa. Teknologiamme auttaa näitä organisaatioita, käyttivätpä ne sähköisiä potilastietojärjestelmiä, kuten Epic, Cerner, muita sähköisiä potilastietojärjestelmiä tai täydentäviä järjestelmiä, ja kaikkea siltä väliltä. Ja olemme tehneet sen vahvoilla tuloksilla.

Asiakaskuntamme yhteenlasketut potilashoidon nettotulot ovat yli 110 miljardia dollaria. Se vastaa yli kymmentä prosenttia Yhdysvaltojen terveydenhuoltojärjestelmien vuotuisista kokonaismenoista Centers for Medicaid and Medicare Services -viraston mukaan. AKASAn mallit ja algoritmit on koulutettu lähes 290 miljoonalla korvaushakemuksella ja maksusuorituksella.

Terveydenhuollon “näkymätön putkisto” on erittäin monimutkainen, mutta sillä on valtava vaikutus ihmisten terveyteen, ja me automatisoimme sitä vähitellen.

Mitä terveydenhuollon tehtäviä AKASA pyrkii automatisoimaan?

Ainutlaatuinen asiantuntijan osallistumiseen perustuva Unified Automation™ -lähestymistapamme yhdistää koneoppimisen ihmisen harkintaan ja alakohtaiseen asiantuntemukseen. Näin terveydenhuollon toimintojen automaatio on luotettavaa ja kestää poikkeamia. AKASA voi automatisoida ja virtaviivaistaa terveydenhuollon taloushallinnon tehtäviä alusta loppuun, laskujen käsittely ja maksut mukaan lukien. Tehtäviin kuuluvat potilaan korvauskelpoisuuden tarkistaminen, vakuutustietojen dokumentointi ja varmistaminen, potilaan kustannusten arviointi, korvaushakemusten muokkaus, uudelleenlaskutus ja muutoksenhaku sekä hylkäysten ennustaminen ja hallinta.

Tämänkaltaisen automaation ansiosta ei vain vähennetä virheitä ja viivästyksiä potilaiden osalta, mikä auttaa estämään yllättäviä lääkärimaksuja, vaan se myös vapauttaa terveydenhuollon henkilöstön manuaalisista ja toistuvista tehtävistä – sallien heidän keskittyä palkitsevampiin, haasteellisempiin ja arvokkaampiin tehtäviin, jotka ovat suunnattuja potilaskokemukseen.

Millaisia koneoppimisalgoritmeja käytetään?

AKASA käyttää samoja tekoälylähestymistapoja, jotka mahdollistivat itseohjautuvat autot, tarjotakseen terveydenhuoltojärjestelmille yhden ratkaisun terveydenhuollon toimintojen automatisoimiseksi. Tämä lähestymistapa – tekoälyyn keskittyen – laajentaa automaation kykyjä ottamaan monimutkaisemman työn suurella mittakaavalla.

Kehitämme huipputason algoritmeja konenäön, luonnollisen kielen ymmärtämisen ja rakenteiseen dataan liittyvien ongelmien ratkaisuun. Alustamme perustuu konenäöllä toimivaan ohjelmistorobotiikkaan (RPA), jota täydennämme nykyaikaisella tekoälyllä, koneoppimisella ja prosessiin osallistuvalla asiantuntijalla luotettavan automaation aikaansaamiseksi.

Jotta voimme antaa yleiskatsauksen siitä, miten se toimii, oma ratkaisumme havainnoi ensin, miten terveydenhuollon henkilöstö suorittaa tehtäviä. Tiimimme merkitsee tämän datan ja käyttää sitä kouluttamaan algoritmejamme, jotta teknologiamme voi ymmärtää ja oppia, miten terveydenhuollon henkilöstö ja heidän järjestelmänsä toimivat. Tämän jälkeen alustamme suorittaa nämä työnkulut autonomisesti. Lopulta käytämme asiantuntijoita, jotka voivat puuttua jokaisen poikkeuksen tai epätavallisen tapauksen käsittelyyn. Tekoäly jatkaa jatkuvasti oppimista näistä kokemuksista, mikä mahdollistaa sen ottaa vastaan monimutkaisempia tehtäviä ajan myötä.

Voitko keskustella ihmisen roolin merkityksestä silmukassa -lähestymistavassa ja miksi se on korvaamassa RPA:n?

Karu totuus on, että RPA on vuosikymmeniä vanhaa, haurasta teknologiaa, jonka kyvykkyydellä on todelliset rajat. Sillä on aina jonkin verran arvoa yksinkertaisen, erillisen ja suoraviivaisen työn automatisoinnissa. Automaatiohankkeet jäävät kuitenkin usein tavoitteistaan, koska elämä on monimutkaista ja muuttuu jatkuvasti.

RPA:n peruslähestymistapa on rakentaa robotti (botti) jokaiselle ongelmanratkaisuun tai polkuun, jonka haluat ratkaista. Ihminen (konsultti tai insinööri) rakentaa robotin ratkaisemaan tiettyä ongelmaa. Tämä robotti korvaa sarjan askelia. Se tarkastelee ruutua, tekee toiminnon ja toistaa sen.

Ongelma, joka usein esiintyy, on, että ympäristön muutos, kuten ohjelmistoon tai käyttöliittymään tehty muutos, voi aiheuttaa botin toiminnan rikkoutumisen. Kuten tiedämme, teknologia on jatkuvasti kehittyvä, luoden dynaamisia ympäristöjä. Tämä tarkoittaa, että RPA-robotit usein epäonnistuvat.

Toinen ongelma näillä botilla on, että sinun on luotava yksi jokaiselle tilanteelle, jonka haluat ratkaista. Tekemällä tämän, lopputuloksena on useita botteja, jotka suorittavat hyvin yksinkertaisia tehtäviä, jotka eivät vaadi paljon taitoa.

Se on kuin whack-a-mole -peli. Jokaisena päivänä kohtaat todennäköisyyden, että yksi niistä menee rikki, koska jokin ohjelmisto on muuttunut tai jotain epätavallista tapahtuu – valintaikkuna tulee esiin tai uudenlainen syöte tapahtuu. Tuloksena on kalliit ylläpitokustannukset pitääkseen nämä botit toiminnassa. Forresterin tutkimuksen mukaan jokaiselle RPA:han käytetylle dollarille kuluu 3,41 dollaria konsulttiresursseihin.

Toisin sanoen RPA-ohjelmisto itsessään ei ole suurin kustannus. Suurempi kustannuspanostus on kaikki se työ, jonka on tehtävä pitääkseen RPA:n aina toiminnassa. Monet organisaatiot eivät ota huomioon tätä jatkuvaa kustannusta.

Koska elämä on monimutkainen ja jatkuvasti muuttuva, paljon työtä jää RPA:n kykyjen ulottumattomiin, ja siinä tekoäly tulee kuvaan. Tekoäly mahdollistaa meidän automatisoida haasteellisen työn. Uskomme, että ratkaiseva tekijä ovat ihmiset, jotka parantavat algoritmeja opettamalla niitä.

Kun algoritmi ei ole varma siitä, mitä sen pitäisi tehdä eli sen varmuus on alhainen, tehtävä siirretään prosessiin osallistuvalle ihmiselle. Ihmiset merkitsevät nämä esimerkit ja tunnistavat tapaukset, joita nykyinen malli ei käsittele. Jos tekoäly on tämän tarkistuksen mukaan toiminut oikein, tehtävä toimii hyvin.

Jokainen tehtävä, jossa ihminen havaitsee virheen, on tapaus, jossa kone ei toimi oikein. Tässä tapauksessa data lisätään aineistoomme, joka kouluttaa uudelleen ML-malleja käsittelemään tämän uuden tilanteen.

Ajan myötä ML-malli kehittää kestävyyttä näille uusille reunatapauksille. Tämä johtaa järjestelmään, joka on vankka ja joustava uusille poikkeuksille, ja järjestelmästä tulee vahvempi ajan myötä. Tämä tarkoittaa, että automaatio paranee ja paranee, ja ihmisen väliintulo vähenee ajan myötä.

Ihmisten asiantuntijoiden sisällyttäminen silmukkaan on kriittinen tekijä tekoälyn tehokkuuden, nopeuden ja laadun parantamisessa. Tarvitsemme ihmisiä kouluttamaan tekoälyä oikein ja varmistamaan, että se voi käsitellä poikkeuksia, joita väistämättä esiintyy millä tahansa alalla – ja erityisesti dynaamisella alalla, kuten terveydenhuollossa.

Miten AKASAn ihmisen silmukka -ratkaisu Unified Automation toimii, ja mitkä ovat sen pääasialliset käyttötarkoitukset?

Unified Automation on alusta, joka on suunniteltu terveydenhuollon tarpeisiin. Se yhdistää tekoälyä, ML:ää ja tiimimme terveydenhuollon laskutuksen asiantuntijoita luodakseen yhtenäisen, mukautuvan ratkaisun, joka auttaa näkemään arvon nopeammin, lähes ilman ylläpitoa tai poikkeusjonoja.

Se on suunniteltu poikkeuksia ja reunatapauksia silmällä pitäen. Jos se kohtaa jotain uutta, alusta merkitsee ongelman AKASAn tiimille, joka ratkaisee sen, kun järjestelmä oppii toimista, joita he tekevät. Se on ihmisen elementti, joka erottaa meidät muista markkinoiden ratkaisuista ja sallii alustan jatkuvan oppimisen ja parantamisen.

Unified Automation mukautuu myös terveydenhuollon alan dynaamiseen luonteeseen. Se on yhtenäinen, mukautuva ratkaisu, joka auttaa vähentämään toimintakustannuksia, vapauttaa henkilöstöä palkitsevampiin tehtäviin, jotka vaativat ihmisen kosketusta, ja parantaa tulojen kotiuttamista terveydenhuoltojärjestelmissä, samalla kun se parantaa potilaiden kokemusta hoidon taloudellisesta puolesta.

Tässä on, miten Unified Automation toimii:

Oma ohjelmistomme havainnoi: Worklogger™-työkalumme seuraa etänä, miten terveydenhuollon henkilöstö suorittaa tehtäviään. Tiimimme merkitsee datan ja syöttää sen automaatioomme, jotta nykyisistä työnkuluista ja prosesseista saadaan kattava kuva. Tämä parantaa henkilöstön suoriutumisen näkyvyyttä, tuottaa automaation tarvitseman perustiedon työnkuluista ja mahdollistaa tarkan tehtäväkohtaisen ajankäytön analyysin.

AI suorittaa: Havainnon ja oppimisen jälkeen terveydenhuollon henkilöstön työnkuluista, AI suorittaa nämä tehtävät autonomisesti. Se jatkaa oppimista ongelmista ja reunatapauksista, joita se kohtaa, ottaen monimutkaisempia tehtäviä vastaan ajan myötä. Unified Automation sijaitsee jonon yläpuolella – määrittäen itselleen soveltuvat tehtävät ja suorittaa ne ilman, että se häiritsee tiimiä. Se optimoi myös prosesseja automaattisesti, joten henkilöstöltä ei vaadita asetuksia tai puuttumista.

Ihmisen asiantuntijuus varmistaa: Järjestelmä merkitsee automaattisesti tiimimme terveydenhuollon laskutuksen asiantuntijoita käsittelemään poikkeuksia ja reunatapauksia, kouluttaen AI:ta reaaliajassa, kun he työskentelevät. Tämä on asiantuntija-silmukka. Jatkuvan oppimisen ansiosta Unified Automation -alusta paranee ja tulee tehokkaammaksi ajan myötä, ja työ tehdään aina.

Onko jotain muuta, mitä haluaisit jakaa AKASasta?

Toimintamme lähtee tutkimuksesta, joten asiakkaamme saavat käyttöönsä uusinta teknologiaa. Olemme sitoutuneet julkaisemaan tekoälyämme ja menetelmiämme vertaisarvioiduissa julkaisuissa, jotta voimme jatkuvasti asettaa uusia huipputason standardeja tekoälyn käytölle terveydenhuollon toiminnoissa ja viedä koko alaa eteenpäin.

Tutkimustamme on esitetty muun muassa International Conference on Machine Learning (ICML) -konferenssissa, Natural Language Processing (NLP) Summit -tapahtumassa ja Machine Learning for Healthcare Conference (MLHC) -konferenssissa. Testaamme mallejamme hyvin järjestelmällisesti ja vertaamme niiden suorituskykyä markkinoiden edistyneimpiin tekoälymenetelmiin.

Korvaushakemusten hylkäyksiä ennustavan ratkaisumme uskotaan olevan ensimmäinen julkaistu syväoppimiseen perustuva järjestelmä, joka ennustaa terveydenhuollon korvaushakemusten hylkäyksiä yli 22 prosenttia nykyisiä vertailumenetelmiä tarkemmin. Read, Attend, Code -mallimme koodaa korvaushakemuksia itsenäisesti kliinisten muistiinpanojen perusteella. Sen on tunnustettu asettavan alalle uuden huipputason, ja se ylitti nykyiset mallit 18 prosentilla sekä ihmiskoodaajien tuottavuuden. Uskomme näiden taustatoimintojen innovaatioiden olevan ratkaisevia Yhdysvaltojen terveydenhuoltojärjestelmän laajamittaisessa parantamisessa. Jatkamme kehitystä ja räätälöityjen ratkaisujen rakentamista tälle alueelle.

On paljon meteliä tekoälystä terveydenhuollossa, mutta lopulta yritykset voivat yliarvioida, mitä heidän teknologiansa voi todella tehdä. On paljon vaikeampaa tehdä tutkimusta, jotta voidaan vahvistaa, mitä algoritmit tekevät – ja olemme ylpeitä siitä, että olemme valinneet tätä merkittävää, mutta haastavaa reittiä lopulta osoittamaan, että AKASAn Unified Automation -alusta tuo todellista ja merkittävää muutosta sairaaloille ja terveydenhuoltojärjestelmille.

Olemme innoissamme tulevaisuudesta ja siitä, mitä tulee tapahtumaan AKASAssa, kun rakennamme terveydenhuollon tulevaisuutta tekoälyllä.

Kiitos hienosta haastattelusta, lukijoille, jotka haluavat oppia enemmän, suosittelemme vierailemaan AKASAssa.