Akilesh Bapu, fondateur et PDG de DeepScribe - Série d'interviews

Akilesh Bapu est le fondateur et PDG de DeepScribe, qui utilise le traitement du langage naturel (NLP) et l'apprentissage profond avancé pour générer des notes précises, conformes et sécurisées des conversations médecin-patient.

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

Si je me souviens bien, Jarvis de "Iron Man" a été la première chose qui m'a vraiment attiré dans le monde du traitement du langage naturel et de l'IA. En particulier, j'ai trouvé fascinant à quel point un humain était capable non seulement d'accomplir des tâches, mais aussi d'approfondir certaines tâches et de dévoiler certaines informations qu'il n'aurait même pas connues si ce n'était pas pour cette IA.

C'était ce concept de "l'IA en elle-même ne sera pas aussi bonne que les humains dans la plupart des tâches, mais associez un humain et une IA et cette combinaison dominera." Le traitement du langage naturel est le moyen le plus efficace pour que cette combinaison homme/IA se produise.

Dès lors, j'ai été obsédé par Siri, Google Now, Alexa et les autres. Bien qu'ils ne fonctionnent pas aussi bien que Jarvis, je voulais tellement qu'ils fonctionnent comme Jarvis. En particulier, ce qui est devenu évident, c'est que des commandes telles que "Alexa, fais ceci", "Alexa, fais cela", étaient assez faciles et précises à exécuter avec l'état actuel de la technologie. Mais quand il s'agit de quelque chose comme Jarvis, où il peut réellement apprendre et comprendre, filtrer et reprendre des sujets importants lors d'un autre échange conversationnel, cela n'avait pas vraiment été fait auparavant. Cela est en fait directement lié à l'une de mes principales motivations dans la création de DeepScribe. Pendant que nous résolvons le problème de la documentation pour les médecins, nous tentons une toute nouvelle vague d'intelligence en le faisant : l'intelligence ambiante. Une IA qui peut fouiller dans vos énoncés quotidiens, trouver des informations utiles et utiliser ces informations pour vous aider.

Vous avez déjà effectué des recherches en utilisant l'apprentissage en profondeur et la PNL à l'UC Berkeley College of Engineering. Sur quoi portaient vos recherches ?

De retour au Berkeley AI Research Lab, je travaillais sur un projet d'annotateur d'ontologie génétique où nous résumions des articles PubMed avec des paramètres de sortie spécifiques.

La vue d'ensemble de haut niveau : prenez une tâche comme le résumé de l'article de presse de CNN. Dans cette tâche, vous prenez des articles de presse et les résumez en quelques phrases environ. En votre faveur, vous avez des données et la possibilité de former ces modèles sur plus d'un million d'articles. Cependant, l'espace du problème est énorme puisque vous avez une structure limitée aux résumés. De plus, il n'y a pratiquement aucune structure dans les articles réels. Bien qu'il y ait eu pas mal d'améliorations depuis 2.5 ans lorsque je travaillais sur ce projet, c'est toujours un problème non résolu.

Cependant, dans notre projet de recherche, nous élaborions des résumés structurés d’articles. Dans ce cas, un résumé structuré est similaire à un résumé typique, sauf que nous connaissons la structure exacte du résumé de sortie. Ceci est utile car cela réduit considérablement les options de sortie de notre modèle d'apprentissage automatique. Le problème était qu'il n'y avait pas suffisamment de formation annotée pour exécuter un modèle d'apprentissage profond gourmand en données et obtenir des résultats utilisables.

Le cœur du travail que j'ai effectué sur ce projet consistait à tirer parti des connaissances dont nous disposons sur les données d'entrée et à développer un ensemble de modèles ML peu profonds pour les prendre en charge, une technique que nous avons inventée appelée annotateur en 2 étapes. L'annotateur en 2 étapes a évalué à près de 20 fois la précision du meilleur précédent (54 % contre 3.6 %).

Bien que côte à côte, ce projet et DeepScribe puissent sembler totalement différents, ils étaient très similaires dans la façon dont ils ont utilisé la méthode d'annotation en 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 oncologue médical. Avant que les systèmes de dossiers de santé électroniques ne prennent le contrôle des soins de santé, les médecins notaient des choses sur papier et passaient très peu de temps sur des notes. Cependant, une fois que les DSE ont commencé à devenir 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 devant l'ordinateur. Il commencerait à rentrer plus tard. Le week-end, il était assis sur le canapé à dicter des notes. Des choses simples comme le fait qu'il vienne me chercher à l'école ou à l'entraînement de basket-ball sont devenues une chose du passé car il passait la plupart de ses heures du soir à rattraper son retard sur la documentation.

En tant qu'enfant ringard grandissant, j'essayais de lui trouver des solutions en cherchant sur le Web et en lui faisant les essayer. Malheureusement, rien n'a assez bien fonctionné pour le sauver des longues heures de documentation.

Avance rapide de plusieurs années jusqu'à l'été 2017 - je suis un chercheur travaillant au Berkeley AI Research Lab, travaillant sur des projets de synthèse de documents. Un été, alors que je suis de retour à la maison, je remarque que mon père passe encore beaucoup de temps à documenter. Je demande : « Quoi de neuf dans le monde de la documentation ? Alexa est partout, Google Assistant est si bon maintenant. Dites-moi, quelles sont les dernières nouveautés dans le domaine médical ? » Et sa réponse a été: "Rien n'a changé." Je pensais que c'était juste lui, mais quand je suis allé interroger plusieurs de ses collègues, c'était le même problème : pas ce qu'il y avait de plus récent dans le traitement du cancer ou les nouveaux problèmes que leurs patients avaient, c'était de la documentation. « Comment puis-je me débarrasser de la documentation ? Comment gagner du temps sur la documentation ? Cela me prend tellement de temps. »

J'ai aussi remarqué plusieurs entreprises qui avaient émergé pour essayer de résoudre la documentation. Cependant, soit ils étaient trop chers (des milliers de dollars par mois), soit ils étaient trop minimes en termes de technologie. Les médecins à cette époque avaient très peu d'options. C'est alors que s'est présentée l'opportunité que si nous pouvions créer un scribe médical artificiellement intelligent, une technologie capable de suivre les visites des patients par les médecins et de les résumer, et de l'offrir à un coût qui pourrait la rendre accessible à tous, cela pourrait vraiment apporter le la joie des soins revient à la médecine.

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

Ma première exposition à l'entrepreneuriat remonte au lycée. Tout a commencé lorsqu'un ami et moi qui connaissions les bases de JavaScript avons rencontré le directeur d'un centre pour enfants ayant des troubles d'apprentissage. Ils nous ont expliqué comment les outils les plus simples pouvaient faire beaucoup pour les enfants dyslexiques. Nous avons fini par pirater ensemble une extension Chrome pour lecteur de dyslexie. C'était vraiment dépouillé - il a simplement ajusté la police pour répondre aux directives scientifiques pour faciliter la lecture par les personnes dyslexiques. Alors que le concept était simple, nous avons fini par avoir plus de 5000 utilisateurs actifs en quelques mois. J'ai été époustouflé par la façon dont la technologie de base peut avoir un impact aussi profond sur les gens.

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

1. La série de conférences Newton - des personnes comme Jessica Mah d'InDinero ou Diane Greene de VMWare qui étaient des anciens de Cal ont donné des conférences très pertinentes sur leur séjour à Berkeley et sur la façon dont elles ont créé leur propre entreprise
2. Challenge Lab - J'ai rencontré mon co-fondateur Matt Ko grâce à ce cours. Nous avons été placés en groupes et avons traversé un parcours d'un semestre pour créer un produit et être encadrés sur ce qu'il faut au début pour faire avancer une idée.
3. Lean Launchpad—De loin mon préféré des trois ; Ce fut un processus exténuant et rigoureux où nous avons été guidés par Steve Blank (milliardaire acclamé et l'homme derrière le mouvement des startups lean) pour prendre une idée, la valider à travers 100 entretiens avec des clients, construire un modèle financier, et plus encore. C'était le type de classe où nous avons lancé notre «startup» pour nous arrêter sur la diapositive 1 ou 2 et nous faire griller. Si cela ne suffisait pas, nous devions également interroger 10 clients par semaine. Notre idée à l'époque était de créer une recherche de brevets qui donnerait des résultats similaires à une recherche coûteuse sur l'état de la technique, ce qui signifiait que nous faisions un pitch à 10 entreprises clientes par semaine. C'était formidable parce que cela nous a appris à réfléchir rapidement et à être très ingénieux.

DeepScribe a commencé lorsqu'un groupe d'investisseurs appelé The House Fund rédigeait des chèques pour les étudiants qui refuseraient leurs stages d'été et passeraient leur été à bâtir leur entreprise. Nous venions de fermer Delphi (le moteur de recherche de brevets) et Matt et moi parlions constamment de documentation médicale et tout s'est mis en place puisque c'était le moment idéal pour tenter le coup.

Avec DeepScribe, nous avons eu la chance de sortir tout juste de Lean Launchpad, car l'un des facteurs les plus importants dans la création d'un produit pour les médecins était d'itérer et d'affiner le produit en fonction des commentaires des clients. Un problème historique avec l'industrie médicale a été que les logiciels ont rarement eu des médecins dans la boucle de conception, ce qui a entraîné des logiciels qui n'ont pas été optimisés pour l'utilisateur final.

Étant donné que DeepScribe se déroulait en même temps que ma dernière année à Berkeley, c'était un exercice d'équilibriste lourd. Je me présentais en classe en costume pour pouvoir être à l'heure pour une démonstration client juste après. J'utiliserais toutes les installations et les professeurs d'EE non pas pour quoi que ce soit à voir avec la classe mais à 100% pour DeepScribe. Mes rencontres avec mon mentor de recherche se sont même transformées en séances de remue-méninges DeepScribe.

Avec le recul, si je devais changer une chose dans mon parcours, cela aurait été de suspendre l'université afin que je puisse passer 150% de mon temps sur DeepScribe.

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

L'utilisation de DeepScribe est censée être très similaire à l'utilisation d'un véritable scribe humain. Lorsque vous parlez naturellement à votre patient, DeepScribe écoutera et captera le discours médicalement pertinent qui figure généralement dans vos notes et le mettra pour vous, en utilisant le même langage médical que vous utilisez vous-même. Nous aimons le considérer comme 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 dossier de santé électronique comme vous le souhaitez. C'est très différent de l'utilisation du service de dictée vocale car il élimine toute l'étape de devoir revenir en arrière et documenter. Alors que les services de dictée typiques transforment 10 minutes de documentation en 7 à 8 minutes, DeepScribe le transforme en quelques secondes. Nos médecins signalent entre 1.5 et 3 heures de gain de temps par jour selon le nombre de patients qu'ils voient.

DeepScribe est indépendant de l'appareil, utilisable 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 PNL que DeepScribe peut rencontrer en raison d'une terminologie médicale complexe ?

Contrairement à l'opinion populaire, la terminologie médicale complexe est en fait la partie la plus facile à comprendre pour DeepScribe. La partie la plus délicate pour DeepScribe est de relever des déclarations contextuelles uniques qu'un patient peut donner à un médecin. Plus ils s'éloignent d'une conversation typique, plus on voit l'IA trébucher. Mais à mesure que nous collectons davantage de données conversationnelles, nous constatons qu'elles s'améliorent considérablement chaque jour.

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

Les grands parapluies de la reconnaissance vocale et de la PNL ont tendance à couvrir la majeure partie 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 commencé par un programme pilote avec le centre de santé 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 plus grand pourcentage d'utilisateurs de DeepScribe sont 50 cabinets privés de l'Alaska à la Floride. Nos spécialités les plus populaires sont les soins primaires, l'orthopédie, la gastro-entérologie, la cardiologie, la psychiatrie et l'oncologie, mais nous soutenons une poignée d'autres spécialités.

DeepScribe a récemment lancé un programme pour aider avec COVID-19. Pourriez-vous nous expliquer ce programme ?

Le COVID-19 a durement touché nos médecins. Les cabinets ne voient que 30 à 40% de leur charge de patients, le personnel des scribes est réduit et les prestataires sont obligés de basculer rapidement tous leurs patients vers la télémédecine. Tout cela finit par conduire à plus de travail de bureau pour les prestataires. Chez DeepScribe, nous croyons fermement que pour que cette pandémie s'arrête, les médecins doivent consacrer 100 % de leur attention et de leur temps à prendre soin de leurs patients.

Pour aider cette cause, nous sommes fiers de lancer une solution de télémédecine gratuite pour les 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 accéder gratuitement à un scribe pour gérer sa documentation. Nous espérons qu'en faisant cela, les médecins pourront concentrer davantage leur attention sur leurs patients et passer moins de temps à penser à la documentation, ce qui conduira à un arrêt plus rapide de l'épidémie de COVID-19.

Merci pour cette excellente interview, j'ai vraiment aimé en savoir plus sur DeepScribe et votre parcours entrepreneurial. Toute personne souhaitant en savoir plus devrait visiter DeepScribe.