Akilesh Bapu, Fondatore e Amministratore Delegato di DeepScribe – Serie di Interviste

Akilesh Bapu è il Fondatore e Amministratore Delegato di DeepScribe, che utilizza l’elaborazione del linguaggio naturale (NLP) e l’apprendimento profondo avanzato per generare note accurate, conformi e sicure delle conversazioni tra medici e pazienti.

Cosa ti ha introdotto e attirato verso l’AI e l’elaborazione del linguaggio naturale?

Se ricordo correttamente, Jarvis da “Iron Man” è stata la prima cosa che mi ha realmente attirato nel mondo dell’elaborazione del linguaggio naturale e dell’AI. In particolare, ho trovato affascinante quanto velocemente un essere umano potesse eseguire compiti e raggiungere un livello di profondità incredibile in certi compiti e rivelare informazioni che non avrebbe mai conosciuto se non grazie a questa AI.

È stato questo concetto di “l’AI da sola non sarà mai così brava come gli esseri umani nella maggior parte dei compiti, ma metti insieme un essere umano e un’AI e quella combinazione dominerà”. L’elaborazione del linguaggio naturale è il modo più efficiente per far accadere questa combinazione umana/AI.

Dopo di allora, sono stato ossessionato da Siri, Google (GOOGL ) Now, Alexa e gli altri. Mentre non funzionavano così senza problemi come Jarvis, volevo disperatamente farli funzionare come Jarvis. In particolare, ciò che è diventato evidente è che comandi come “Alexa, fai questo”, “Alexa, fai quello”, erano abbastanza facili e precisi da eseguire con lo stato attuale della tecnologia. Ma quando si tratta di qualcosa come Jarvis, che può effettivamente imparare e capire, filtrare e individuare argomenti importanti durante uno scambio conversazionale – questo non era stato fatto prima. Ciò si collega direttamente a una delle mie motivazioni principali nel fondare DeepScribe. Mentre stiamo risolvendo il problema della documentazione per i medici, stiamo tentando di creare una nuova onda di intelligenza mentre lo facciamo: l’intelligenza ambientale. Un’AI che possa scavare attraverso le tue conversazioni quotidiane, trovare informazioni utili e utilizzare quelle informazioni per aiutarti.

Prima hai condotto alcune ricerche utilizzando l’apprendimento profondo e l’NLP al UC Berkeley College of Engineering. Cosa riguardava la tua ricerca?

Al Berkeley AI Research Lab, stavo lavorando su un progetto di annotatore di ontologia dei geni dove stavamo riassumendo articoli di PubMed con parametri di output specifici.

La panoramica di alto livello: prendere un compito come il riassunto degli articoli di notizie di CNN. In quel compito, stai prendendo articoli di notizie e riassumendoli in poche frasi. A tuo favore, hai i dati e la capacità di addestrare questi modelli su oltre un milione di articoli. Tuttavia, lo spazio del problema è enorme poiché hai una struttura limitata per i riassunti. Inoltre, c’è scarsa struttura per gli articoli stessi. Sebbene ci siano stati alcuni miglioramenti da 2,5 anni fa, quando stavo lavorando su questo progetto, questo è ancora un problema irrisolto.

Nel nostro progetto di ricerca, stavamo sviluppando riassunti strutturati di articoli. Un riassunto strutturato, in questo caso, è simile a un riassunto tipico, tranne che conosciamo esattamente la struttura del riassunto di output. Ciò è utile poiché riduce drasticamente le opzioni di output per il nostro modello di apprendimento automatico – la sfida era che non c’era abbastanza addestramento annotato per eseguire un modello di apprendimento profondo affamato di dati e ottenere risultati utili.

Il nucleo del lavoro che ho svolto su questo progetto è stato sfruttare le conoscenze che abbiamo sull’input dei dati e sviluppare un ensemble di modelli di apprendimento automatico superficiali per supportarlo – una tecnica che abbiamo inventato chiamata annotatore a 2 passaggi. L’annotatore a 2 passaggi ha raggiunto quasi 20 volte l’accuratezza del precedente miglior risultato (54 percento vs 3,6 percento).

Sebbene, fianco a fianco, questo progetto e DeepScribe possano sembrare completamente diversi, erano molto simili nel modo in cui utilizzavano il metodo di annotazione a 2 passaggi per migliorare notevolmente i risultati su un set di dati limitato.

Cosa ti ha ispirato a lanciare DeepScribe?

Tutto è iniziato con mio padre, che era un oncologo medico. Prima che i sistemi di registri sanitari elettronici prendessero il sopravvento nell’assistenza sanitaria, i medici annotavano cose sulla carta e trascorrevano molto poco tempo sulle note. Tuttavia, una volta che i sistemi di registri sanitari elettronici sono diventati popolari come parte del HITECH Act del 2009, ho iniziato a notare che mio padre trascorreva sempre più tempo al computer. Iniziò a tornare a casa più tardi. Nei fine settimana, sedeva sul divano e dettava note. Cose semplici come venire a prendermi a scuola o a una partita di basket diventarono un lontano ricordo, poiché trascorreva la maggior parte delle sue serate a recuperare con la documentazione.

Da bambino nerd che cresceva, cercavo di trovare soluzioni per lui cercando sul web e facendogli provare cose. Purtroppo, nulla funzionava abbastanza bene da salvarlo dalle lunghe ore di documentazione.

Ho saltato alcuni anni, all’estate del 2017 – ero un ricercatore che lavorava al Berkeley AI Research Lab, lavorando su progetti di riassunto di documenti. Una estate, quando sono tornato a casa, noto che mio padre stava ancora trascorrendo enormi quantità di tempo a documentare. Chiedo: “Cosa c’è di nuovo nel mondo della documentazione? Alexa è ovunque, Google Assistant è così bravo adesso. Dimmi, cosa c’è di nuovo nel settore medico?” E la sua risposta è stata: “Nulla è cambiato”. Pensavo che fosse solo lui, ma quando ho indagato tra i suoi colleghi, era lo stesso problema: non cosa fosse l’ultimo nel trattamento del cancro o i problemi nuovi che i loro pazienti stavano avendo – era la documentazione. “Come posso liberarmi della documentazione? Come posso risparmiare tempo sulla documentazione? Sta prendendo così tanto del mio tempo”.

Ho anche notato diverse aziende che erano emerse per cercare di risolvere la documentazione. Tuttavia, o erano troppo costose (migliaia di dollari al mese) o erano troppo minimali in termini di tecnologia. I medici a quel tempo avevano poche opzioni. È stato allora che si è aperta l’opportunità: se potevamo creare un medico artificiale intelligente, una tecnologia che potesse seguire le visite dei pazienti dei medici e riassumerle, e offrirla a un costo che potesse renderla accessibile a tutti, potrebbe veramente riportare la gioia dell’assistenza nella medicina.

Avevi solo 22 anni quando hai lanciato DeepScribe. Puoi descrivere il tuo percorso come imprenditore?

La mia prima esposizione all’imprenditorialità risale al liceo. È iniziato quando un amico e io, che conoscevamo alcune basi di JavaScript, abbiamo incontrato il direttore di un centro per bambini con disabilità di apprendimento. Ci hanno detto come gli strumenti più semplici potessero fare una grande differenza per i bambini dislessici. Abbiamo finito per creare un’estensione del lettore di dislessia Chrome. Era veramente basilare – semplicemente regolava il font per soddisfare le linee guida scientifiche per la facilità di lettura da parte di persone dislessiche. Sebbene il concetto fosse semplice, abbiamo finito per ottenere oltre 5000 utenti attivi in pochi mesi. Ero sbalordito da come la tecnologia più basilare potesse avere un impatto così profondo sulle persone.

All’Università di Berkeley, ho continuato a immergermi nel mondo dell’imprenditorialità il più possibile, soprattutto con le loro numerose classi. Le mie preferite erano:

1. La serie di lezioni Newton – persone come Jessica Mah da InDinero o Diane Greene da VMWare che erano ex studenti di Berkeley hanno tenuto discorsi molto coinvolgenti sul loro tempo a Berkeley e su come hanno iniziato le loro aziende
2. Challenge Lab – è lì che ho incontrato il mio co-fondatore Matt Ko. Siamo stati inseriti in gruppi e abbiamo trascorso un semestre a creare un prodotto e a essere guidati su cosa serve durante le prime fasi per far decollare un’idea
3. Lean Launchpad – di gran lunga il mio preferito dei tre; questo è stato un processo estenuante e rigoroso dove siamo stati guidati da Steve Blank (un miliardario acclamato e l’uomo dietro il movimento lean startup) per prendere un’idea, validarla attraverso 100 interviste con i clienti, creare un modello finanziario e altro. Questo è stato il tipo di classe dove abbiamo presentato la nostra “startup” solo per essere fermati al primo o secondo slide e messi sotto pressione. Se non fosse stato abbastanza difficile, ci si aspettava anche che intervistassimo 10 clienti a settimana. La nostra idea al momento era creare una ricerca di brevetti che avrebbe dato risultati simili a una ricerca di prior art costosa, il che significava che stavamo presentando a 10 clienti aziendali a settimana. È stato grande perché ci ha insegnato a pensare in fretta e a essere ancora più risorse.

DeepScribe è iniziato quando un gruppo di investitori chiamato The House Fund stava scrivendo assegni per gli studenti che avrebbero rinunciato ai loro stage estivi e trascorso l’estate a costruire la loro azienda. Avevamo appena chiuso Delphi (il motore di ricerca dei brevetti) e Matt e io avevamo continuato a parlare della documentazione medica e tutto si è messo in moto poiché era il momento perfetto per provarci.

Con DeepScribe, siamo stati fortunati ad aver appena finito il Lean Launchpad, poiché uno dei fattori più importanti nel costruire un prodotto per i medici era iterare e raffinare il prodotto intorno al feedback dei clienti. Un problema storico dell’industria medica è stato che il software ha raramente avuto i medici nel loop di progettazione, risultando in software che non era ottimizzato per l’utente finale.

Dal momento che DeepScribe stava accadendo allo stesso tempo del mio ultimo anno a Berkeley, è stato un equilibrio pesante. Mi presentavo a lezione in giacca e cravatta in modo da poter essere in orario per una demo con il cliente subito dopo. Usavo tutte le strutture EE e i professori non per nulla che avesse a che fare con la classe, ma al 100 percento per DeepScribe. Le mie riunioni con il mio mentore di ricerca si sono trasformate in sessioni di brainstorming per DeepScribe.

Guardando indietro, se dovessi cambiare una cosa del mio percorso, sarebbe stato mettere in pausa il college in modo da poter trascorrere il 150 percento del mio tempo su DeepScribe.

Puoi descrivere per un professionista medico i vantaggi dell’utilizzo di DeepScribe rispetto al metodo tradizionale di dittatura vocale o anche prendere appunti?

Utilizzare DeepScribe è pensato per essere molto simile all’utilizzo di un vero e proprio scrivano. Mentre parli naturalmente con il tuo paziente, DeepScribe ascolterà e coglierà il discorso medicamente rilevante che di solito va nelle tue note e lo metterà lì per te, utilizzando lo stesso linguaggio medico che tu stesso usi. Ci piace pensare a esso come a un nuovo membro del personale medico alimentato da AI che puoi addestrare come vorresti per aiutare con la documentazione nel tuo sistema di registri sanitari elettronici come vorresti. È molto diverso dall’utilizzo di un servizio di dittatura vocale, poiché elimina l’intero passaggio di dover tornare indietro e documentare. Mentre i servizi di dittatura tipici trasformano 10 minuti di documentazione in 7-8 minuti, DeepScribe li trasforma in pochi secondi. I nostri medici segnalano di risparmiare da 1,5 a 3 ore di tempo al giorno a seconda di quanti pazienti vedono.

DeepScribe è agnostico del dispositivo, operabile da un iPhone, Apple Watch, browser (per la telemedicina) o dispositivo hardware.

Quali sono alcune delle sfide di riconoscimento vocale o NLP che DeepScribe potrebbe incontrare a causa della terminologia medica complessa?

A differenza dell’opinione popolare, la terminologia medica complessa è in realtà la parte più facile per DeepScribe da cogliere. La parte più difficile per DeepScribe è cogliere affermazioni contestuali uniche che un paziente potrebbe dare a un medico. Più si allontanano da una conversazione tipica, più vediamo l’AI inciampare. Ma mentre raccogliamo più dati conversazionali, vediamo che migliora drasticamente ogni giorno.

Quali sono le altre tecnologie di apprendimento automatico utilizzate con DeepScribe?

Le grandi aree del riconoscimento vocale e dell’NLP tendono a coprire la maggior parte dell’apprendimento automatico che stiamo facendo a DeepScribe.

Puoi nominare alcuni degli ospedali, delle organizzazioni no-profit o delle istituzioni accademiche che utilizzano DeepScribe?

DeepScribe è iniziato attraverso un programma pilota con il UC Berkeley Health Center. Hartford Healthcare, Texas Medical Center e Cedar Valley Medical Specialists sono alcune delle più grandi strutture con cui DeepScribe sta lavorando.

Tuttavia, la percentuale più grande degli utenti di DeepScribe sono 50 studi privati dalla California alla Florida. Le nostre specialità più popolari sono l’assistenza primaria, l’ortopedia, la gastroenterologia, la cardiologia, la psichiatria e l’oncologia, ma supportiamo anche un certo numero di altre specialità.

DeepScribe ha recentemente lanciato un programma per assistere con il COVID-19. Puoi guidarci attraverso questo programma?

Il COVID-19 ha colpito duramente i nostri medici. Le pratiche stanno vedendo solo il 30-40 percento del loro carico di pazienti, lo staffing degli scrivani sta venendo tagliato e i fornitori sono costretti a passare rapidamente a tutti i loro pazienti alla telemedicina. Tutto ciò porta a più lavoro burocratico per i fornitori – noi a DeepScribe crediamo fermamente che, affinché questa pandemia si fermi, i medici devono dedicare il 100 percento della loro attenzione e del loro tempo a prendersi cura dei loro pazienti.

Per aiutare a sostenere questa causa, siamo orgogliosi di lanciare una soluzione di telemedicina gratuita per i professionisti sanitari che combattono questa pandemia. La nostra soluzione di telemedicina è completamente integrata con la nostra soluzione di scrivano medico alimentata da AI, eliminando la necessità di documentazione clinica per gli incontri effettuati sulla nostra piattaforma.

Stiamo anche offrendo il nostro servizio di scrivano gratuitamente durante la pandemia. Ciò significa che qualsiasi medico può ottenere accesso a uno scrivano gratuitamente per gestire la sua documentazione. Speriamo che, facendo ciò, i medici possano concentrare più della loro attenzione sui loro pazienti e trascorrere meno tempo a pensare alla documentazione, portando a una più rapida sospensione del focolaio di COVID-19.

Grazie per la grande intervista, ho realmente apprezzato imparare di più su DeepScribe e il tuo percorso imprenditoriale. Chiunque desideri saperne di più dovrebbe visitare DeepScribe.