Akilesh Bapu, fondateur et PDG de DeepScribe – Série d’entretiens

Akilesh Bapu est le fondateur et PDG de DeepScribe, qui utilise le traitement automatique du langage naturel (NLP) et l’apprentissage automatique avancé pour générer des notes précises, conformes et sécurisées des conversations entre médecins et patients.

Qu’est-ce qui vous a introduit et attiré vers l’IA et le traitement automatique du langage naturel ?

Si je me souviens bien, c’est Jarvis de « Iron Man » qui m’a vraiment attiré dans le monde du traitement automatique du langage naturel et de l’IA. Plus particulièrement, j’ai trouvé fascinant à quel point un humain pouvait aller plus vite et plus loin dans les tâches et révéler des informations incroyables grâce à cette IA.

C’est le concept de « l’IA seule ne sera pas aussi bonne que les humains pour la plupart des tâches, mais associer un humain et une IA, et cette combinaison dominera ». Le traitement automatique du langage naturel est le moyen le plus efficace pour que cette combinaison humain-IA se produise.

Ensuite, j’ai été obsédé par Siri, Google (GOOGL ) Now, Alexa et les autres. Même si ils ne fonctionnaient pas aussi bien que Jarvis, j’ai vraiment voulu les faire fonctionner comme Jarvis. Plus particulièrement, ce qui est devenu évident, c’est que des commandes comme « Alexa, fais ceci », « Alexa, fais cela » étaient assez faciles et précises à exécuter avec l’état actuel de la technologie. Mais lorsqu’il s’agit de quelque chose comme Jarvis, qui peut vraiment apprendre et comprendre, filtrer et sélectionner des sujets importants lors d’un échange conversationnel – cela n’avait pas vraiment été fait auparavant. Cela se rapporte directement à l’une de mes motivations fondamentales pour créer DeepScribe. Alors que nous résolvons le problème de la documentation pour les médecins, nous essayons de créer une nouvelle vague d’intelligence : l’intelligence ambiante. Une IA qui peut fouiller vos échanges quotidiens, trouver des informations utiles et les utiliser pour vous aider.

Avez-vous déjà effectué des recherches utilisant l’apprentissage automatique et le NLP à l’UC Berkeley College of Engineering ? Quelle était votre recherche ?

À l’époque, au Berkeley AI Research Lab, j’ai travaillé sur un projet d’annotateur de terminologie génétique où nous résumions des articles PubMed avec des paramètres de sortie spécifiques.

Le survol de haut niveau : Prenez une tâche comme la résumé d’articles de CNN. Dans cette tâche, vous prenez des articles et les résumez en quelques phrases. Vous avez en votre faveur des données et la capacité de former ces modèles sur plus d’un million d’articles. Cependant, l’espace de problème est énorme, car vous avez une structure limitée pour les résumés. De plus, il y a à peine de structure pour les articles eux-mêmes. Même si des améliorations ont été apportées depuis 2,5 ans, lorsque j’ai travaillé sur ce projet, il s’agit toujours d’un problème non résolu.

Dans notre projet de recherche, nous avons développé des résumés structurés d’articles. Un résumé structuré, dans ce cas, est similaire à un résumé typique, mais nous savons exactement la structure de la sortie du résumé. C’est utile, car cela réduit considérablement les options de sortie pour notre modèle d’apprentissage automatique – le défi était qu’il n’y avait pas assez de données annotées pour former un modèle d’apprentissage automatique avancé et obtenir des résultats utilisables.

Le cœur du travail que j’ai effectué sur ce projet a consisté à exploiter les connaissances que nous avons sur les données d’entrée et à développer un ensemble de modèles d’apprentissage automatique peu profonds pour les soutenir – une technique que nous avons inventée, appelée l’annotateur à 2 étapes. L’annotateur à 2 étapes a atteint un niveau de précision près de 20 fois supérieur à celui du meilleur précédent (54 pour cent contre 3,6 pour cent).

Alors que, côte à côte, ce projet et DeepScribe peuvent sembler complètement différents, ils étaient très similaires dans la façon dont ils utilisaient la méthode d’annotation à 2 étapes pour améliorer considérablement les résultats sur un ensemble de données limité.

Quelle a été l’inspiration derrière le lancement de DeepScribe ?

Tout a commencé avec mon père, qui était un oncologue médical. Avant que les systèmes de dossiers médicaux électroniques ne prennent le relais dans les soins de santé, les médecins notaient des choses sur du papier et passaient très peu de temps sur les notes. Cependant, une fois que les DME sont devenus populaires dans le cadre de la loi HITECH de 2009, j’ai commencé à remarquer que mon père passait de plus en plus de temps à l’ordinateur. Il rentrait plus tard. Le week-end, il était assis sur le canapé en dictant des notes. Des choses simples comme me prendre à l’école ou au practice de basket sont devenues chose du passé, car il passait la plupart de ses soirées à rattraper le retard dans la documentation.

En tant que gamin nerd qui grandissait, j’essayais de trouver des solutions pour lui en recherchant sur Internet et en lui faisant essayer. Malheureusement, rien n’a fonctionné suffisamment bien pour le sauver des longues heures de documentation.

Je fais un saut en avant de plusieurs années, en été 2017 – je suis un chercheur travaillant au Berkeley AI Research Lab, travaillant sur des projets de résumé de documents. Un été, lorsque je suis de retour à la maison, je remarque que mon père passe toujours beaucoup de temps à documenter. Je lui demande : « Qu’est-ce qui se passe dans le monde de la documentation ? Alexa est partout, Google Assistant est si bon maintenant. Dites-moi, qu’est-ce qui se passe dans l’espace médical ? » Et sa réponse est : « Rien n’a changé ». Je pensais que c’était juste lui, mais lorsque j’ai interrogé plusieurs de ses collègues, c’était le même problème : ce n’était pas ce qui se passait dans le domaine du traitement du cancer ou les problèmes nouveaux que leurs patients avaient – c’était la documentation. « Comment puis-je me débarrasser de la documentation ? Comment puis-je gagner du temps sur la documentation ? Cela prend tellement de temps ».

Je remarque également plusieurs sociétés qui ont émergé pour essayer de résoudre la documentation. Cependant, soit elles étaient trop coûteuses (plusieurs milliers de dollars par mois), soit elles étaient trop minimalistes en termes de technologie. Les médecins à l’époque avaient très peu d’options. C’est alors que l’opportunité s’est présentée : si nous pouvions créer un scribe médical artificiellement intelligent, une technologie qui pourrait suivre les visites de patients des médecins et les résumer, et l’offrir à un coût qui pourrait la rendre accessible à tous, cela pourrait vraiment ramener la joie des soins dans la médecine.

Vous aviez seulement 22 ans lorsque vous avez lancé DeepScribe. Pouvez-vous décrire votre parcours en tant qu’entrepreneur ?

Ma première exposition à l’entrepreneuriat remonte à mes années de lycée. Cela a commencé lorsque un ami et moi, qui connaissions un peu les bases de JavaScript, nous sommes rencontrés avec le directeur d’un centre pour enfants ayant des troubles d’apprentissage. Ils nous ont dit à quel point les outils les plus simples pouvaient aller loin avec les enfants dyslexiques. Nous avons fini par créer une extension de lecteur de dyslexie pour Chrome. C’était vraiment basique – il ajustait simplement la police pour répondre aux directives scientifiques pour la facilité de lecture des personnes dyslexiques. Même si le concept était simple, nous avons obtenu plus de 5 000 utilisateurs actifs en quelques mois. J’étais sous le choc de l’impact que la technologie la plus basique pouvait avoir sur les gens.

À Berkeley, j’ai continué à me plonger dans le monde de l’entrepreneuriat autant que possible, principalement avec leur large éventail de cours. Mes préférés étaient :

1. La série de conférences Newton – des personnes comme Jessica Mah de InDinero ou Diane Greene de VMWare, qui étaient des anciens de Cal, ont donné des discours très pertinents sur leur temps à Berkeley et sur la façon dont ils ont créé leurs propres entreprises
2. Challenge Lab – j’ai rencontré mon co-fondateur Matt Ko à travers ce cours. Nous avons été placés dans des groupes et avons traversé un parcours semestriel de création d’un produit et d’être mentoré sur ce qu’il faut faire au stade précoce pour lancer une idée
3. Lean Launchpad – de loin mon préféré des trois ; c’était un processus rigoureux et éprouvant où nous avons été guidés par Steve Blank (un milliardaire acclamé et l’homme derrière le mouvement Lean Startup) pour prendre une idée, la valider à travers 100 entretiens avec des clients, créer un modèle financier et plus. C’était le type de cours où nous présentions notre « startup » pour être arrêtés à la diapositive 1 ou 2 et être interrogés. Si cela n’était pas suffisamment difficile, nous devions également interviewer 10 clients par semaine. Notre idée à l’époque était de créer une recherche de brevets qui donnerait des résultats similaires à une recherche d’antériorité coûteuse, ce qui signifiait que nous présentions à 10 clients d’entreprise par semaine. C’était génial, car cela nous a appris à réfléchir rapidement et à être extrêmement ingénieux.

DeepScribe a démarré lorsque le groupe d’investisseurs The House Fund écrivait des chèques pour les étudiants qui annuleraient leurs stages d’été et passeraient leur été à construire leur entreprise. Nous venions de fermer Delphi (le moteur de recherche de brevets) et Matt et moi avions constamment discuté de la documentation médicale et tout s’est mis en place, car c’était le moment idéal pour essayer de créer quelque chose.

Avec DeepScribe, nous avons eu la chance d’avoir tout juste terminé Lean Launchpad, puisque l’un des facteurs les plus importants dans la construction d’un produit pour les médecins était d’itérer et d’affiner le produit autour des commentaires des clients. Un problème historique de l’industrie médicale a été que les logiciels ont rarement inclus des médecins dans la boucle de conception, ce qui a abouti à des logiciels qui n’étaient pas optimisés pour l’utilisateur final.

Puisque DeepScribe se produisait en même temps que ma dernière année à Berkeley, c’était un équilibre lourd. Je me présentais en classe en costume pour être à l’heure pour une démo de client juste après. J’utilisais toutes les installations EE et les professeurs non pour quelque chose qui avait trait à la classe, mais à 100 pour cent pour DeepScribe. Mes réunions avec mon mentor de recherche se sont même transformées en sessions de réflexion sur DeepScribe.

En regardant en arrière, si je devais changer une chose dans mon parcours, ce serait de mettre la fac en attente pour que je puisse passer 150 pour cent de mon temps sur DeepScribe.

Pouvez-vous décrire pour un professionnel de la santé les avantages de l’utilisation de DeepScribe par rapport à la méthode traditionnelle de dictée vocale ou même de prise de notes ?

Utiliser DeepScribe est censé être très similaire à utiliser un scribe humain réel. Alors que vous parlez naturellement à votre patient, DeepScribe écoute et sélectionne les déclarations médicalement pertinentes qui vont généralement dans vos notes et les y place, en utilisant le même langage médical que vous utilisez vous-même. Nous aimons penser que c’est un nouveau membre de votre personnel médical alimenté par l’IA que vous pouvez former comme vous le souhaitez pour aider à la documentation dans votre système de dossiers médicaux électroniques comme vous le souhaitez. C’est très différent de l’utilisation d’un service de dictée vocale, car cela élimine tout simplement l’étape de devoir revenir et documenter. Alors que les services de dictée typiques transforment 10 minutes de documentation en 7-8 minutes, DeepScribe les transforme en quelques secondes. Nos médecins rapportent avoir gagné entre 1,5 et 3 heures par jour, selon le nombre de patients qu’ils voient.

DeepScribe est indépendant de l’appareil, opérable à partir d’un iPhone, d’une Apple Watch, d’un navigateur (pour la télémédecine) ou d’un appareil matériel.

Quels sont certains des défis de reconnaissance vocale ou de NLP que DeepScribe peut rencontrer en raison de la terminologie médicale complexe ?

Contrairement à l’opinion populaire, la terminologie médicale complexe est en fait la partie la plus facile pour DeepScribe à sélectionner. La partie la plus difficile pour DeepScribe est de sélectionner des déclarations contextuelles uniques que peut faire un patient à un médecin. Plus ils s’écartent d’une conversation typique, plus nous voyons l’IA trébucher. Mais à mesure que nous collectons plus de données conversationnelles, nous voyons cela s’améliorer de manière spectaculaire chaque jour.

Quelles sont les autres technologies d’apprentissage automatique utilisées avec DeepScribe ?

Les grandes catégories de reconnaissance vocale et de NLP tendent à couvrir la plupart de l’apprentissage automatique que nous faisons chez DeepScribe.

Pouvez-vous nommer certains des hôpitaux, des organisations à but non lucratif ou des établissements universitaires qui utilisent DeepScribe ?

DeepScribe a démarré à travers un programme pilote avec le Centre de santé de l’UC Berkeley. Hartford Healthcare, Texas Medical Center et Cedar Valley Medical Specialists sont quelques-uns des plus grands systèmes avec lesquels DeepScribe travaille.

Cependant, le pourcentage plus élevé d’utilisateurs de DeepScribe sont 50 cabinets privés allant de l’Alaska à la Floride. Nos spécialités les plus populaires sont les soins primaires, l’orthopédie, la gastroentérologie, la cardiologie, la psychiatrie et l’oncologie, mais nous soutenons également un certain nombre d’autres spécialités.

DeepScribe a récemment lancé un programme pour aider avec la COVID-19. Pouvez-vous nous guider à travers ce programme ?

La COVID-19 a frappé nos médecins avec force. Les cabinets ne voient que 30-40 pour cent de leur charge de patients, le personnel de scribe est réduit et les prestataires sont contraints de passer rapidement tous leurs patients à la télémédecine. Tout cela se traduit par plus de travail administratif pour les prestataires – chez DeepScribe, nous croyons fermement que pour que cette pandémie cesse, les médecins doivent consacrer 100 pour cent de leur attention et de leur temps à soigner leurs patients.

Pour aider à cette cause, nous sommes fiers de lancer une solution de télémédecine gratuite aux professionnels de la santé qui luttent contre cette pandémie. Notre solution de télémédecine est entièrement intégrée à notre solution de scribe médical alimentée par l’IA, éliminant ainsi le besoin de documentation clinique pour les rencontres effectuées sur notre plateforme.

Nous offrons également notre service de scribe gratuitement pendant la pandémie. Cela signifie que tout médecin peut avoir accès à un scribe gratuitement pour gérer sa documentation. Nous espérons que, ce faisant, les médecins pourront se concentrer davantage sur leurs patients et passer moins de temps à réfléchir à la documentation, ce qui conduira à une cessation plus rapide de l’épidémie de COVID-19.

Je vous remercie pour cette grande interview, j’ai vraiment apprécié d’en apprendre davantage sur DeepScribe et votre parcours entrepreneurial. Quiconque qui souhaite en savoir plus devrait visiter DeepScribe.