Varun Ganapathi, CTO & Co-Founder van AKASA – Interview Serie

Varun Ganapathi is de CTO en mede-oprichter van AKASA, een ontwikkelaar van AI voor healthcare-toepassingen. AKASA helpt healthcare-organisaties bij het verbeteren van hun operaties, waaronder de omzetcyclus, om inkomsten te genereren, efficiëntie te creëren en de patiëntervaring te verbeteren. Varun heeft met succes twee AI-bedrijven opgericht voordat hij bij AKASA kwam, een werd overgenomen door Google (GOOGL ) en de andere door Udacity.

U hebt een onderscheidende carrière in machine learning, kunt u enkele van uw vroege dagen aan Stanford bespreken toen u werkte aan het maken van helikopters autonoom?

Toen ik als undergraduate aan Stanford studeerde, was ik ook erg geïnteresseerd in computerwetenschap en machine learning (ML). Voor mij combineerde AI en ML alles in één – het is eigenlijk een geautomatiseerde manier om fysica te doen op elk digitale fenomeen.

Voor dit specifieke project hadden we een helikopter die leek op een grote drone, een beetje kleiner dan een tweepersoonsmatras – op een moment toen drones niet veel voorkwamen. Mensen vlogen ermee en maakten trucs, zoals hangen in de lucht. Terwijl dit moeilijk is om te doen, wilden we een ML-algoritme maken dat kon leren van mensen hoe hij deze helikopter autonoom kon vliegen.

We creëerden een fysica-simulator die was gebaseerd op de echte helikopter en een ML-algoritme dat kon voorspellen hoe hij zou bewegen. We pasten vervolgens versterking leerlingen binnen de simulator toe om een controller te ontwikkelen, namen de software en laadden hem in de echte helikopter. Toen we de helikopter aanzetten, werkte hij meteen! De helikopter kon onmiddellijk in de lucht hangen zonder menselijke tussenkomst, wat behoorlijk indrukwekkend was. Het team werkte verder aan het automatiseren van andere soorten trucs met ML.

U werkte ook bij Google Books, kunt u het algoritme bespreken dat u ontwikkelde en hoe uw bedrijf uiteindelijk door Google werd overgenomen?

Ik deed een stage bij Google terwijl ik lessen volgde aan Stanford in 2004 – dit was recht na het helikopterproject. Tijdens die tijd implementeerde ik ML voor het Google Books-project waar we alle boeken ter wereld scande.

Google betaalde allemaal mensen om informatie over de boeken te labelen, zoals pagina’s, inhoudsopgaven, copyright, enz. – een zeer tijdrovende taak. Ik wilde zien of we ML konden gebruiken om dit te doen en het werkte echt goed. Het werkte zelfs beter en was nauwkeuriger dan wanneer mensen het deden, omdat de meeste fouten door menselijke fouten bij handmatig labelen kwamen.

Dit maakte me echt enthousiast over ML, omdat het liet zien dat je van menselijke prestaties naar superieure prestaties kon gaan – saaie taken met minder fouten en meer consistentie uitvoeren, terwijl je nog steeds randgevallen kon afhandelen.

Van daaruit besloot ik een Ph.D. te doen aan Stanford, met een focus op ML en meer theoretische papers in het begin. Voor mijn proefschrift ontwikkelde ik een algoritme voor real-time motion capture waar een computer de beweging van alle menselijke gewrichten in real-time van een dieptecamera kon volgen. Dit was de basis voor mijn eerste bedrijf, Numovis, dat zich richtte op motion tracking en computer vision voor gebruikersinteractie. Het werd overgenomen door Google.

Mijn hele reis van het helikopterproject naar Google Books naar zelfrijdende auto’s en nu healthcare-operaties liet me echt zien hoe krachtig en algemeen machine learning-algoritmes zijn.

Kunt u het verhaal achter AKASA delen?

We hebben AKASA gebouwd om een enorm, diepgeworteld probleem in healthcare-operaties op te lossen. Deze operaties zijn zowel duur als foutgevoelig, wat kan leiden tot onnodige, paniekerige financiële ervaringen voor patiënten. Er was een gebrek aan nieuwe technologie aan de administratieve kant en niets was speciaal ontwikkeld. Het werd duidelijk voor ons dat je technologie zoals AI en ML kon gebruiken om deze operationele uitdagingen op een innovatieve manier op te lossen. Toen we met een groot aantal gezondheidssystemen en healthcare-leiders spraken, bevestigden ze ons denken, wat uiteindelijk leidde tot de oprichting van AKASA in 2019.

Met dat, is het doel van AKASA vanaf het begin duidelijk – om menselijke gezondheid te stimuleren en de toekomst van de gezondheidszorg te bouwen met AI. De manier waarop we deze uitdaging aangingen, was door menselijke intelligentie te combineren met state-of-the-art AI en ML, zodat gezondheidssystemen hun operationele kosten kunnen verlagen en middelen kunnen toewijzen waar ze het meest nodig zijn.

Ons systeem-agnostische, flexibele platform dient momenteel een klantenbestand dat meer dan 475 ziekenhuizen en gezondheidssystemen en meer dan 8.000 poliklinische faciliteiten vertegenwoordigt, in alle 50 staten. Onze technologie helpt deze organisaties, of ze nu gebruikmaken van elektronische gezondheidsdossiers (EHR) van leveranciers zoals Epic, Cerner, andere EHR’s of bolt-on-systemen, en alles daartussen. En we hebben dit met sterke resultaten gedaan.

Ons klantenbestand vertegenwoordigt meer dan $110 miljard aan totale nettorevenue van patiënten, wat overeenkomt met meer dan 10% van alle uitgaven van het Amerikaanse gezondheidssysteem per jaar volgens de Centers for Medicaid and Medicare Services. En de modellen en algoritmes van AKASA zijn getraind op bijna 290 miljoen claims en remittances.

De onzichtbare leiding van de gezondheidszorg is extreem complex, maar heeft een enorme impact op de menselijke gezondheid, en we automatiseren het beetje bij beetje.

Wat zijn enkele van de taken die AKASA aan het automatiseren is in de gezondheidszorg?

Onze unieke expert-in-the-loop-benadering, Unified Automation, combineert ML met menselijke oordeel en domeinexpertise om robuuste en veerkrachtige automatisering voor healthcare-operaties te bieden. AKASA kan snel en efficiënt eind-tot-eindtaken binnen de healthcare-finance-functie automatiseren en stroomlijnen, waaronder factuurverwerking en betalingen. Specifieke taken die AKASA automatiseren, zijn onder andere het controleren van patiëntgerechtigdheid, het documenteren en verifiëren van verzekeringsinformatie, het schatten van patiëntkosten, het bewerken, opnieuw factureren en beroepen op claims, en het voorspellen en beheren van weigeringen.

Deze soort automatisering vermindert niet alleen menselijke fouten en vertragingen voor patiënten, waardoor verrassingsmedische rekeningen worden voorkomen, maar vrijwaart ook het personeel van de gezondheidszorg door de handmatige, repetitieve taken volledig van hun bord te halen – waardoor ze zich kunnen concentreren op meer lonende, uitdagende en waardegenererende taken die gericht zijn op de patiëntervaring.

Wat zijn de verschillende soorten machine learning-algoritmes die worden gebruikt?

AKASA gebruikt dezelfde machine learning-benaderingen die zelfrijdende auto’s mogelijk maken om gezondheidssystemen een enkele oplossing te bieden voor het automatiseren van healthcare-operaties. Deze benadering – gecentreerd rond ML – breidt de mogelijkheden van automatisering uit om meer complexe werkzaamheden op grote schaal aan te pakken.

We ontwikkelen state-of-the-art-algoritmes voor computer vision, natuurlijke taalverwerking en gestructureerde dataproblemen. Ons platform begint met computer vision-geactiveerde RPA en verbetert het met moderne AI, ML en een expert-in-the-loop om robuuste automatisering te bieden.

Om een overzicht te geven van hoe het werkt, observeert ons propriëtaire oplossing eerst hoe het personeel van de gezondheidszorg hun taken voltooit. Ons team labelt vervolgens die gegevens en gebruikt ze om onze algoritmes te trainen, zodat onze technologie kan begrijpen en leren hoe het personeel van de gezondheidszorg en hun systemen werken. Vervolgens voert ons platform deze workflows autonoom uit. Ten slotte gebruiken we experts-in-the-loop die kunnen ingrijpen wanneer het systeem outliers of uitzonderingen aangeeft. De AI leert voortdurend van deze ervaringen, waardoor het in staat is om meer complexe taken over tijd aan te pakken.

Kunt u de belangrijkheid van human-in-the-loop-benaderingen bespreken en waarom dit RPA gaat vervangen?

De harde waarheid is dat RPA een decennialange technologie is die broos is met echte beperkingen aan zijn mogelijkheden. Het zal altijd enige waarde hebben in het automatiseren van werk dat eenvoudig, discreet en lineair is. Echter, de reden waarom automatiseringsinspanningen vaak tekortschieten in hun aspiraties, is omdat het leven complex en altijd in verandering is.

De basisaanpak van RPA is het bouwen van een robot (bot) voor elk probleem of pad dat je wilt oplossen. Een mens (consultant of ingenieur) bouwt een robot om een specifiek probleem op te lossen. Deze robotische oplossing neemt de plaats in van een reeks stappen. Het kijkt naar een scherm, neemt actie en herhaalt het.

Het probleem dat vaak optreedt, is dat een verandering in de wereld, zoals een wijziging in een stuk software of UI, de bots kan doen breken. Aangezien we weten dat technologie altijd in ontwikkeling is, creëert dit dynamische omgevingen. Dit betekent dat RPA-robots vaak falen.

Een ander probleem met deze bots is dat je er een moet maken voor elke situatie die je wilt oplossen. Door dit te doen, eindig je met veel robots die allemaal kleine acties uitvoeren die niet veel vaardigheid vereisen.

Het is als een spel van whack-a-mole. Elke dag loop je het risico dat een van hen breekt omdat een stuk software gaat veranderen of iets ongebruikelijks gebeurt – een dialoogvenster verschijnt of een nieuw type invoer optreedt. Het resultaat is een kostbare onderhoudsinspanning om deze bots draaiende te houden. Volgens onderzoek van Forrester wordt voor elke $1 die aan RPA wordt uitgegeven, een extra $3,41 aan consultantbronnen uitgegeven.

Met andere woorden, de werkelijke software voor RPA is niet de belangrijkste kostenpost. De grotere kosteninvestering is al het werk dat je moet doen om RPA draaiende te houden. Veel organisaties nemen deze voortdurende kosten niet mee in hun berekening.

Aangezien een groot deel van het leven complex en constant in verandering is, valt veel werk buiten de mogelijkheden van RPA, waar ML dan binnenkomt. ML maakt het mogelijk om het moeilijke werk te automatiseren. En we geloven dat de speciale saus mensen zijn die de algoritmes verbeteren door ze les te geven.

Wanneer het algoritme niet zeker is over wat het moet doen (lage vertrouwensniveau), wordt het doorgegeven aan een mens-in-de-lus in plaats daarvan. De mensen labelen deze voorbeelden en identificeren gevallen die niet door het huidige model worden afgehandeld. Wanneer dit gebeurt en de AI het goed doet, is dat een goed functionerende taak.

Elke taak waarbij een mens een probleem vangt, is een geval waarin de machine het niet goed doet. In dit geval wordt gegevens toegevoegd aan onze gegevensset, waarmee de ML-modellen worden getraind om deze nieuwe situatie aan te pakken.

Na verloop van tijd bouwt het ML-model veerkracht op tegen deze nieuwe randgevallen. Dit resulteert in een systeem dat robuust en flexibel is voor nieuwe outliers of uitzonderingen, en het systeem wordt sterker met de tijd. Dit betekent dat de automatisering beter en beter wordt en dat menselijke interventie over tijd zal afnemen.

Het hebben van menselijke experts in de lus is cruciaal om AI slimmer, sneller en beter te maken. We hebben mensen nodig om de AI correct te trainen en ervoor te zorgen dat het kan omgaan met de outliers die een onvermijdelijk onderdeel zijn van elke industrie – en vooral in een dynamisch veld als de gezondheidszorg.

Hoe werkt AKASA’s human-in-the-loop-oplossing Unified Automation, en wat zijn enkele van de primaire use cases voor dit platform?

Unified Automation is een platform dat speciaal is ontwikkeld voor de gezondheidszorg. Met behulp van AI, ML en ons team van medische factureringsexperts, creëert het een naadloos geïntegreerde, aangepaste oplossing die u helpt om sneller waarde te zien, met vrijwel geen onderhoud of uitzonderingsqueues.

Het is ontworpen met uitzonderingen en outliers in gedachten. Als het iets nieuws tegenkomt, markeert het platform het probleem voor het team van AKASA-experts, dat het oplost terwijl het systeem leert van de acties die ze uitvoeren. Het is dat menselijke element dat ons onderscheidt van andere oplossingen op de markt en het platform in staat stelt om voortdurend te leren en te verbeteren.

Unified Automation past zich ook aan aan de dynamische aard van de gezondheidszorg. Het is een naadloos geïntegreerde, aangepaste oplossing die helpt om operationele kosten te verlagen, personeel te verheffen om meer lonende werkzaamheden aan te pakken die een menselijke aanraking vereisen, en om inkomsten te verhogen voor gezondheidssystemen, terwijl het ook de patiëntfinanciële ervaring verbetert.

Hier is hoe Unified Automation werkt:

Propriëtaire software observeert: Ons Worklogger™-tool observeert op afstand hoe het personeel van de gezondheidszorg hun taken voltooit. Ons team labelt vervolgens die gegevens en voedt ze in onze automatisering om een uitgebreid overzicht van de huidige workflows en processen te bieden. Dit resulteert in een grotere zichtbaarheid van de prestaties van het personeel, basisgegevens over de workflows om onze automatisering te laten werken, en een nauwkeurige tijd-per-taakanalyse.

AI voert uit: Nadat we hebben geobserveerd en geleerd van de workflows van het personeel van de gezondheidszorg, voert onze AI deze taken vervolgens autonoom uit. Het leert voortdurend van problemen en randgevallen die het tegenkomt, en neemt over tijd meer complexe taken op zich. Unified Automation zit stroomopwaarts in de werkqueue – het wijst zichzelf toe aan toepasselijke taken en voltooit ze zonder het team te storen. Het optimaliseert ook automatisch processen, zodat geen instelling of interventie van het personeel nodig is.

Menselijke expertise garandeert: Het systeem markeert automatisch ons team van medische factureringsexperts om uitzonderingen en outliers af te handelen, waardoor de AI in real-time wordt getraind terwijl ze werken. Dit is het expert-in-the-loop-deel. Met continue leerprocessen ingebouwd, wordt het Unified Automation-platform slimmer en efficiënter met de tijd, en het werk wordt altijd gedaan.

Is er nog iets anders dat u over AKASA wilt delen?

We hebben een onderzoeksgerichte aanpak, wat betekent dat onze klanten toegang hebben tot state-of-the-art-technologie. We zijn toegewijd om onze AI en benaderingen te publiceren in peer-reviewed publicaties om voortdurend nieuwe state-of-the-art-normen voor AI in healthcare-operaties te stellen en om onze hele industrie vooruit te helpen.

Ons onderzoek is bijvoorbeeld gepresenteerd op de International Conference on Machine Learning (ICML), de Natural Language Processing (NLP) Summit en de Machine Learning for Healthcare Conference (MLHC), onder andere. We nemen een zeer gedisciplineerde aanpak om onze modellen te testen en hun prestaties te vergelijken met state-of-the-art-AI-benaderingen op de markt.

Onze voorspellende weigeringoplossing wordt verondersteld de eerste gepubliceerde deep-learning-gebaseerde systeem te zijn die medische claimweigeringen met meer dan 22% nauwkeurig kan voorspellen in vergelijking met bestaande baselines. Ons Read, Attend, Code-model voor de autonome codering van medische claims vanuit klinische notities is erkend als het definiëren van een nieuwe state-of-the-art voor de industrie en presteert 18% beter dan huidige modellen – en overtreft de productiviteit van menselijke coders. We geloven dat deze innovaties in de achterkant kritisch zijn om het Amerikaanse gezondheidssysteem op grote schaal te verbeteren en zullen voortdurend vooruitgang boeken en aangepaste oplossingen voor deze ruimte ontwikkelen.

Er is veel hype rond AI in de gezondheidszorg, maar als het erop aankomt, kunnen bedrijven overdrijven wat hun technologie werkelijk kan doen. Het is veel moeilijker om onderzoek te doen om te valideren wat de algoritmes doen – en we zijn trots op onszelf voor het nemen van deze betekenisvolle, maar moeilijke route om uiteindelijk te bewijzen dat AKASA’s Unified Automation-platform werkelijk positieve en betekenisvolle veranderingen aanbrengt in ziekenhuizen en gezondheidssystemen.

We zijn enthousiast over de toekomst en wat er te komen staat bij AKASA, terwijl we de toekomst van de gezondheidszorg bouwen met AI.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten AKASA bezoeken.