Varun Ganapathi, CTO & Co-Founder di AKASA – Serie di Interviste

Varun Ganapathi è il CTO e Co-Founder di AKASA, uno sviluppatore di AI per applicazioni sanitarie. AKASA aiuta le organizzazioni sanitarie a migliorare le operazioni, compreso il ciclo di entrate, per generare entrate, creare efficienze e migliorare l’esperienza del paziente. Varun ha fondato con successo due aziende di AI prima di AKASA, una delle quali è stata acquisita da Google e l’altra da Udacity.

Ha avuto una carriera distinta nel machine learning, potrebbe discutere alcuni dei suoi primi giorni a Stanford quando ha lavorato sul rendere autonomi gli elicotteri?

Quando studiavo fisica come studente universitario a Stanford, ero anche molto interessato all’informatica e al machine learning (ML). Per me, l’AI e il ML combinavano tutto in uno – è veramente un modo automatizzato di fare fisica su qualsiasi fenomeno digitizzabile.

Per questo progetto in particolare, avevamo questo elicottero che sembrava un grande drone un po’ più piccolo di un materasso matrimoniale – in un momento in cui i droni non erano molto diffusi. Le persone lo stavano pilotando e facendo eseguire trick, come ad esempio librarsi a testa in giù. Mentre questo è molto difficile da fare, volevamo costruire un algoritmo di ML che potesse imparare dagli esseri umani come pilotare questo elicottero in modo autonomo.

Abbiamo creato un simulatore di fisica basato sull’elicottero reale e un algoritmo di ML che ha imparato a prevedere i suoi movimenti. Abbiamo poi applicato il reinforcement learning all’interno del simulatore per sviluppare un controllore, abbiamo preso il software e l’abbiamo caricato nell’elicottero reale. Dopo aver acceso l’elicottero, ha funzionato al primo tentativo! L’elicottero è stato in grado di librarsi immediatamente a testa in giù da solo, il che era piuttosto impressionante. Il team ha continuato a lavorare sull’automatizzazione di altri tipi di trick utilizzando il ML.

Ha anche lavorato a Google Books, potrebbe discutere l’algoritmo su cui ha lavorato e come la sua azienda è stata infine acquisita da Google?

Ho fatto uno stage a Google mentre frequentavo le lezioni a Stanford nel 2004 – subito dopo il progetto dell’elicottero. Durante quel periodo, stavo implementando il ML per il progetto Google Books dove stavamo scansionando tutti i libri del mondo.

Google stava pagando tutte queste persone per etichettare informazioni sui libri, come ad esempio pagine, tabelle dei contenuti, copyright, ecc. – un compito molto lungo. Volevo vedere se potevamo utilizzare il ML per farlo e ha funzionato molto bene. Ha effettivamente eseguito meglio e con maggiore accuratezza di quando gli esseri umani lo facevano perché la maggior parte degli errori era dovuta a errori umani con l’etichettatura manuale.

Ciò mi ha fatto capire quanto il ML sia potente perché ha mostrato che puoi andare dalle prestazioni umane a quelle sovrumane – eseguendo compiti noiosi con meno errori e più costanza mentre gestisci ancora i casi limite.

Da lì, ho deciso di fare un dottorato a Stanford, concentrandomi sul ML e su paper più teorici all’inizio. Per la mia tesi, ho sviluppato un algoritmo per eseguire la cattura del movimento in tempo reale in cui un computer può tracciare il movimento di tutte le articolazioni umane in tempo reale da una fotocamera a profondità. Questo è stato il fondamento della mia prima azienda, Numovis, che si concentrava sulla tracciamento del movimento e sulla visione artificiale per l’interazione dell’utente. È stata acquisita da Google.

Tutto il mio percorso dal progetto dell’elicottero a Google Books alle auto a guida autonoma e ora alle operazioni sanitarie mi ha veramente fatto capire quanto gli algoritmi di ML siano potenti e generali.

Potrebbe condividere la storia di genesi dietro AKASA?

Abbiamo costruito AKASA per risolvere un problema enorme e profondamente radicato nelle operazioni sanitarie. Queste operazioni sono sia costose che soggette a errori, il che può portare a esperienze finanziarie inutilmente allarmanti per i pazienti. C’era una mancanza di nuova tecnologia sul lato amministrativo e nulla era stato progettato appositamente. È diventato chiaro per noi che si poteva utilizzare la tecnologia come l’AI e il ML per risolvere queste sfide operative in modo innovativo. Quando abbiamo parlato con una moltitudine di sistemi sanitari e leader sanitari, hanno convalidato il nostro pensiero, il che ha portato alla fondazione di AKASA nel 2019.

Con ciò, lo scopo di AKASA è stato chiaro fin dall’inizio – abilitare la salute umana e costruire il futuro della sanità con l’AI. Il modo in cui abbiamo deciso di affrontare questa sfida è stato combinare l’intelligenza umana con l’AI e il ML all’avanguardia in modo che i sistemi sanitari possano ridurre i costi operativi e allocare le risorse dove sono più necessarie.

La nostra piattaforma, agnostica per il sistema e flessibile, serve attualmente una base di clienti che rappresenta oltre 475 ospedali e sistemi sanitari e oltre 8.000 strutture ambulatoriali, in tutti e 50 gli Stati. La nostra tecnologia aiuta queste organizzazioni, che utilizzano fornitori di registri sanitari elettronici (EHR) come Epic, Cerner, altri EHR o sistemi di aggiunta, e tutto ciò che si trova nel mezzo. E l’abbiamo fatto con risultati solidi.

La nostra base di clienti rappresenta oltre 110 miliardi di dollari di entrate nette dei pazienti aggregate, il che equivale a oltre il 10% di tutte le spese annuali dei sistemi sanitari negli Stati Uniti secondo i Centri per i servizi Medicare e Medicaid. E i modelli e gli algoritmi di AKASA sono stati addestrati su quasi 290 milioni di richieste e pagamenti.

Le tubazioni invisibili della sanità sono estremamente complesse, ma hanno un impatto enorme sulla salute umana, e le stiamo automatizzando un po’ alla volta.

Quali sono alcuni dei compiti che AKASA sta cercando di automatizzare nella sanità?

Il nostro approccio unico expert-in-the-loop, Unified Automation™, combina il ML con il giudizio umano e l’esperienza di materia per fornire un’automatizzazione robusta e resiliente per le operazioni sanitarie. AKASA può automatizzare e semplificare rapidamente e efficientemente le attività end-to-end all’interno della funzione finanziaria sanitaria, compresa l’elaborazione e il pagamento delle bollette. I compiti specifici che AKASA automatizza includono il controllo dell’idoneità del paziente, la documentazione e la verifica delle informazioni assicurative, la stima del costo del paziente, la modifica, la rinuncia e l’appello delle richieste, e la previsione e la gestione dei rifiuti.

Questo tipo di automazione non solo riduce gli errori umani e i ritardi per i pazienti, aiutando a prevenire le bollette mediche a sorpresa, ma libera anche il personale sanitario prendendo completamente le mansioni manuali e ripetitive dal loro piatto – permettendo loro di concentrarsi su compiti più gratificanti, impegnativi e generatori di valore rivolti all’esperienza del paziente.

Quali sono i diversi tipi di algoritmi di machine learning utilizzati?

AKASA utilizza gli stessi approcci di machine learning che hanno reso possibili le auto a guida autonoma per fornire ai sistemi sanitari una soluzione unica per l’automatizzazione delle operazioni sanitarie. Questo approccio – centrato sul ML – espande le capacità dell’automatizzazione per affrontare lavori più complessi a larga scala.

Sviluppiamo algoritmi all’avanguardia in computer vision, comprensione del linguaggio naturale e problemi di dati strutturati. La nostra piattaforma inizia con il RPA alimentato dalla computer vision e lo migliora con l’AI moderna, il ML e un expert-in-the-loop per fornire un’automatizzazione robusta.

Per fornire una panoramica di alto livello di come funziona, la nostra soluzione proprietaria osserva prima come il personale sanitario completa i propri compiti. Il nostro team etichetta quindi quei dati e li utilizza per addestrare i nostri algoritmi in modo che la nostra tecnologia possa capire e imparare come funzionano il personale sanitario e i loro sistemi. Da lì, la nostra piattaforma esegue quei flussi di lavoro in modo autonomo. Infine, utilizziamo esperti nel loop che possono intervenire ogni volta che il sistema segnala outlier o eccezioni. L’AI impara continuamente da quelle esperienze, permettendole di affrontare compiti più complessi nel tempo.

Potrebbe discutere l’importanza degli approcci human-in-the-loop e perché questo è destinato a sostituire il RPA?

La dura verità è che il RPA è una tecnologia vecchia di decenni che è fragile con limiti reali alle sue capacità. Avrà sempre un certo valore nell’automatizzare il lavoro che è semplice, discreto e lineare. Tuttavia, il motivo per cui gli sforzi di automazione spesso non raggiungono le loro aspirazioni è perché la vita è complessa e sempre in cambiamento.

L’approccio di base al RPA è costruire un robot (bot) per ogni problema o percorso che si desidera risolvere. Un essere umano (consulente o ingegnere) costruisce un robot per risolvere un problema specifico. Questa soluzione robotica prende il posto di una sequenza di passaggi. Guarda uno schermo, agisce e lo ripete.

Il problema che spesso si verifica è che un cambiamento nel mondo, come una modifica a un pezzo di software o a un’interfaccia utente, può causare la rottura dei bot. Come sappiamo, la tecnologia è in continua evoluzione, creando ambienti dinamici. Ciò significa che i robot RPA spesso falliscono.

Un altro problema con questi bot è che ne devi creare uno per ogni situazione che desideri risolvere. Facendo ciò, finisci per avere molti robot, tutti completanti azioni molto piccole che non richiedono molta abilità.

È come un gioco di whack-a-mole. Ogni giorno affronti la possibilità che uno di loro si rompa perché un pezzo di software sta per cambiare o qualcosa di insolito accadrà – una finestra di dialogo si aprirà o un nuovo tipo di input si verificherà. Il risultato è una manutenzione costosa per mantenere questi bot in funzione. Secondo una ricerca di Forrester, per ogni dollaro speso in RPA, si spendono ulteriori 3,41 dollari in risorse di consulenza.

In altre parole, il software effettivo per il RPA non è il costo principale. L’investimento di costo più considerevole è tutto il lavoro che devi fare per mantenere il RPA in funzione tutto il tempo. Molti organismi non tengono conto di quel costo continuo.

Poiché gran parte della vita è complessa e in continua evoluzione, molto lavoro cade al di fuori delle capacità del RPA, ed è qui che entra in gioco il ML. Il ML ci consente di automatizzare le cose difficili. E crediamo che la salsa speciale siano gli esseri umani che migliorano gli algoritmi insegnando loro.

Quando l’algoritmo non è sicuro di cosa fare (bassa fiducia), viene escalato a un essere umano nel loop invece. Gli esseri umani etichettano quegli esempi e identificano casi non gestiti dal modello attuale. Quando ciò viene fatto, e l’AI ha ragione, è un compito ben funzionante.

Ogni compito in cui un essere umano individua un problema è un caso in cui la macchina non gestisce correttamente. In questo caso, i dati vengono aggiunti al nostro set di dati, che riaddestra i modelli di ML per gestire questa nuova situazione.

Nel tempo, il modello di ML costruisce resistenza a questi nuovi casi limite. Ciò si traduce in un sistema che è robusto e flessibile per nuovi outlier o eccezioni, e il sistema diventa più forte con il tempo. Ciò significa che l’automatizzazione diventa migliore e migliore e l’intervento umano diminuirà nel tempo.

Avere esperti umani nel loop è fondamentale per rendere l’AI più intelligente, più veloce e migliore. Abbiamo bisogno di esseri umani per addestrare correttamente l’AI e assicurarsi che possa gestire gli outlier che sono una parte inevitabile di qualsiasi industria – e in particolare in un campo dinamico come la sanità.

Potrebbe discutere come funziona la soluzione human-in-the-loop di AKASA Unified Automation™ e quali sono alcuni dei principali casi d’uso per questa piattaforma?

Unified Automation è una piattaforma progettata appositamente per la sanità. Utilizzando l’AI, il ML e il nostro team di esperti di fatturazione medica, crea una soluzione personalizzata e integrata in modo uniforme che aiuta a vedere il valore più velocemente, con una manutenzione o una coda di eccezioni virtualmente inesistente.

È stato progettato tenendo presente le eccezioni e gli outlier. Se incontra qualcosa di nuovo, la piattaforma segnala il problema al team di esperti di AKASA che lo risolvono mentre il sistema impara dalle azioni che eseguono. È quell’elemento umano che ci differenzia dalle altre soluzioni sul mercato e consente alla piattaforma di imparare e migliorare continuamente.

Unified Automation si adatta anche alla natura dinamica dell’industria sanitaria. È una soluzione personalizzata e integrata in modo uniforme che aiuta a ridurre i costi operativi, eleva il personale per affrontare lavori più gratificanti che richiedono un tocco umano, e migliora la cattura di entrate per i sistemi sanitari mentre migliora anche l’esperienza finanziaria del paziente.

Ecco come funziona Unified Automation:

Il software proprietario osserva: Il nostro strumento Worklogger™ osserva a distanza come il personale sanitario completa i propri compiti. Quindi il nostro team etichetta quei dati e li alimenta nella nostra automazione per fornire una visione completa dei flussi di lavoro e dei processi attuali. Ciò si traduce in una maggiore visibilità delle prestazioni del personale, dati fondamentali sui flussi di lavoro per alimentare la nostra automazione e un’analisi del tempo per attività precisa.

L’AI esegue: Dopo aver osservato e appreso i flussi di lavoro del personale sanitario, la nostra AI esegue poi quei compiti in modo autonomo. Continua a imparare dai problemi e dai casi limite in cui si imbatte, affrontando compiti più complessi nel tempo. Unified Automation si trova a monte nella coda di lavoro – assegnandosi compiti applicabili e completandoli senza disturbare il team. Ottimizza anche automaticamente i processi in modo che non sia necessario alcun intervento o impostazione da parte del personale.

L’esperienza umana assicura: Il sistema segnala automaticamente il nostro team di esperti di fatturazione medica per gestire eccezioni e outlier, addestrando l’AI in tempo reale mentre lavorano. Questa è la parte expert-in-the-loop. Con l’apprendimento continuo integrato, la piattaforma Unified Automation diventa più intelligente e più efficiente nel tempo e il lavoro viene sempre fatto.

C’è qualcos’altro che desidera condividere su AKASA?

Abbiamo un approccio di ricerca che significa che i nostri clienti hanno accesso alla tecnologia all’avanguardia. Siamo impegnati a pubblicare la nostra AI e i nostri approcci in pubblicazioni peer-reviewed per continuare a stabilire nuovi standard di stato dell’arte per l’AI nelle operazioni sanitarie e per guidare l’intera industria in avanti.

Ad esempio, la nostra ricerca è stata presentata alla Conferenza internazionale sul machine learning (ICML), al Summit di NLP e alla Conferenza sul machine learning per la sanità (MLHC), tra gli altri. Stiamo adottando un approccio molto disciplinato per testare i nostri modelli e confrontare le prestazioni con gli approcci AI di stato dell’arte sul mercato.

La nostra soluzione di previsione dei rifiuti è considerata la prima pubblicazione basata su apprendimento profondo che può prevedere con accuratezza i rifiuti di richieste mediche di oltre il 22% rispetto ai benchmark esistenti. Il nostro modello Read, Attend, Code per la codifica autonoma di richieste mediche da note cliniche è stato riconosciuto come un nuovo stato dell’arte per l’industria e ha superato i modelli attuali del 18% – superando la produttività degli operatori umani. Crediamo che queste innovazioni nel back-office siano fondamentali per migliorare il sistema sanitario degli Stati Uniti a livello di scala e continueranno a guidare gli avanzamenti e a costruire soluzioni personalizzate per questo settore.

C’è molto hype intorno all’AI nella sanità, ma quando si tratta di questo, le aziende possono esagerare ciò che la loro tecnologia può effettivamente fare. È molto più difficile condurre ricerche per convalidare cosa fanno gli algoritmi – e ci vantiamo di aver preso questo percorso significativo, ma impegnativo, per dimostrare infine che la piattaforma Unified Automation di AKASA sta portando un cambiamento positivo e significativo agli ospedali e ai sistemi sanitari.

Siamo entusiasti per il futuro e per ciò che verrà ad AKASA mentre costruiamo il futuro della sanità con l’AI.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare AKASA.