Varun Ganapathi, CTO et co-fondateur d’AKASA – Série d’entretiens

Varun Ganapathi est le CTO et co-fondateur de 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 (GOOGL ) 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’étais étudiant en physique en tant qu’étudiant de 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 courants. Les gens le faisaient voler et réalisaient des cascades, comme planer à l’envers. Alors que cela est très difficile à faire, nous voulions créer un algorithme d’apprentissage automatique qui pourrait 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 un apprentissage par renforcement dans le simulateur pour développer un contrôleur, pris le logiciel et l’avons téléchargé dans l’hélicoptère réel. Après avoir allumé l’hélicoptère, cela a fonctionné dès la première tentative ! 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 cascades 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 finalement été acquise par Google ?

J’ai effectué un stage chez Google pendant que j’étais étudiant 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 une performance supérieure à celle de l’humain – en effectuant des tâches fastidieuses avec moins d’erreurs et plus de constance, tout en gérant les cas limites.

À partir de là, j’ai décidé de faire un doctorat à Stanford, en me concentrant sur l’apprentissage automatique et sur 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 création d’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 anxiogènes 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 création d’AKASA en 2019.

Avec cela, le but d’AKASA a été clair dès le début – permettre la santé humaine et construire l’avenir de la 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, de sorte que les systèmes de santé puissent réduire les coûts d’exploitation et allouer les ressources là où elles sont les plus nécessaires.

Notre plate-forme flexible et agnostique des systèmes est actuellement au service d’une base de clients représentant plus de 475 hôpitaux et systèmes de santé et 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 de fixation, et tout ce qui se trouve entre les deux. Et nous l’avons fait avec de solides résultats.

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

Les « tuyaux » invisibles de la santé sont extrêmement complexes, mais ils 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 le domaine de la santé ?

<p Notre approche unique d'expert dans la boucle, Unified Automation, combine l'apprentissage automatique avec le jugement humain et l'expertise du domaine pour fournir une automatisation robuste et résiliente des 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 des factures et des paiements. Les tâches spécifiques qu'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 refacturation et la contestation des réclamations, ainsi que la prévision 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 supprimant les tâches manuelles et répétitives 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 tâches 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 plate-forme commence par une automatisation RPA alimentée par la vision par ordinateur et la 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 des soins 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 des soins de santé et leurs systèmes. À partir de là, notre plate-forme 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 valeurs aberrantes 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 elles sont sur le point de déplacer l’automatisation des processus robotiques (RPA) ?

La dure vérité est que la RPA est une technologie vieillie qui est fragile avec de réelles limites à ses capacités. Elle aura toujours une certaine valeur pour l’automatisation des tâches simples, discrètes et linéaires. Cependant, la raison pour laquelle les efforts d’automatisation échouent souvent à atteindre leurs aspirations est que la vie est complexe et change constamment.

L’approche de base de la RPA consiste à construire un robot (bot) pour chaque problème ou chemin que vous souhaitez 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 casser. 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 souhaitez résoudre. En faisant cela, vous finissez par avoir de nombreux robots, tous effectuant de très petites actions qui ne nécessitent pas beaucoup de compétences.

C’est comme un jeu de whack-a-mole. Chaque jour, vous êtes confronté à la probabilité qu’un d’entre eux se casse parce qu’un logiciel va changer ou qu’il se produira quelque chose d’inhabituel – une boîte de dialogue va apparaître ou un nouveau type d’entrée se produira. Le résultat est un coût de maintenance élevé 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 principal coût. Le coût d’investissement plus important est tout le travail que vous devez faire pour maintenir la 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 se situe en dehors des capacités de la RPA, c’est là que l’apprentissage automatique entre en jeu. L’apprentissage automatique 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 acquiert une résilience à ces nouveaux cas limites. Cela donne lieu à un système qui est robuste et flexible face à de nouvelles valeurs aberrantes 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 valeurs aberrantes qui sont une partie inévitable de toute industrie – et en particulier dans un domaine dynamique comme la 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 plate-forme ?

Unified Automation est une plate-forme 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 aucune maintenance ou file d’attente d’exceptions.

Elle a été conçue en tenant compte des exceptions et des valeurs aberrantes. Si elle rencontre quelque chose de nouveau, la plate-forme signale le problème à l’équipe d’experts d’AKASA qui le résolvent pendant 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 plate-forme d’apprendre continuellement et de s’améliorer.

Unified Automation s’adapte également à la nature dynamique de l’industrie des soins de santé. Il s’agit d’une solution intégrée et personnalisée qui aide à réduire les coûts d’exploitation, à élever le personnel pour qu’il s’attaque à des tâches plus gratifiantes qui nécessitent une touche humaine, et à améliorer la capture des 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 des soins de santé effectue ses tâches. Ensuite, notre équipe étiquette ces données et les alimente dans notre automatisation pour fournir 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 fondamentales 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 des soins 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 de la file de travail – en s’assignant des tâches applicables et en les complétant sans perturber l’équipe. Elle optimise également automatiquement les processus, ce qui n’exige aucune configuration ou intervention du personnel.

Expertise humaine assure : Le système signale automatiquement notre équipe d’experts en facturation médicale pour gérer les exceptions et les valeurs aberrantes, formant l’IA en temps réel pendant qu’ils travaillent. C’est la partie expert dans la boucle. Avec l’apprentissage continu intégré, la plate-forme 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 des technologies de pointe. Nous nous engageons à publier nos recherches en IA et nos approches dans des publications examinées par des pairs pour continuellement établir de nouvelles normes pour l’IA dans les opérations de santé et pour diriger 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 à celle des approches d’IA de pointe sur le marché.

<p Notre solution de prévention des refus prédictifs 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 la codification autonome des 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 santé américain à grande échelle et continueront de stimuler les progrès et de 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 réellement faire. Il est beaucoup plus difficile de mener des recherches pour valider ce que les algorithmes font – et nous nous enorgueillissons de suivre ce chemin significatif mais difficile pour finalement prouver qu’AKASA et sa plate-forme d’automatisation unifiée apportent vraiment un changement positif et significatif aux hôpitaux et aux systèmes de santé.

Nous sommes enthousiastes quant à l’avenir et à ce qui est à venir chez AKASA, alors que nous construisons l’avenir de la santé avec l’IA.

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