Varun Ganapathi, CTO e Co-Fondatore di AKASA – Serie di Interviste

Varun Ganapathi è il CTO e Co-Fondatore di AKASA, uno sviluppatore di intelligenza artificiale 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 intelligenza artificiale prima di AKASA, una delle quali è stata acquisita da Google (GOOGL ) e l’altra da Udacity.

Hai avuto una carriera distinta nel campo dell’apprendimento automatico, potresti discutere alcuni dei tuoi primi giorni a Stanford quando hai lavorato sul rendere autonomi gli elicotteri?

Quando studiavo fisica come studente di primo ciclo a Stanford, ero anche molto interessato all’informatica e all’apprendimento automatico (ML). Per me, l’intelligenza artificiale e l’apprendimento automatico combinavano tutto in uno – è un modo automatizzato di fare fisica su qualsiasi fenomeno digitizzabile.

Per questo progetto specifico, avevamo questo elicottero che sembrava un drone grande un po’ più piccolo di un materasso matrimoniale – in un momento in cui i droni non erano molto diffusi. Le persone lo facevano volare e gli facevano fare acrobazie, come ad esempio librarsi capovolto. Mentre questo è molto difficile da fare, abbiamo voluto costruire un algoritmo di apprendimento automatico che potesse imparare dagli esseri umani come far volare questo elicottero in modo autonomo.

Avevamo creato un simulatore di fisica basato sull’elicottero reale e un algoritmo di apprendimento automatico che imparava a prevedere i suoi movimenti. Abbiamo poi applicato l’apprendimento per rinforzo 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 capovolto da solo, il che era piuttosto impressionante. Il team ha continuato a lavorare sull’automatizzazione di altri tipi di acrobazie utilizzando l’apprendimento automatico.

Hai anche lavorato a Google Books, potresti discutere l’algoritmo che hai lavorato e come la tua 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 l’apprendimento automatico 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, tavole dei contenuti, copyright, ecc. – un compito molto lungo. Volevo vedere se potevamo utilizzare l’apprendimento automatico 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 erano dovuti a errori umani con l’etichettatura manuale.

Questo mi ha fatto capire quanto l’apprendimento automatico possa essere potente perché ha mostrato che puoi andare dalla prestazione umana a una prestazione sovrumana – eseguendo compiti noiosi con meno errori e più costantemente, gestendo anche i casi limite.

Dopo di che, ho deciso di fare un dottorato a Stanford, concentrandomi sull’apprendimento automatico e su paper più teorici all’inizio. Per la mia tesi, ho sviluppato un algoritmo per eseguire la cattura del movimento in tempo reale dove un computer può tracciare il movimento di tutte le articolazioni umane in tempo reale da una fotocamera a profondità. Questo è stato il fondamento per la mia prima azienda, Numovis, che si concentrava sulla cattura 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 mostrato quanto gli algoritmi di apprendimento automatico siano potenti e generici.

Potresti condividere la storia di genesi di 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 allarmistiche 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’intelligenza artificiale e l’apprendimento automatico per risolvere queste sfide operative in modo innovativo. Quando abbiamo parlato con molti sistemi sanitari e leader del settore sanitario, hanno convalidato il nostro pensiero, il che alla fine 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’intelligenza artificiale. Il modo in cui abbiamo deciso di affrontare questa sfida è stato combinare l’intelligenza umana con l’intelligenza artificiale e l’apprendimento automatico di ultima generazione in modo che i sistemi sanitari possano ridurre i costi operativi e allocare le risorse dove più servono.

La nostra piattaforma, agnostica e flessibile, serve attualmente una base di clienti che rappresenta oltre 475 ospedali e sistemi sanitari e oltre 8.000 strutture ambulatoriali, in tutti i 50 stati. La nostra tecnologia aiuta queste organizzazioni, indipendentemente dal fatto che utilizzino fornitori di registri elettronici sanitari (EHR) come Epic, Cerner, altri EHR o sistemi di aggiunta, e tutto ciò che sta in 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 di Medicare e Medicaid. E i modelli e gli algoritmi di AKASA sono stati addestrati su quasi 290 milioni di richieste di pagamento e riscontri.

Il “plumbing invisibile” della sanità è estremamente complesso, ma ha un impatto enorme sulla salute umana, e lo stiamo automatizzando un po’ alla volta.

Quali sono alcuni dei compiti che AKASA sta cercando di automatizzare nel settore sanitario?

Il nostro approccio unico, chiamato Unified Automation, combina l’apprendimento automatico 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 i compiti end-to-end all’interno della funzione finanziaria sanitaria, inclusa l’elaborazione delle fatture e dei pagamenti. 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 fatturazione e l’appello delle richieste di pagamento, 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 fatture mediche a sorpresa, ma libera anche il personale sanitario prendendo interamente le mansioni manuali e ripetitive dal loro piatto – permettendo loro di concentrarsi su compiti più gratificanti, impegnativi e generativi di valore rivolti all’esperienza del paziente.

Quali sono i diversi tipi di algoritmi di apprendimento automatico utilizzati?

AKASA utilizza gli stessi approcci di apprendimento automatico 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 sull’apprendimento automatico – estende le capacità dell’automatizzazione per affrontare lavori più complessi su larga scala.

Sviluppiamo algoritmi all’avanguardia in campo di visione artificiale, comprensione del linguaggio naturale e problemi di dati strutturati. La nostra piattaforma inizia con la visione artificiale alimentata da RPA e la migliora con l’intelligenza artificiale e l’apprendimento automatico moderni e un esperto nel ciclo per fornire un’automatizzazione robusta.

Per fornire una panoramica generale di come funziona, la nostra soluzione proprietaria osserva innanzitutto come il personale sanitario completa i propri compiti. Il nostro team etichetta poi 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 ciclo che possono intervenire ogni volta che il sistema segnala outlier o eccezioni. L’intelligenza artificiale impara continuamente da quelle esperienze, permettendole di affrontare compiti più complessi nel tempo.

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

La dura verità è che la 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 alla RPA consiste nel 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 sostituisce una sequenza di passaggi. Guarda uno schermo, prende un’azione e la 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 far rompere i 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 devi crearne 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 sta per accadere – una finestra di dialogo si apre o un nuovo tipo di input si verifica. Il risultato è una manutenzione costosa per mantenere questi bot in funzione. Secondo una ricerca di Forrester, per ogni dollaro speso in RPA, vengono spesi ulteriori 3,41 dollari in risorse di consulenza.

In altre parole, il software RPA vero e proprio non è il costo principale. Il costo di investimento più sostanziale è tutto il lavoro che devi fare per mantenere la RPA in funzione tutto il tempo. Molte organizzazioni non tengono conto di questo costo continuo.

Poiché gran parte della vita è complessa e in continua evoluzione, molto lavoro cade al di fuori delle capacità della RPA, ed è qui che entra in gioco l’apprendimento automatico. L’apprendimento automatico consente di automatizzare le cose difficili. E crediamo che il segreto 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 ciclo invece. Gli esseri umani etichettano quegli esempi e identificano casi non gestiti dal modello attuale. Quando questo 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 sta gestendo correttamente. In questo caso, i dati vengono aggiunti al nostro set di dati, che riaddestra i modelli di apprendimento automatico per gestire questa nuova situazione.

Nel tempo, il modello di apprendimento automatico costruisce la resilienza 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 ciclo è fondamentale per rendere l’intelligenza artificiale più intelligente, più veloce e migliore. Abbiamo bisogno di esseri umani per addestrare correttamente l’AI e assicurarci che possa gestire gli outlier che sono una parte inevitabile di qualsiasi industria – e soprattutto in un campo dinamico come la sanità.

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’intelligenza artificiale, l’apprendimento automatico e il nostro team di esperti di fatturazione medica, crea una soluzione integrata e personalizzata che aiuta a vedere il valore più velocemente, con praticamente zero manutenzione o code di eccezioni.

È stato progettato tenendo presenti le eccezioni e gli outlier. Se incontra qualcosa di nuovo, la piattaforma segnala il problema al nostro team di esperti che lo risolve mentre il sistema impara dalle azioni che prendono. 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 del settore sanitario. È una soluzione integrata e personalizzata che aiuta a ridurre i costi operativi, eleva il personale per affrontare lavori più gratificanti che richiedono un tocco umano, e migliora la cattura del reddito per i sistemi sanitari mentre migliora anche l’esperienza finanziaria del paziente.

Ecco come funziona Unified Automation:

Software proprietario osserva: Il nostro strumento Worklogger osserva 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 precisa del tempo per compito.

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

L’esperienza umana garantisce: Il sistema segnala automaticamente il nostro team di esperti di fatturazione medica per gestire le eccezioni e gli outlier, addestrando l’AI in tempo reale mentre lavorano. Questa è la parte dell’esperto nel ciclo. Con l’apprendimento continuo integrato, la piattaforma Unified Automation diventa più intelligente e più efficiente nel tempo e il lavoro viene sempre completato.

C’è qualcos’altro che ti piacerebbe 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 intelligenza artificiale e i nostri approcci in pubblicazioni peer-reviewed per stabilire continuamente nuovi standard di stato dell’arte per l’intelligenza artificiale nelle operazioni sanitarie e per guidare l’intero settore in avanti.

Ad esempio, la nostra ricerca è stata presentata alla Conferenza internazionale sull’apprendimento automatico (ICML), al Summit di elaborazione del linguaggio naturale (NLP) e alla Conferenza sull’apprendimento automatico 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 di intelligenza artificiale all’avanguardia sul mercato.

La nostra soluzione di previsione dei rifiuti si ritiene sia il primo sistema basato sull’apprendimento profondo pubblicato in grado di prevedere con accuratezza i rifiuti delle richieste di pagamento medico con un margine del 22% rispetto ai benchmark esistenti. Il nostro modello Read, Attend, Code per la codifica autonoma delle richieste di pagamento medico dalle 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 su larga scala e continueranno a guidare i progressi e a costruire soluzioni personalizzate per questo settore.

C’è molto rumore intorno all’intelligenza artificiale 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 ciò che gli algoritmi fanno – e ci orgogliamo di aver intrapreso questo percorso significativo, ma impegnativo, per dimostrare alla fine che la piattaforma di automazione unificata di AKASA sta effettivamente portando un cambiamento positivo e significativo agli ospedali e ai sistemi sanitari.

Siamo entusiasti del futuro e di ciò che verrà ad AKASA mentre costruiamo il futuro della sanità con l’intelligenza artificiale.

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