Akilesh Bapu, oprichter en CEO van DeepScribe – Interviewreeks

Akilesh Bapu is de oprichter en CEO van DeepScribe, dat natuurlijke taalverwerking (NLP) en geavanceerd diep lerend gebruikt om nauwkeurige, compliant en beveiligde notities van arts-patiëntgesprekken te genereren.

Wat was het dat je introduceerde en aantrok tot AI en natuurlijke taalverwerking?

Als ik het me goed herinner, was Jarvis uit “Iron Man” het eerste dat me echt aantrok tot de wereld van natuurlijke taalverwerking en AI. Vooral vond ik het fascinerend hoeveel sneller een mens in staat was om niet alleen taken uit te voeren, maar ook een ongelofelijke diepte te bereiken in bepaalde taken en informatie te onthullen die ze anders nooit zouden hebben geweten als het niet was door deze AI.

Het was dit concept van “AI alleen zal niet zo goed zijn als mensen bij de meeste taken, maar zet een mens en AI samen en die combinatie zal domineren.” Natuurlijke taalverwerking is de meest efficiënte manier voor deze mens-AI-combinatie om te gebeuren.

Vanaf dat moment was ik geobsedeerd door Siri, Google (GOOGL ) Now, Alexa en de anderen. Terwijl ze niet zo naadloos werkten als Jarvis, wilde ik zo graag dat ze werkten als Jarvis deed. Vooral, wat duidelijk werd, was dat commando’s zoals “Alexa doe dit”, “Alexa doe dat”, vrij eenvoudig en nauwkeurig waren om te doen met de huidige stand van de technologie. Maar als het gaat om iets als Jarvis, waar het eigenlijk kan leren en begrijpen, filteren en belangrijke onderwerpen oppikken tijdens een ander conversatie-uitwisseling – dat was nog niet eerder gedaan. Dit heeft rechtstreeks te maken met een van mijn belangrijkste motivaties bij het oprichten van DeepScribe. Terwijl we het probleem van documentatie voor artsen oplossen, proberen we een hele nieuwe golf van intelligentie te creëren terwijl we dat doen: ambient intelligentie. AI die door je dagelijkse uitingen kan graven, nuttige informatie kan vinden en die informatie kan gebruiken om je te helpen.

Je deed eerder onderzoek met diepe leer en NLP aan de UC Berkeley College of Engineering. Wat was je onderzoek?

Terug bij het Berkeley AI Research Lab werkte ik aan een project voor het annoteren van genontologie, waarbij we PubMed-artikelen samenvatten met specifieke uitvoerparameters.

Het hoogste overzicht: Neem een taak zoals de samenvatting van CNN-nieuwsartikelen. In die taak neem je nieuwsartikelen en samenvat je ze in ongeveer een paar zinnen. In je voordeel heb je gegevens en de mogelijkheid om deze modellen te trainen op meer dan een miljoen artikelen. Het probleem is echter dat het probleemgebied enorm is, omdat je beperkte structuur hebt voor de samenvattingen. Bovendien is er nauwelijks structuur in de artikelen zelf. Hoewel er sinds 2,5 jaar geleden, toen ik aan dit project werkte, enkele verbeteringen zijn geweest, is dit nog steeds een onopgelost probleem.

In ons onderzoeksproject ontwikkelden we gestructureerde samenvattingen van artikelen. Een gestructureerde samenvatting is in dit geval vergelijkbaar met een typische samenvatting, behalve dat we de exacte structuur van de uitvoersamenvatting kennen. Dit is nuttig, omdat het het aantal uitvoeropties voor ons machine learning-model aanzienlijk vermindert – de uitdaging was dat er niet genoeg geannoteerde trainingsgegevens waren om een data-hongerig diep lerend model te trainen en bruikbare resultaten te krijgen.

Het kernwerk dat ik aan dit project deed, was om de kennis die we hebben over de invoergegevens te benutten en een ensemble van ondiepe ML-modellen te ontwikkelen om het te ondersteunen – een techniek die we de 2-stapsannotator noemden. De 2-stapsannotator haalde een benchmark van bijna 20 keer de nauwkeurigheid van de vorige beste (54 procent vs 3,6 procent).

Terwijl dit project en DeepScribe naast elkaar misschien helemaal verschillend klinken, waren ze zeer vergelijkbaar in de manier waarop ze de 2-stapsannotatiemethode gebruikten om de resultaten aanzienlijk te verbeteren op een beperkt dataset.

Wat was de inspiratie achter het lanceren van DeepScribe?

Alles begon met mijn vader, die een medisch oncoloog was. Voordat elektronische gezondheidsdossiersysteem de zorg overnamen, schreven artsen dingen op papier en besteedden ze weinig tijd aan notities. Maar toen EHR’s populair werden als onderdeel van de HITECH-wet van 2009, begon ik te merken dat mijn vader meer en meer tijd aan de computer doorbracht. Hij kwam later thuis. In het weekend zat hij op de bank notities te dicteren. Simpele dingen als hem ophalen van school of basketbaltraining werden een ding van het verleden, omdat hij de meeste avonduren doorbracht met het bijwerken van documentatie.

Als een nerdige jongen die opgroeide, probeerde ik oplossingen voor hem te vinden door het web te doorzoeken en hem te laten proberen. Helaas werkte niets goed genoeg om hem te redden van de lange uren van documentatie.

Een paar jaar later, in de zomer van 2017, was ik een onderzoeker die werkte aan het Berkeley AI Research Lab, waar ik werkte aan projecten voor documentensamenvatting. Toen ik die zomer thuis was, merkte ik dat mijn vader nog steeds veel tijd besteedde aan documentatie. Ik vroeg: “Wat is er nieuw in de wereld van documentatie? Alexa is overal, Google Assistant is zo goed nu. Vertel me, wat is het laatste in de medische ruimte?” En zijn antwoord was: “Niets is veranderd.” Ik dacht dat het alleen bij hem zo was, maar toen ik een aantal van zijn collega’s ondervroeg, was het hetzelfde probleem: niet wat het laatste is in kankerbehandeling of de nieuwe problemen die hun patiënten hadden – het was documentatie. “Hoe kan ik van documentatie afkomen? Hoe kan ik tijd besparen op documentatie? Het neemt zo veel van mijn tijd in beslag.”

Ik merkte ook dat verschillende bedrijven waren opgekomen om documentatie op te lossen. Maar of ze waren te duur (duizenden dollars per maand) of ze waren te minimaal in termen van technologie. De artsen hadden op dat moment weinig opties. Dat was toen de kans zich aandiende dat als we een kunstmatig intelligent medisch schrijver konden creëren, een technologie die artsen kon volgen en samenvatten, en het kon aanbieden tegen een prijs die het voor iedereen toegankelijk kon maken, het echt de vreugde van zorg kon terugbrengen naar de geneeskunde.

Je was slechts 22 jaar oud toen je DeepScribe lanceerde. Kun je je reis als ondernemer beschrijven?

Mijn eerste blootstelling aan ondernemerschap was terug in de middelbare school. Het begon toen een vriend en ik, die toevallig wat JavaScript-basics kenden, ontmoetten met de directeur van een centrum voor kinderen met leerstoornissen. Ze vertelden ons hoe de eenvoudigste tools een lange weg konden gaan met dyslectische kinderen. We eindigden met het hacken van een dyslexie-lezer-Chrome-extensie. Het was echt basic – het paste gewoon de lettertype aan om te voldoen aan de wetenschappelijke richtlijnen voor gemakkelijk lezen door dyslectische mensen. Terwijl het concept eenvoudig was, kregen we meer dan 5000 actieve gebruikers in een handvol maanden. Ik was verbijsterd door hoe basale technologie zo’n diepgaande impact kon hebben op mensen.

Aan de Universiteit van Berkeley zette ik mijn ondernemerschap voort, vooral met hun brede scala aan klassen. Mijn favorieten waren:

1. De Newton-lezingen – mensen als Jessica Mah van InDinero of Diane Greene van VMWare, die Cal-alumni waren, gaven zeer herkenbare lezingen over hun tijd aan Berkeley en hoe ze hun eigen bedrijven startten
2. Challenge Lab – ik ontmoette mijn mede-oprichter Matt Ko via deze klas. We werden in groepen geplaatst en gingen door een semesterlange reis van het creëren van een product en werden gecoacht over wat het kost om een idee in de vroege stadia te krijgen
3. Lean Launchpad – verreweg mijn favoriet van de drie; dit was een zwaar en rigoureus proces waarbij we werden geleid door Steve Blank (een beroemde miljardair en de man achter de lean startup-beweging) om een idee te nemen, te valideren via 100 klantinterviews, een financieel model te bouwen en meer. Dit was het soort klas waar we ons “startup”-idee alleen maar pitchten om op dia 1 of 2 te stoppen en te worden ondervraagd. Als dat niet moeilijk genoeg was, werden we ook verwacht om 10 klanten per week te interviewen. Ons idee op dat moment was om een octrooi-zoekopdracht te creëren die vergelijkbare resultaten zou geven als een dure voorafgaande kunstzoeken, wat betekende dat we aan 10 enterprise-klanten per week pitchten. Het was geweldig, omdat het ons leerde om snel te denken en extra resourcevol te zijn.

DeepScribe begon toen een investeerdersgroep genaamd The House Fund cheques schreef voor studenten die hun zomerstage zouden opgeven en hun zomer zouden besteden aan het opbouwen van hun bedrijf. We hadden net Delphi (de octrooi-zoekmachine) gesloten en Matt en ik hadden constant over medische documentatie gesproken en alles viel op zijn plaats, omdat het de perfecte tijd was om het een kans te geven.

Met DeepScribe waren we gelukkig dat we net uit Lean Launchpad kwamen, omdat een van de belangrijkste factoren bij het bouwen van een product voor artsen was om te itereren en het product te verfijnen rondom klantfeedback. Een historisch probleem met de medische industrie was dat software zelden artsen in de ontwerpcyclus had, waardoor software ontstond die niet geoptimaliseerd was voor de eindgebruiker.

Because DeepScribe plaatsvond op hetzelfde moment als mijn laatste jaar aan Berkeley, was het een zware balans. Ik kwam op in een pak, zodat ik op tijd kon zijn voor een klantendemo recht na de les. Ik gebruikte alle EE-faciliteiten en professoren niet voor iets dat met de klas te maken had, maar 100 procent voor DeepScribe. Mijn vergaderingen met mijn onderzoeksmentor veranderden zelfs in DeepScribe-brainstormsessies.

Terugkijkend, als ik één ding aan mijn reis zou veranderen, zou het zijn om college op te schorten, zodat ik 150 procent van mijn tijd aan DeepScribe kon besteden.

Kun je voor een medisch professional uitleggen wat de voordelen zijn van het gebruik van DeepScribe ten opzichte van de meer traditionele methode van spraakdictaat of zelfs notities nemen?

DeepScribe gebruiken is bedoeld om zeer vergelijkbaar te zijn met het gebruik van een echte menselijke schrijver. Terwijl je natuurlijk praat met je patiënt, zal DeepScribe luisteren en medisch relevante spraak oppikken die meestal in je notities terechtkomt en het daar neerzet, gebruikmakend van dezelfde medische taal die je zelf gebruikt. We denken graag dat het een nieuwe AI-gepowered lid van je medisch team is dat je kunt trainen zoals je wilt om te helpen met documentatie in je elektronisch gezondheidsdossiersysteem zoals je wilt. Het is heel anders dan het gebruik van een spraakdictaatdienst, omdat het de hele stap van het moeten terugkeren en documenteren elimineert. Terwijl typische dictaatservices 10 minuten documentatie omzetten in 7-8 minuten, zet DeepScribe het om in een paar seconden. Onze artsen melden dat ze tussen de 1,5 en 3 uur per dag besparen, afhankelijk van hoeveel patiënten ze zien.

DeepScribe is apparaatagnostisch, werkbaar vanaf een iPhone, Apple Watch, browser (voor telemedicine) of hardware-apparaat.

Wat zijn enkele van de spraakherkennings- of NLP-uitdagingen waarmee DeepScribe te maken kan krijgen vanwege complexe medische terminologie?

In tegenstelling tot de populaire mening is complexe medische terminologie eigenlijk het gemakkelijkste deel voor DeepScribe om op te pikken. Het moeilijkste deel voor DeepScribe is om unieke contextuele verklaringen te pikken die een patiënt aan een arts kan geven. Hoe meer ze afwijken van een typisch gesprek, hoe meer we de AI zien struikelen. Maar naarmate we meer conversatiegegevens verzamelen, zien we het elke dag aanzienlijk verbeteren.

Wat zijn de andere machine learning-technologieën die worden gebruikt met DeepScribe?

De grote paraplu’s van spraakherkenning en NLP dekken de meeste machine learning die we bij DeepScribe doen.

Kun je enkele van de ziekenhuizen, non-profitorganisaties of academische instellingen noemen die DeepScribe gebruiken?

DeepScribe begon met een pilotprogramma bij het UC Berkeley Health Center. Hartford Healthcare, Texas Medical Center en Cedar Valley Medical Specialists zijn een handvol van de grotere systemen waar DeepScribe mee werkt.

Maar het grotere percentage van DeepScribe-gebruikers zijn 50 particuliere praktijken van Alaska tot Florida. Onze meest populaire specialiteiten zijn eerstelijnszorg, orthopedie, gastro-enterologie, cardiologie, psychiatrie en oncologie, maar we ondersteunen een handvol andere specialiteiten.

DeepScribe heeft onlangs een programma gelanceerd om bij te dragen aan COVID-19. Kun je ons door dit programma heen leiden?

COVID-19 heeft onze artsen hard getroffen. Praktijken zien slechts 30-40 procent van hun patiëntenaantal, scribe-personeel wordt gekort en aanbieders worden gedwongen om snel al hun patiënten over te zetten op telemedicine. Alles leidt tot meer administratief werk voor aanbieders – wij bij DeepScribe geloven sterk dat artsen 100 procent van hun aandacht en tijd moeten besteden aan het verzorgen van hun patiënten om deze pandemie tot staan te brengen.

Om deze zaak te helpen, zijn we trots om een gratis telemedicine-oplossing te lanceren voor zorgprofessionals die deze pandemie bestrijden. Onze telemedicine-oplossing is volledig geïntegreerd met onze AI-gepowered medische schrijveroplossing, waardoor de noodzaak voor klinische documentatie voor ontmoetingen op ons platform wordt geëlimineerd.

We bieden ook onze schrijverdienst gratis aan tijdens de pandemie. Dit betekent dat elke arts toegang kan krijgen tot een schrijver om zijn documentatie te verwerken. Onze hoop is dat door dit te doen, artsen meer aandacht kunnen besteden aan hun patiënten en minder tijd kunnen besteden aan documentatie, wat leidt tot een snellere stopzetting van de COVID-19-uitbraak.

Bedankt voor het geweldige interview, ik heb echt genoten van het leren over DeepScribe en je ondernemersreis. Iedereen die meer wil leren, moet DeepScribe bezoeken.