Akilesh Bapu, grunnlegger og administrerende direktør i DeepScribe – Intervjuserien

Akilesh Bapu er grunnlegger og administrerende direktør i DeepScribe, som bruker naturlig språkbehandling (NLP) og avansert dyplæring for å generere nøyaktige, kompatible og sikre notater fra lege-pasient-samtaler.

Hva var det som introduserte og tiltrakk deg til AI og naturlig språkbehandling?

Hvis jeg husker rett, var Jarvis fra «Iron Man» det første som virkelig tiltrakk meg til verden av naturlig språkbehandling og AI. Spesielt fant jeg det fascinerende hvor mye raskere et menneske var i stand til ikke bare å gå gjennom oppgaver, men også gå inn i en utrolig grad av dybde i visse oppgaver og avsløre viss informasjon som de ikke engang ville ha visst om hvis det ikke var for denne AI.

Det var dette konseptet om "AI i seg selv vil ikke være like god som mennesker til de fleste oppgaver, men sett et menneske og AI sammen og den kombinasjonen vil dominere." Naturlig språkbehandling er den mest effektive måten for denne menneske/AI-kombinasjonen å skje.

Fra da av var jeg besatt av Siri, Google Now, Alexa og de andre. Selv om de ikke fungerte like sømløst som Jarvis, ville jeg så gjerne få dem til å fungere som Jarvis gjorde. Spesielt, det som ble tydelig var, kommandoer som "Alexa gjør dette," "Alexa gjør det," var ganske enkle og nøyaktige å gjøre med den nåværende teknologien. Men når det kommer til noe som Jarvis, hvor det faktisk kan lære og forstå, filtrere og fange opp viktige emner under en annen samtaleutveksling – det hadde egentlig ikke blitt gjort før. Dette er faktisk direkte relatert til en av mine kjernemotiver for å grunnlegge DeepScribe. Mens vi løser problemet med dokumentasjon for leger, prøver vi en helt ny bølge av intelligens mens vi gjør det: omgivelsesintelligens. AI som kan grave gjennom dine daglige ytringer, finne nyttig informasjon og bruke den informasjonen til å hjelpe deg.

Du forsket tidligere ved hjelp av dyp læring og NLP ved UC Berkeley College of Engineering. Hva var forskningen din på?

Tilbake på Berkeley AI Research Lab jobbet jeg med et genontologiannotatorprosjekt der vi oppsummerte PubMed-artikler med spesifikke utdataparametere.

Oversikten på høyt nivå: Ta en oppgave som oppsummeringen av nyhetsartikkelen fra CNN. I den oppgaven tar du nyhetsartikler og oppsummerer dem i noen få setninger. Til din fordel har du data og muligheten til å trene disse modellene på over en million artikler. Problemrommet er imidlertid enormt siden du har begrenset struktur på sammendragene. I tillegg er det knapt noen struktur på selve artiklene. Selv om det har vært en del forbedringer siden jeg jobbet med dette prosjektet for 2.5 år siden, er dette fortsatt et uløst problem.

I forskningsprosjektet vårt utviklet vi imidlertid strukturerte sammendrag av artikler. Et strukturert sammendrag i dette tilfellet ligner på et typisk sammendrag, bortsett fra at vi vet den nøyaktige strukturen til utdatasammendraget. Dette er nyttig siden det dramatisk reduserer utdataalternativene for maskinlæringsmodellen vår – utfordringen var at det ikke var nok kommentert opplæring til å kjøre en datakrevende dyplæringsmodell og få brukbare resultater.

Kjernen i arbeidet jeg gjorde med dette prosjektet var å utnytte kunnskapen vi har rundt inndataene og utvikle et ensemble av grunne ML-modeller for å støtte det – en teknikk vi oppfant kalt 2-trinns annotator. 2-trinns annotatoren målte med nesten 20 ganger nøyaktigheten som den forrige beste (54 prosent mot 3.6 prosent).

Selv om dette prosjektet og DeepScribe kan høres helt annerledes ut side om side, var de svært like i hvordan de brukte 2-trinns merknadsmetoden for å forbedre resultatene betydelig på et begrenset datasett.

Hva var inspirasjonen bak lanseringen av DeepScribe?

Det hele startet med min far, som var medisinsk onkolog. Før elektroniske journalsystemer tok over helsevesenet, skrev leger ned ting på papir og brukte svært lite tid på notater. Men når EPJer begynte å bli populære som en del av HITECH Act of 2009, begynte jeg å legge merke til at faren min brukte mer og mer tid ved datamaskinen. Han ville begynne å komme hjem senere. I helgene satt han på sofaen og dikterte notater. Enkle ting som at han henter meg fra skolen eller basketballtrening ble en saga blott, da han ville bruke mesteparten av kveldstimene på å fange opp dokumentasjon.

Som en nerdete gutt i oppveksten ville jeg prøve å finne løsninger for ham ved å søke på nettet og få ham til å prøve dem. Dessverre fungerte ingenting godt nok til å redde ham fra de lange timene med dokumentasjon.

Spol frem flere år til sommeren 2017 – jeg er en forsker som jobber ved Berkeley AI Research Lab, og jobber med prosjekter innen dokumentoppsummering. En sommer når jeg er hjemme igjen, merker jeg at faren min fortsatt bruker rikelig med tid på å dokumentere. Jeg spør: «Hva er nytt i dokumentasjonens verden? Alexa er overalt, Google Assistant er så bra nå. Fortell meg, hva er det siste innen det medisinske området?» Og svaret hans var: "Ingenting har endret seg." Jeg trodde at det bare var ham, men da jeg gikk og undersøkte flere av kollegene hans, var det det samme problemet: ikke hva det siste er innen kreftbehandling eller de nye problemene pasientene deres hadde – det var dokumentasjon. «Hvordan kan jeg bli kvitt dokumentasjon? Hvordan kan jeg spare tid på dokumentasjon? Det tar så mye av tiden min.»

Jeg la også merke til flere selskaper som hadde dukket opp for å prøve å løse dokumentasjon. Men enten var de for dyre (tusenvis av dollar per måned) eller så var de for minimale med tanke på teknologi. Legene på den tiden hadde svært få alternativer. Det var da muligheten åpnet seg for at hvis vi kunne lage en kunstig intelligent medisinsk skribent, en teknologi som kunne følge legenes pasientbesøk og oppsummere dem, og tilby det til en kostnad som kunne gjøre det tilgjengelig for alle, kunne det virkelig bringe omsorgsglede tilbake til medisinen.

Du var bare 22 år gammel da du lanserte DeepScribe. Kan du beskrive reisen din som gründer?

Min første eksponering for entreprenørskap var tilbake på videregående. Det startet da en venn og jeg som tilfeldigvis kunne litt grunnleggende JavaScript møtte direktøren for et senter for barn med lærevansker. De fortalte oss hvordan de enkleste verktøyene kan komme langt med dyslektiske barn. Vi endte opp med å hacke sammen en Chrome-utvidelse for dysleksileser. Det var virkelig bare bein – det justerte ganske enkelt fonten for å møte de vitenskapelige retningslinjene for enkel lesing for dyslektikere. Selv om konseptet var enkelt, endte vi opp med å få over 5000 aktive brukere i løpet av en håndfull måneder. Jeg ble imponert over hvordan grunnleggende teknologi kan ha en så dyp innvirkning på mennesker.

På Berkeley fortsatte jeg å fordype meg i entreprenørskapsverdenen så mye som mulig, først og fremst med deres brede utvalg av klasser. Mine favoritter var:

1. The Newton Lecture Series – folk som Jessica Mah fra InDinero eller Diane Greene fra VMWare som var Cal-alumner, holdt svært beslektede foredrag om tiden deres i Berkeley og hvordan de startet sine egne selskaper
2. Challenge Lab – Jeg møtte faktisk min medgründer Matt Ko gjennom denne timen. Vi ble plassert i grupper og gikk gjennom en semesterlang reise med å lage et produkt og bli veiledet om hva som skal til i de tidlige stadiene for å få en idé i gang.
3. Lean Launchpad – min desidert favoritt av de tre; dette var en utmattende og streng prosess der vi ble guidet av Steve Blank (anerkjent milliardær og mannen bak lean startup-bevegelsen) for å ta en idé, validere den gjennom 100 kundeintervjuer, bygge en finansiell modell og mer. Dette var den typen klasse hvor vi satte opp "oppstart" bare for å bli stoppet på lysbilde 1 eller 2 og grillet. Hvis ikke det var vanskelig nok, ble det også forventet at vi skulle intervjue 10 kunder i uken. Ideen vår den gang var å lage et patentsøk som ville gi lignende resultater som et dyrt tidligere søk, noe som betydde at vi presenterte 10 bedriftskunder i uken. Det var flott fordi det lærte oss å tenke raskt på beina og være ekstra ressurssterke.

DeepScribe startet da en investorgruppe kalt The House Fund skrev sjekker for studenter som ville takke nei til sommerpraktikken og bruke sommeren på å bygge selskapet sitt. Vi hadde nettopp stengt Delphi (patentsøkemotoren) og Matt og jeg hadde konstant snakket om medisinsk dokumentasjon og alt falt på plass siden det var det perfekte tidspunktet for å prøve det.

Med DeepScribe var vi heldige som nettopp har kommet friskt ut av Lean Launchpad siden en av de viktigste faktorene for å bygge et produkt for leger var å iterere og avgrense produktet rundt tilbakemeldinger fra kunder. Et historisk problem med medisinsk industri har vært at programvare sjelden har hatt leger i designsløyfen, noe som har resultert i programvare som ikke var optimalisert for sluttbrukeren.

Siden DeepScribe fant sted samtidig som mitt siste år på Berkeley, var det en tung balansegang. Jeg ville møte opp til timen i dress slik at jeg kunne komme i tide til en kundedemo rett etterpå. Jeg ville brukt alle EE-fasilitetene og professorene ikke for noe å gjøre med klassen, men 100 prosent for DeepScribe. Møtene mine med min forskningsmentor ble til og med til DeepScribe-brainstorming-økter.

Når jeg ser tilbake, hvis jeg måtte endre én ting ved reisen min, ville det vært å sette college på vent slik at jeg kunne bruke 150 prosent av tiden min på DeepScribe.

Kan du beskrive for en medisinsk fagperson hva fordelene med å bruke DeepScribe er kontra den mer tradisjonelle metoden for stemmediktering eller til og med å ta notater?

Å bruke DeepScribe er ment å være veldig lik å bruke en faktisk menneskelig skribent. Når du snakker naturlig til pasienten din, vil DeepScribe lytte og fange opp den medisinsk relevante talen som vanligvis går i notatene dine og legge den inn der for deg, ved å bruke det samme medisinske språket som du selv bruker. Vi liker å tenke på det som et nytt AI-drevet medlem av det medisinske personalet ditt som du kan trene som du vil for å hjelpe med dokumentasjon i det elektroniske journalsystemet ditt som du vil. Det er veldig forskjellig fra å bruke stemmedikteringstjeneste, da det eliminerer hele trinnet med å måtte gå tilbake og dokumentere. Mens typiske dikteringstjenester gjør 10 minutter med dokumentasjon til 7-8 minutter, gjør DeepScribe det til noen få sekunder. Våre leger rapporterer alt fra 1.5 til 3 timers tidsbesparelse per dag, avhengig av hvor mange pasienter de ser.

DeepScribe er enhets-agnostisk, kan betjenes fra en iPhone, Apple Watch, nettleser (for telemedisin) eller maskinvareenhet.

Hva er noen av talegjenkjennings- eller NLP-utfordringene som DeepScribe kan møte på grunn av kompleks medisinsk terminologi?

I motsetning til populær oppfatning, er kompleks medisinsk terminologi faktisk den enkleste delen for DeepScribe å plukke opp. Den vanskeligste delen for DeepScribe er å fange opp unike kontekstuelle utsagn en pasient kan gi en lege. Jo mer de avviker fra en typisk samtale, jo mer ser vi AI-en snuble. Men etter hvert som vi samler inn flere samtaledata, ser vi at dette forbedres dramatisk hver dag.

Hva er de andre maskinlæringsteknologiene som brukes med DeepScribe?

De store paraplyene for talegjenkjenning og NLP har en tendens til å dekke det meste av maskinlæringen vi driver med på DeepScribe.

Kan du nevne noen av sykehusene, ideelle organisasjonene eller akademiske institusjonene som bruker DeepScribe?

DeepScribe startet gjennom et pilotprogram med UC Berkeley Health Center. Hartford Healthcare, Texas Medical Center og Cedar Valley Medical Specialists er en håndfull av de større systemene DeepScribe jobber med.

Den største prosentandelen av DeepScribe-brukere er imidlertid 50 private praksiser fra Alaska til Florida. Våre mest populære spesialiteter er primærhelsetjenesten, ortopedi, gastroenterologi, kardiologi, psykiatri og onkologi, men vi støtter en håndfull andre spesialiteter.

DeepScribe har nylig lansert et program for å hjelpe med COVID-19. Kan du lede oss gjennom dette programmet?

COVID-19 har rammet legene våre hardt. Praksisen ser bare 30-40 prosent av pasientmengden, skribentbemanningen blir kuttet, og leverandørene blir tvunget til raskt å slå alle pasientene sine på telemedisin. Alt dette ender opp med å føre til mer kontorarbeid for leverandørene – vi i DeepScribe er overbevist om at for at denne pandemien skal stoppe opp, må leger vie 100 prosent av oppmerksomheten og tiden til å ta vare på pasientene sine.

For å hjelpe denne saken er vi stolte av å lansere en gratis telemedisinsk løsning til helsepersonell som kjemper mot denne pandemien. Vår telemedisinløsning er fullt integrert med vår AI-drevne medisinske skribentløsning, og eliminerer behovet for klinisk dokumentasjon for møter på plattformen vår.

Vi tilbyr også skribenttjenesten vår gratis under pandemien. Dette betyr at enhver lege kan få tilgang til en skribent gratis for å håndtere dokumentasjonen deres. Vårt håp er at ved å gjøre dette, vil leger kunne fokusere mer av oppmerksomheten på pasientene sine og bruke mindre tid på å tenke på dokumentasjon, noe som fører til en raskere stans av COVID-19-utbruddet.

Takk for det flotte intervjuet, jeg likte virkelig å lære om DeepScribe og din gründerreise. Alle som ønsker å lære mer bør ta turen innom DeepScribe.