Varun Ganapathi, CTO en mede-oprichter van AKASA - Interviewreeks

Varun Ganapathi is de CTO en mede-oprichter van AKASA, een ontwikkelaar van AI voor toepassingen in de gezondheidszorg. AKASA helpt zorgorganisaties bij het verbeteren van de bedrijfsvoering, inclusief de omzetcyclus, om de omzet te verhogen, efficiëntie te creëren en de patiëntervaring te verbeteren. Varun heeft met succes twee AI-bedrijven opgericht voorafgaand aan AKASA, de ene werd overgenomen door Google en de andere door Udacity.

U heeft een indrukwekkende carrière achter de rug op het gebied van machinaal leren. Kunt u iets vertellen over uw begindagen op Stanford, toen u werkte aan het autonoom maken van helikopters?

Toen ik natuurkunde studeerde als student aan Stanford, was ik ook erg geïnteresseerd in informatica en machine learning (ML). Voor mij combineerden AI en ML alles in één - het is echt een geautomatiseerde manier om natuurkunde te doen aan elk digitaliseerbaar fenomeen.

Voor dit ene specifieke project hadden we deze helikopter die eruitzag als een grote drone, iets kleiner dan een dubbele matras - in een tijd dat drones nog niet gangbaar waren. Mensen vlogen ermee en lieten het trucjes doen, zoals ondersteboven zweven. Hoewel dit heel moeilijk is om te doen, wilden we een ML-algoritme bouwen dat van mensen zou kunnen leren hoe ze deze helikopter autonoom kunnen besturen.

We hebben een physics-simulator gemaakt die was gebaseerd op de echte helikopter en een ML-algoritme dat leerde hoe de bewegingen ervan konden worden voorspeld. Vervolgens hebben we in de simulator bekrachtigingsleren toegepast om een ​​controller te ontwikkelen, de software genomen en deze in de daadwerkelijke helikopter geüpload. Nadat we de helikopter hadden aangezet, werkte het bij de eerste poging! De helikopter kon meteen zelf ondersteboven zweven, wat behoorlijk indrukwekkend was. Het team bleef werken aan het automatiseren van andere soorten trucs met behulp van ML.

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

Ik heb eigenlijk stage gelopen bij Google terwijl ik lessen volgde op Stanford in 2004 – dit was direct na het helikopterproject. In die tijd implementeerde ik ML voor het Google Books-project, waar we alle boeken van de wereld aan het scannen waren.

Google betaalde al deze mensen om informatie over de boeken te labelen, zoals pagina's, inhoudsopgaven, copyright, enz. - een zeer tijdrovende taak. Ik wilde zien of we ML kunnen gebruiken om dit te doen en het werkte echt goed. Het presteerde eigenlijk beter en was nauwkeuriger dan wanneer mensen het deden, omdat de meeste fouten te wijten waren aan menselijke fouten bij handmatige labeling.

Dit maakte me erg enthousiast over ML omdat het liet zien dat je van menselijke prestaties naar bovenmenselijke prestaties kunt gaan - alledaagse taken uitvoeren met minder fouten en consistenter, terwijl je nog steeds randgevallen afhandelt.

Van daaruit besloot ik een Ph.D. aan Stanford, waar hij zich aanvankelijk concentreerde op ML en meer theoretische artikelen. Voor mijn proefschrift heb ik een algoritme ontwikkeld om realtime bewegingsregistratie uit te voeren, waarbij een computer de beweging van alle menselijke gewrichten in realtime kan volgen vanaf een dieptecamera. Dit was de basis voor mijn eerste bedrijf, Numovis, dat zich richtte op bewegingsregistratie en computervisie voor gebruikersinteractie. Het werd overgenomen door Google.

Mijn hele reis van het helikopterproject tot Google Books tot zelfrijdende auto's en nu zorgoperaties hebben me echt laten zien hoe krachtig en algemeen algoritmen voor machine learning zijn.

Kun je het ontstaansverhaal achter AKASA delen?

We hebben gebouwd AKASA om een ​​enorm, diep verankerd probleem in de gezondheidszorg op te lossen. Deze operaties zijn zowel duur als foutgevoelig, wat kan leiden tot onnodige financiële paniekervaringen voor patiënten. Er was een gebrek aan nieuwe technologie aan de administratieve kant en er werd niets speciaal gebouwd. Het werd ons duidelijk dat je technologie als AI en ML zou kunnen gebruiken om deze operationele uitdagingen op een innovatieve manier op te lossen. Toen we met een groot aantal zorgstelsels en leiders in de gezondheidszorg spraken, bevestigden ze ons denken, wat uiteindelijk leidde tot de oprichting van AKASA in 2019.

Daarmee was het doel van AKASA vanaf het begin duidelijk: de gezondheid van de mens mogelijk maken en bouwen aan de toekomst van de gezondheidszorg met AI. De manier waarop we besloten om deze uitdaging aan te gaan, is door menselijke intelligentie te combineren met geavanceerde AI en ML, zodat gezondheidssystemen de bedrijfskosten kunnen verlagen en middelen kunnen toewijzen waar ze er het meest toe doen.

Ons systeemonafhankelijke, flexibele platform bedient 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 gebruik maken van aanbieders van elektronische medische dossiers (EPD's), zoals Epic, Cerner, andere EPD's of aanvullende systemen, en alles daartussenin. En we hebben het gedaan met sterke resultaten.

Ons klantenbestand vertegenwoordigt meer dan $ 110 miljard aan totale netto patiënteninkomsten, wat volgens de jaarlijkse gezondheidsuitgaven neerkomt op meer dan 10% van alle Amerikaanse zorgstelseluitgaven. Centra voor Medicaid en Medicare Services. En de modellen en algoritmen van AKASA zijn getraind op bijna 290 miljoen claims en overmakingen.

Het onzichtbare loodgieterswerk van de gezondheidszorg is uiterst complex, maar het heeft een enorme impact op de menselijke gezondheid en we automatiseren het beetje bij beetje.

Wat zijn enkele van de taken die AKASA wil automatiseren in de gezondheidszorg?

Onze unieke 'expert-in-the-loop'-benadering, Unified Automation™, combineert ML met menselijk oordeel en materiedeskundigheid om robuuste en veerkrachtige automatisering te bieden voor zorgactiviteiten. AKASA kan snel en efficiënt end-to-end taken automatiseren en stroomlijnen binnen de financiële functie van de gezondheidszorg, inclusief factuurverwerking en betalingen. Specifieke taken die AKASA automatiseert, zijn onder meer het controleren van de geschiktheid van de patiënt, het documenteren en verifiëren van verzekeringsinformatie, het schatten van de kosten van de patiënt, het bewerken, opnieuw factureren en aanvechten van claims, en het voorspellen en beheren van weigeringen.

Dit type automatisering vermindert niet alleen menselijke fouten en vertragingen voor patiënten, waardoor onverwachte medische rekeningen worden voorkomen, maar maakt ook zorgpersoneel vrij door de handmatige, repetitieve taken volledig uit handen te nemen, waardoor ze zich kunnen concentreren op meer lonende, uitdagende en waardevollere taken. -het genereren van taken gericht op de patiëntervaring.

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

AKASA gebruikt dezelfde machine learning-benaderingen die zelfrijdende auto's mogelijk hebben gemaakt om zorgstelsels één enkele oplossing te bieden voor het automatiseren van zorgactiviteiten. Deze aanpak – gecentreerd rond ML – breidt de mogelijkheden van automatisering uit om meer complex werk op schaal aan te kunnen.

We ontwikkelen state-of-the-art algoritmen voor computervisie, begrip van natuurlijke taal en gestructureerde gegevensproblemen. Ons platform begint met computer vision-aangedreven RPA en verbetert het met moderne AI, ML en een expert-in-the-loop om robuuste automatisering te bieden.

Om een ​​goed overzicht te geven van hoe het werkt, observeert onze eigen oplossing eerst hoe zorgpersoneel hun taken uitvoert. Ons team labelt die gegevens vervolgens en gebruikt deze om onze algoritmen te trainen, zodat onze technologie kan begrijpen en leren hoe zorgpersoneel en hun systemen werken. Van daaruit voert ons platform die workflows autonoom uit. Ten slotte gebruiken we experts-in-the-loop die kunnen inspringen wanneer het systeem uitschieters of uitzonderingen signaleert. De AI leert continu van die ervaringen, waardoor het in de loop van de tijd complexere taken kan uitvoeren.

Kunt u het belang van human-in-the-loop-benaderingen bespreken en waarom dit RPA zal vervangen?

De harde waarheid is dat RPA een decennia-oude technologie is die broos is met echte grenzen aan haar mogelijkheden. Het zal altijd enige waarde hebben bij het automatiseren van werk dat eenvoudig, discreet en lineair is. De reden waarom automatiseringsinspanningen echter vaak niet aan hun ambities voldoen, is omdat het leven complex is en altijd verandert.

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

Het probleem dat vaak voorkomt, is dat een verandering in de wereld, zoals een aanpassing aan een stuk software of UI, ervoor kan zorgen dat bots kapot gaan. Zoals we weten, evolueert technologie voortdurend, waardoor dynamische omgevingen ontstaan. 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. Als je dit doet, krijg je veel robots die allemaal zeer kleine acties uitvoeren waarvoor niet veel vaardigheid vereist is.

Het is als een spel van mep-een-mol. Elke dag wordt u geconfronteerd met de kans dat een van hen kapot gaat omdat er een stuk software gaat veranderen of er iets ongewoons gebeurt – er verschijnt een dialoogvenster of er zal een nieuw soort invoer plaatsvinden. Het resultaat is kostbaar onderhoud om deze bots draaiende te houden. Volgens onderzoek van Forrester wordt voor elke $ 1 die aan RPA wordt uitgegeven, $ 3.41 extra besteed aan het raadplegen van bronnen.

Met andere woorden, de eigenlijke software voor RPA is niet het grootste deel van de kosten. De grotere kosteninvestering is al het werk dat u moet doen om RPA altijd draaiende te houden. Veel organisaties houden geen rekening met die lopende kosten.

Aangezien zo veel van het leven complex is en voortdurend evolueert, valt veel werk buiten de mogelijkheden van RPA, en dat is waar ML om de hoek komt kijken. ML stelt ons in staat om de moeilijke dingen te automatiseren. En we geloven dat de speciale saus mensen zijn die de algoritmen verbeteren door ze te onderwijzen.

Wanneer het algoritme niet zeker weet wat het moet doen (weinig vertrouwen), wordt het geëscaleerd naar een mens-in-the-loop. De mensen labelen die voorbeelden en identificeren gevallen die niet door het huidige model worden behandeld. Als dit is gebeurd en de AI het goed heeft gedaan, is dat een goed functionerende taak.

Elke taak waarbij een mens een probleem opmerkt, is een geval waarin de machine het niet goed afhandelt. In dit geval worden gegevens toegevoegd aan onze dataset, waardoor de ML-modellen opnieuw worden getraind om met deze nieuwe situatie om te gaan.

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

Het hebben van menselijke experts is van cruciaal belang om AI slimmer, sneller en beter te maken. We hebben mensen nodig om de AI goed te trainen en ervoor te zorgen dat deze de uitschieters aankan die een onvermijdelijk onderdeel zijn van elke branche, 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 belangrijkste 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 experts op het gebied van medische facturering ontstaat een naadloos geïntegreerde, op maat gemaakte oplossing die u helpt sneller waarde te zien, met vrijwel geen onderhoud of uitzonderingswachtrijen.

Het is ontworpen met uitzonderingen en uitschieters in het achterhoofd. Als het platform iets nieuws tegenkomt, signaleert het platform het probleem aan AKASA's team van experts die het oplossen terwijl het systeem leert van de acties die ze ondernemen. Het is dat menselijke element dat ons onderscheidt van andere oplossingen op de markt en het platform in staat stelt continu te leren en te verbeteren.

Unified Automation past zich ook aan het dynamische karakter van de zorgsector aan. Het is een naadloos geïntegreerde, op maat gemaakte oplossing die helpt de bedrijfskosten te verlagen, het personeel in staat stelt om meer lonend werk aan te pakken waarvoor een menselijke benadering nodig is, en het binnenhalen van inkomsten voor zorgstelsels verbetert en tegelijkertijd de financiële ervaring van de patiënt verbetert.

Dit is hoe Unified Automation werkt:

Gepatenteerde software observeert: Onze Worklogger™-tool observeert op afstand hoe zorgpersoneel hun taken uitvoert. Vervolgens labelt ons team die gegevens en voert deze in onze automatisering om een ​​uitgebreid overzicht van de huidige workflows en processen te bieden. Dit resulteert in een beter inzicht in de prestaties van het personeel, fundamentele gegevens over de workflows die onze automatisering mogelijk maken, en een nauwkeurige tijd-per-taakanalyse.

AI presteert: Na het observeren en leren van de workflows van het zorgpersoneel, voert onze AI deze taken vervolgens autonoom uit. Het leert continu van problemen en randgevallen die het tegenkomt, en neemt in de loop van de tijd complexere taken op zich. Unified Automation zit stroomopwaarts in de werkwachtrij en wijst zichzelf toepasbare taken toe en voltooit deze zonder het team te verstoren. Het optimaliseert ook automatisch processen, zodat er geen configuratie of tussenkomst van het personeel nodig is.

Menselijke expertise zorgt voor:  Het systeem markeert automatisch ons team van medische factureringsexperts om uitzonderingen en uitschieters af te handelen en de AI in realtime te trainen terwijl ze werken. Dit is het expert-in-the-loop gedeelte. Met continu leren ingebouwd, wordt het Unified Automation-platform in de loop van de tijd slimmer en efficiënter en wordt het werk altijd gedaan.

Is er nog iets dat je zou willen delen over AKASA?

We hebben een research-first-benadering, wat betekent dat onze klanten toegang hebben tot geavanceerde technologie. We zijn vastbesloten om onze AI en benaderingen te publiceren in peer-reviewed publicaties om voortdurend nieuwe state-of-the-art standaarden te stellen voor AI in de gezondheidszorg en om onze hele sector 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). We hanteren een zeer gedisciplineerde aanpak bij het testen van onze modellen en het vergelijken van de prestaties met de modernste AI-benaderingen op de markt.

Aangenomen wordt dat onze oplossing voor voorspellende weigeringen het eerste gepubliceerde, op deep learning gebaseerde systeem is dat weigeringen van medische claims met meer dan 22% nauwkeurig kan voorspellen in vergelijking met bestaande baselines. Ons Read, Attend, Code-model voor het autonoom coderen van medische claims op basis van klinische notities wordt erkend als een nieuwe state-of-the-art voor de industrie en presteerde 18% beter dan de huidige modellen – waarmee het de productiviteit van menselijke codeerders overtreft. Wij zijn van mening dat deze backoffice-innovaties van cruciaal belang zijn voor het op grote schaal verbeteren van het Amerikaanse gezondheidszorgsysteem en we zullen doorgaan met het stimuleren van vooruitgang en het bouwen van op maat gemaakte oplossingen voor deze ruimte.

Er is veel hype rond AI in de gezondheidszorg, maar als het erop aankomt, kunnen bedrijven overhypen wat hun technologie eigenlijk kan doen. Het is veel moeilijker om onderzoek te doen om te valideren wat de algoritmen doen - en we zijn er trots op dat we deze zinvolle, maar uitdagende weg hebben gekozen om uiteindelijk te bewijzen dat AKASA's Unified Automation-platform echt positieve en zinvolle veranderingen teweegbrengt in ziekenhuizen en zorgstelsels.

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

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