Varun Ganapathi, CTO & Co-Fondateur d’AKASA – Série d’entretiens

Varun Ganapathi est le CTO et co-fondateur d’AKASA, un développeur d’IA pour les applications de santé. AKASA aide les organisations de santé à améliorer leurs opérations, y compris le cycle de revenu, pour générer des revenus, créer des efficacités et améliorer l’expérience patient. Varun a réussi à lancer deux entreprises d’IA avant AKASA, l’une a été acquise par Google et l’autre par Udacity.

Vous avez eu une carrière distinguée en apprentissage automatique, pouvez-vous discuter de vos premiers jours à Stanford lorsque vous avez travaillé sur la création d’hélicoptères autonomes ?

Lorsque j’étudiais la physique en tant qu’étudiant en premier cycle à Stanford, j’étais également très intéressé par l’informatique et l’apprentissage automatique (ML). Pour moi, l’IA et le ML combinaient tout en un – c’est vraiment une façon automatisée de faire de la physique sur tout phénomène numérisable.

Pour ce projet en particulier, nous avions cet hélicoptère qui ressemblait à un grand drone un peu plus petit qu’un matelas double – à une époque où les drones n’étaient pas répandus. Les gens le faisaient voler et lui faisaient faire des tricks, tels que planer à l’envers. Alors que cela est très difficile à faire, nous voulions créer un algorithme d’apprentissage automatique qui puisse apprendre des humains à faire voler cet hélicoptère de manière autonome.

Nous avons créé un simulateur de physique basé sur l’hélicoptère réel et un algorithme d’apprentissage automatique qui a appris à prédire ses mouvements. Nous avons ensuite appliqué l’apprentissage par renforcement dans le simulateur pour développer un contrôleur, avons pris le logiciel et l’avons téléchargé dans l’hélicoptère réel. Après avoir allumé l’hélicoptère, cela a fonctionné du premier coup ! L’hélicoptère a pu planer à l’envers tout seul, ce qui était assez impressionnant. L’équipe a continué à travailler sur l’automatisation d’autres types de tricks à l’aide de l’apprentissage automatique.

Vous avez également travaillé chez Google Books, pouvez-vous discuter de l’algorithme sur lequel vous avez travaillé et de la façon dont votre entreprise a été finalement acquise par Google ?

J’ai effectué un stage chez Google pendant que je suivais des cours à Stanford en 2004 – juste après le projet d’hélicoptère. À cette époque, j’ai mis en œuvre l’apprentissage automatique pour le projet Google Books où nous scannions tous les livres du monde.

Google payait toutes ces personnes pour étiqueter des informations sur les livres, telles que les pages, les tables des matières, les droits d’auteur, etc. – une tâche très fastidieuse. Je voulais voir si nous pouvions utiliser l’apprentissage automatique pour le faire et cela a très bien fonctionné. Cela a en fait performé mieux et a été plus précis que lorsque les humains l’ont fait, car la plupart des erreurs étaient dues à des erreurs humaines lors de l’étiquetage manuel.

Cela m’a vraiment enthousiasmé pour l’apprentissage automatique car cela a montré que vous pouvez passer de la performance humaine à la superperformance humaine – en effectuant des tâches fastidieuses avec moins d’erreurs et plus de constance tout en gérant les cas limites.

De là, j’ai décidé de faire un doctorat à Stanford, en me concentrant sur l’apprentissage automatique et des articles plus théoriques au début. Pour ma thèse, j’ai développé un algorithme pour effectuer une capture de mouvement en temps réel où un ordinateur peut suivre le mouvement de toutes les articulations humaines en temps réel à partir d’une caméra de profondeur. C’était la base de ma première entreprise, Numovis, qui se concentrait sur la poursuite de mouvement et la vision par ordinateur pour l’interaction utilisateur. Elle a été acquise par Google.

Tout mon parcours, du projet d’hélicoptère à Google Books, aux voitures autonomes et maintenant aux opérations de santé, m’a vraiment montré à quel point les algorithmes d’apprentissage automatique sont puissants et généraux.

Pouvez-vous partager l’histoire de la genèse derrière AKASA ?

Nous avons construit AKASA pour résoudre un problème massif et profondément ancré dans les opérations de santé. Ces opérations sont à la fois coûteuses et sujettes à erreurs, ce qui peut entraîner des expériences financières inutilement angoissantes pour les patients. Il y avait un manque de nouvelles technologies sur le côté administratif et rien n’était conçu à cet effet. Il est devenu clair pour nous que vous pouviez utiliser des technologies comme l’IA et l’apprentissage automatique pour résoudre ces défis opérationnels de manière innovante. Lorsque nous avons parlé à de nombreux systèmes de santé et dirigeants de santé, ils ont validé notre réflexion, ce qui a finalement conduit à la fondation d’AKASA en 2019.

Avec cela, l’objectif d’AKASA a été clair dès le début – permettre la santé humaine et construire l’avenir des soins de santé avec l’IA. La façon dont nous avons décidé de relever ce défi est en combinant l’intelligence humaine avec l’IA et l’apprentissage automatique de pointe, afin que les systèmes de santé puissent réduire les coûts d’exploitation et allouer les ressources là où elles sont les plus nécessaires.

Notre plateforme système-agnostique et flexible sert actuellement une base de clients représentant plus de 475 hôpitaux et systèmes de santé, ainsi que plus de 8 000 établissements ambulatoires, dans tous les 50 États. Notre technologie aide ces organisations, qu’elles utilisent des fournisseurs de dossiers médicaux électroniques (DME) comme Epic, Cerner, d’autres DME ou des systèmes complémentaires, et tout ce qui se trouve entre les deux. Et nous l’avons fait avec des résultats solides.

Notre base de clients représente plus de 110 milliards de dollars de revenu net de patient, ce qui équivaut à plus de 10 % de toutes les dépenses des systèmes de santé aux États-Unis chaque année, selon les Centers for Medicaid and Medicare Services. Et les modèles et algorithmes d’AKASA ont été formés sur près de 290 millions de réclamations et de remboursements.

Les « tuyauteries invisibles » des soins de santé sont extrêmement complexes, mais elles ont un impact énorme sur la santé humaine, et nous les automatisons petit à petit.

Quelles sont certaines des tâches que AKASA cherche à automatiser dans les soins de santé ?

Notre approche unique d’expert dans la boucle, Unified Automation, combine l’apprentissage automatique avec le jugement humain et l’expertise de matière pour fournir une automatisation robuste et résiliente pour les opérations de santé. AKASA peut rapidement et efficacement automatiser et rationaliser les tâches de bout en bout au sein de la fonction financière des soins de santé, y compris le traitement et les paiements des factures. Des tâches spécifiques que AKASA automatise incluent la vérification de l’éligibilité des patients, la documentation et la vérification des informations d’assurance, l’estimation du coût pour les patients, l’édition, la réémission et la contestation des réclamations, ainsi que la prédiction et la gestion des refus.

Ce type d’automatisation ne réduit pas seulement les erreurs humaines et les retards pour les patients, en aidant à prévenir les factures médicales surprises, mais libère également le personnel de santé en prenant entièrement les tâches manuelles et répétitives hors de leur plateau – leur permettant de se concentrer sur des tâches plus gratifiantes, plus stimulantes et plus génératrices de valeur axées sur l’expérience patient.

Quels sont les différents types d’algorithmes d’apprentissage automatique utilisés ?

AKASA utilise les mêmes approches d’apprentissage automatique qui ont rendu les voitures autonomes possibles pour fournir aux systèmes de santé une solution unique pour l’automatisation des opérations de santé. Cette approche – centrée sur l’apprentissage automatique – élargit les capacités de l’automatisation pour prendre en charge des travaux plus complexes à grande échelle.

Nous développons des algorithmes de pointe dans le domaine de la vision par ordinateur, de la compréhension du langage naturel et des problèmes de données structurées. Notre plateforme commence avec un RPA alimenté par la vision par ordinateur et le renforce avec une IA et un apprentissage automatique modernes, ainsi qu’un expert dans la boucle pour fournir une automatisation robuste.

Pour fournir une vue d’ensemble de la façon dont cela fonctionne, notre solution propriétaire observe d’abord la façon dont le personnel de santé effectue ses tâches. Notre équipe étiquette ensuite ces données et les utilise pour former nos algorithmes afin que notre technologie puisse comprendre et apprendre comment fonctionnent le personnel de santé et leurs systèmes. À partir de là, notre plateforme effectue ces flux de travail de manière autonome. Enfin, nous utilisons des experts dans la boucle qui peuvent intervenir chaque fois que le système signale des outliers ou des exceptions. L’IA apprend continuellement à partir de ces expériences, ce qui lui permet de prendre en charge des tâches plus complexes avec le temps.

Pouvez-vous discuter de l’importance des approches de type humain dans la boucle et pourquoi cela est susceptible de remplacer le RPA ?

La dure vérité est que le RPA est une technologie vieille de plusieurs décennies qui est fragile avec des limites réelles à ses capacités. Il aura toujours une certaine valeur pour l’automatisation des travaux simples, discrets et linéaires. Cependant, la raison pour laquelle les efforts d’automatisation échouent souvent à atteindre leurs aspirations est parce que la vie est complexe et change constamment.

L’approche de base du RPA est de construire un robot (bot) pour chaque problème ou chemin que vous voulez résoudre. Un humain (consultant ou ingénieur) construit un robot pour résoudre un problème spécifique. Cette solution robotique remplace une séquence d’étapes. Il regarde un écran, prend une action et la répète.

Le problème qui se pose souvent est qu’un changement dans le monde, tel qu’une modification d’un logiciel ou d’une interface utilisateur, peut causer des bots à se briser. Comme nous le savons, la technologie est en constante évolution, créant des environnements dynamiques. Cela signifie que les robots RPA échouent souvent.

Un autre problème avec ces bots est que vous devez en créer un pour chaque situation que vous voulez résoudre. En le faisant, vous finissez par avoir de nombreux robots, tous effectuant des actions très simples qui ne nécessitent pas beaucoup de compétence.

C’est comme un jeu de whack-a-mole. Chaque jour, vous avez la probabilité que l’un d’entre eux se brise parce que d’un changement dans un logiciel ou d’une interface utilisateur. Le résultat est un entretien coûteux pour maintenir ces bots en fonctionnement. Selon des recherches de Forrester, pour chaque dollar dépensé en RPA, 3,41 dollars supplémentaires sont dépensés en ressources de consultation.

En d’autres termes, le logiciel RPA lui-même n’est pas le coût principal. Le coût d’investissement plus important est tout le travail que vous devez faire pour maintenir le RPA en fonctionnement tout le temps. De nombreuses organisations ne tiennent pas compte de ce coût continu.

Comme une grande partie de la vie est complexe et évolue constamment, beaucoup de travail tombe en dehors des capacités du RPA, c’est là que l’apprentissage automatique intervient. L’apprentissage automatique nous permet d’automatiser les choses difficiles. Et nous croyons que la sauce spéciale, c’est les humains qui améliorent les algorithmes en les enseignant.

Lorsque l’algorithme n’est pas sûr de ce qu’il devrait faire (faible confiance), il est renvoyé à un humain dans la boucle à la place. Les humains étiquettent ces exemples et identifient les cas non gérés par le modèle actuel. Lorsque cela est fait, et que l’IA a raison, c’est une tâche bien fonctionnelle.

Chaque tâche où un humain attrape un problème est un cas où la machine ne gère pas correctement. Dans ce cas, des données sont ajoutées à notre ensemble de données, qui réentraîne les modèles d’apprentissage automatique pour gérer cette nouvelle situation.

Au fil du temps, le modèle d’apprentissage automatique construit une résilience à ces nouveaux cas limites. Cela donne lieu à un système qui est robuste et flexible pour de nouveaux outliers ou exceptions, et le système devient plus fort avec le temps. Cela signifie que l’automatisation devient meilleure et meilleure et l’intervention humaine diminuera avec le temps.

Avoir des experts humains dans la boucle est crucial pour rendre l’IA plus intelligente, plus rapide et meilleure. Nous avons besoin d’humains pour former correctement l’IA et nous assurer qu’elle peut gérer les outliers qui sont une partie inévitable de toute industrie – et surtout dans un domaine dynamique comme les soins de santé.

Comment fonctionne la solution d’AKASA avec un humain dans la boucle, Unified Automation, et quels sont les principaux cas d’utilisation pour cette plateforme ?

Unified Automation est une plateforme conçue spécifiquement pour les soins de santé. En utilisant l’IA, l’apprentissage automatique et notre équipe d’experts en facturation médicale, elle crée une solution intégrée et personnalisée qui aide à voir la valeur plus rapidement, avec pratiquement aucun entretien ou file d’attente d’exceptions.

Elle a été conçue en tenant compte des exceptions et des outliers. Si elle rencontre quelque chose de nouveau, la plateforme signale le problème à l’équipe d’experts d’AKASA qui le résolvent tandis que le système apprend des actions qu’ils prennent. C’est cet élément humain qui nous différencie des autres solutions sur le marché et permet à la plateforme de continuer à apprendre et à s’améliorer.

Unified Automation s’adapte également à la nature dynamique de l’industrie des soins de santé. C’est une solution intégrée et personnalisée qui aide à réduire les coûts d’exploitation, à élever le personnel pour relever des défis plus gratifiants qui nécessitent une touche humaine, et à améliorer la capture de revenus pour les systèmes de santé tout en améliorant l’expérience financière des patients.

Voici comment fonctionne Unified Automation :

Logiciel propriétaire observe : Notre outil Worklogger observe à distance la façon dont le personnel de santé effectue ses tâches. Ensuite, notre équipe étiquette ces données et les utilise pour former notre automatisation, fournissant une vue complète des flux de travail et des processus actuels. Cela donne lieu à une meilleure visibilité des performances du personnel, à des données de base sur les flux de travail pour alimenter notre automatisation, et à une analyse précise du temps par tâche.

IA effectue : Après avoir observé et appris les flux de travail du personnel de santé, notre IA effectue ensuite ces tâches de manière autonome. Elle apprend continuellement à partir des problèmes et des cas limites qu’elle rencontre, prenant en charge des tâches plus complexes avec le temps. Unified Automation se situe en amont dans la file de travail – en s’assignant des tâches applicables et en les complétant sans perturber l’équipe. Elle optimise également automatiquement les processus, donc aucun paramétrage ou intervention n’est nécessaire de la part du personnel.

Expertise humaine assure : Le système signale automatiquement notre équipe d’experts en facturation médicale pour gérer les exceptions et les outliers, formant l’IA en temps réel à mesure qu’ils travaillent. C’est la partie expert dans la boucle. Avec un apprentissage continu intégré, la plateforme Unified Automation devient plus intelligente et plus efficace avec le temps, et le travail est toujours effectué.

Y a-t-il autre chose que vous aimeriez partager sur AKASA ?

Nous avons une approche de recherche en premier lieu, ce qui signifie que nos clients ont accès à la technologie de pointe. Nous nous engageons à publier nos approches d’IA et nos algorithmes dans des publications examinées par des pairs pour continuellement établir de nouvelles normes pour l’IA dans les opérations de santé et pour conduire toute notre industrie vers l’avant.

Par exemple, nos recherches ont été présentées à la Conférence internationale sur l’apprentissage automatique (ICML), au Sommet sur le traitement automatique des langues (NLP), et à la Conférence sur l’apprentissage automatique pour les soins de santé (MLHC), entre autres. Nous adoptons une approche très disciplinée pour tester nos modèles et comparer leur performance aux approches d’IA de pointe sur le marché.

Notre solution de prédiction de refus est considérée comme le premier système basé sur l’apprentissage profond publié capable de prédire avec précision les refus de réclamations médicales de plus de 22 % par rapport aux références existantes. Notre modèle Read, Attend, Code pour le codage autonome de réclamations médicales à partir de notes cliniques a été reconnu comme définissant une nouvelle norme pour l’industrie et a surpassé les modèles actuels de 18 % – dépassant la productivité des codeurs humains. Nous croyons que ces innovations de back-office sont essentielles pour améliorer le système de soins de santé aux États-Unis à grande échelle et continueront à stimuler les progrès et à construire des solutions personnalisées pour cet espace.

Il y a beaucoup d’hype autour de l’IA dans les soins de santé, mais lorsqu’il s’agit de cela, les entreprises peuvent surestimer ce que leur technologie peut vraiment faire. Il est beaucoup plus difficile de mener des recherches pour valider ce que les algorithmes font – et nous nous enorgueillissons de prendre ce chemin significatif mais difficile pour prouver finalement que la plateforme Unified Automation d’AKASA apporte vraiment un changement positif et significatif aux hôpitaux et aux systèmes de santé.

Nous sommes enthousiastes pour l’avenir et ce qui est à venir chez AKASA alors que nous construisons l’avenir des soins de santé avec l’IA.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus devraient visiter AKASA.