Varun Ganapathi, CTO & Co-Founder of AKASA – Wywiad

Varun Ganapathi jest CTO i współzałożycielem AKASA, dewelopera AI dla aplikacji opieki zdrowotnej. AKASA pomaga organizacjom opieki zdrowotnej poprawić operacje, w tym cykl przychodów, aby generować przychody, tworzyć wydajność i poprawiać doświadczenia pacjentów. Varun z powodzeniem założył dwie firmy AI przed AKASA, jedną przejętą przez Google (GOOGL ), a drugą przez Udacity.

Miałeś wyróżniającą się karierę w machine learning, mogłeśbyś omówić niektóre ze swoich wczesnych dni na Stanford, kiedy pracowałeś nad uczynieniem helikopterów autonomicznych?

Kiedy studiowałem fizykę jako student na Stanford, byłém również bardzo zainteresowany informatyką i machine learning (ML). Dla mnie AI i ML łączą wszystko w jednym – jest to zautomatyzowany sposób robienia fizyki na każdym zjawisku, które można zdigitalizować.

Dla tego konkretnego projektu mieliśmy helikopter, który wyglądał jak duży dron, trochę mniejszy niż podwójna materac – w czasie, gdy drony nie były jeszcze powszechne. Ludzie latali na nim i robili sztuczki, takie jak unoszenie się do góry nogami. Chcieliśmy stworzyć algorytm ML, który mógłby się uczyć od ludzi, jak latać tym helikopterem autonomicznie.

Stworzyliśmy symulator fizyczny oparty na rzeczywistym helikopterze i algorytm ML, który mógł przewidywać jego ruchy. Następnie zastosowaliśmy uczenie wzmocnione w symulatorze, aby rozwinąć kontroler, wzięliśmy oprogramowanie i przesłaliśmy je do rzeczywistego helikoptera. Po włączeniu helikoptera działał od razu! Helikopter mógł natychmiast unosić się do góry nogami samodzielnie, co było dość imponujące. Zespół kontynuował pracę nad automatyzacją innych typów sztuczek przy użyciu ML.

Również pracowałeś w Google Books, mogłeśbyś omówić algorytm, nad którym pracowałeś i jak twoja firma została ostatecznie przejęta przez Google?

Przeprowadziłem staż w Google, podczas gdy uczęszczałem do zajęć na Stanford w 2004 roku – tuż po projekcie helikoptera. W tym czasie wdrożyłem ML dla projektu Google Books, gdzie skanowaliśmy wszystkie książki świata.

Google płacił ludziom za etykietowanie informacji o książkach, takich jak strony, spisy treści, prawa autorskie itp. – bardzo czasochłonne zadanie. Chciałem sprawdzić, czy możemy użyć ML do tego i okazało się, że działa to bardzo dobrze. W rzeczywistości działało lepiej i było bardziej precyzyjne niż ludzie, ponieważ większość błędów była spowodowana błędami ludzkimi przy ręcznym etykietowaniu.

To mnie bardzo podekscytowało ML, ponieważ pokazało, że możemy przechodzić od ludzkiej wydajności do nadludzkiej – wykonywać nudne zadania z mniejszą ilością błędów i bardziej konsekwentnie, a jednocześnie radzić sobie z przypadkami granicznymi.

Od tego momentu postanowiłem zrobić doktorat na Stanford, koncentrując się na ML i bardziej teoretycznych pracach na początku. Do mojej pracy doktorskiej opracowałem algorytm do śledzenia ruchu w czasie rzeczywistym, gdzie komputer mógł śledzić ruch wszystkich stawów ludzkich w czasie rzeczywistym z kamery głębi. To było podstawą mojej pierwszej firmy, Numovis, która zajmowała się śledzeniem ruchu i rozpoznawaniem obrazu dla interakcji użytkownika. Została ona przejęta przez Google.

Cała moja podróż od projektu helikoptera do Google Books, a następnie samochodów autonomicznych i teraz operacji opieki zdrowotnej pokazała mi, jak potężne i ogólne są algorytmy ML.

Czy mógłbyś podzielić się historią powstania AKASA?

Zbudowaliśmy AKASA, aby rozwiązać ogromny, głęboko zakorzeniony problem w operacjach opieki zdrowotnej. Te operacje są zarówno drogie, jak i podatne na błędy, co może prowadzić do niepotrzebnych, panicznych doświadczeń finansowych dla pacjentów. Brakowało nowej technologii po stronie administracyjnej i nic nie zostało stworzone specjalnie dla tego celu. Stało się dla nas jasne, że można użyć technologii takich jak AI i ML do rozwiązania tych wyzwań operacyjnych w innowacyjny sposób. Kiedy porozmawialiśmy z wieloma systemami zdrowia i liderami opieki zdrowotnej, potwierdzili oni nasze myślenie, co ostatecznie doprowadziło do założenia AKASA w 2019 roku.

Z tego powodu cel AKASA był jasny od samego początku – umożliwić ludziom zdrowie i zbudować przyszłość opieki zdrowotnej z AI. Sposób, w jaki postanowiliśmy podjąć to wyzwanie, polega na połączeniu ludzkiej inteligencji z najnowocześniejszym AI i ML, aby systemy zdrowia mogły redukować koszty operacyjne i alokować zasoby tam, gdzie są one najbardziej potrzebne.

Nasza platforma, niezależna od systemu, elastyczna, obecnie obsługuje bazę klientów reprezentującą ponad 475 szpitali i systemów zdrowia oraz ponad 8 000 placówek ambulatoryjnych, we wszystkich 50 stanach. Nasza technologia pomaga tym organizacjom, niezależnie od tego, czy używają one dostawców elektronicznych rekordów zdrowia (EHR) takich jak Epic, Cerner, innych EHR lub systemów bolt-on, i wszystkiego pomiędzy. I zrobiliśmy to z dobrymi wynikami.

Nasza baza klientów reprezentuje ponad 110 miliardów dolarów w łącznym skonsolidowanym przychodzie netto od pacjentów, co odpowiada ponad 10% wszystkich wydatków systemów zdrowia w Stanach Zjednoczonych rocznie, zgodnie z danymi Centers for Medicaid and Medicare Services. Modele i algorytmy AKASA zostały opracowane na podstawie niemal 290 milionów roszczeń i potwierdzeń.

Niewidoczna infrastruktura opieki zdrowotnej jest niezwykle złożona, ale ma ogromny wpływ na zdrowie ludzkie, i automatyzujemy ją krok po kroku.

Jakie zadania AKASA jest w stanie zautomatyzować w opiece zdrowotnej?

Nasze unikalne podejście expert-in-the-loop, Unified Automation, łączy ML z ludzkim osądem i specjalistyczną wiedzą, aby zapewnić solidną i wytrzymałą automatyzację operacji opieki zdrowotnej. AKASA może szybko i wydajnie zautomatyzować i usprawnić zadania na całym etapie finansów opieki zdrowotnej, w tym przetwarzanie faktur i płatności. Konkretne zadania, które AKASA automatyzuje, obejmują sprawdzanie kwalifikowalności pacjentów, dokumentowanie i weryfikację informacji o ubezpieczeniu, szacowanie kosztów pacjentów, edytowanie, ponowne rozliczanie i odwoływanie się od roszczeń oraz przewidywanie i zarządzanie odrzuceniami.

Typ automatyzacji nie tylko redukuje błędy ludzkie i opóźnienia dla pacjentów, pomagając zapobiegać niespodziankom medycznym, ale także uwalnia personel opieki zdrowotnej od zadań ręcznych i powtarzalnych – pozwalając im skoncentrować się na bardziej satysfakcjonujących, wyzwaniach i wartościowych zadaniach skierowanych ku doświadczeniu pacjenta.

Jakie rodzaje algorytmów ML są używane?

AKASA wykorzystuje te same podejścia ML, które umożliwiły stworzenie samochodów autonomicznych, aby zapewnić systemom zdrowia pojedyncze rozwiązanie do zautomatyzowania operacji opieki zdrowotnej. To podejście – skupione wokół ML – rozszerza możliwości automatyzacji, aby podjąć się bardziej złożonych zadań na dużą skalę.

Rozwijamy algorytmy stanu sztuki w dziedzinie rozpoznawania obrazu, zrozumienia języka naturalnego i strukturalnych problemów danych. Nasza platforma zaczyna się od RPA zasilanego przez rozpoznawanie obrazu i ulepsza go za pomocą nowoczesnego AI, ML i expert-in-the-loop, aby zapewnić solidną automatyzację.

Aby zapewnić ogólne zrozumienie, jak to działa, nasze rozwiązanie najpierw obserwuje, jak personel opieki zdrowotnej wykonuje swoje zadania. Następnie nasz zespół etykietuje te dane i wykorzystuje je do szkolenia naszych algorytmów, aby nasza technologia mogła zrozumieć i nauczyć się, jak pracuje personel opieki zdrowotnej i ich systemy. Następnie nasza platforma wykonuje te przepływy pracy w sposób autonomiczny. Na koniec wykorzystujemy ekspertów w pętli, którzy mogą interweniować, gdy system flaguje odstępstwa lub wyjątki. AI ciągle uczy się z tych doświadczeń, co pozwala mu podejmować bardziej złożone zadania z czasem.

Czy mógłbyś omówić znaczenie podejść human-in-the-loop i dlaczego mają one zastąpić RPA?

Prawda jest taka, że RPA to technologia, która ma kilka dekad i jest krucha z prawdziwymi limitami swoich możliwości. Zawsze będzie miała pewną wartość w automatyzowaniu pracy, która jest prosta, dyskretna i liniowa. Jednak powodem, dla którego wysiłki automatyzacji często nie spełniają swoich aspiracji, jest to, że życie jest skomplikowane i zawsze się zmienia.

Podstawowe podejście do RPA polega na budowaniu robota (bota) dla każdego problemu lub ścieżki, którą chcesz rozwiązać. Człowiek (konsultant lub inżynier) buduje robota, aby rozwiązać konkretny problem. To rozwiązanie robota zastępuje sekwencję kroków. Patrzy na ekran, podejmuje działanie i powtarza je.

Problem, który często występuje, to zmiana na świecie, taka jak modyfikacja oprogramowania lub interfejsu użytkownika, która może spowodować awarię botów. Jak wiemy, technologia jest nieustannie ewoluująca, tworząc dynamiczne środowiska. Oznacza to, że roboty RPA często zawodzą.

Inny problem z tymi botami jest taki, że musisz stworzyć jeden dla każdej sytuacji, którą chcesz rozwiązać. Robisz to, kończąc z wieloma robotami, które wykonują bardzo małe akcje, które nie wymagają wielkich umiejętności.

To jest jak gra w whack-a-mole. Każdego dnia masz do czynienia z prawdopodobieństwem, że jeden z nich zawiedzie, ponieważ jakiś fragment oprogramowania się zmieni lub coś niezwykłego się wydarzy – wyświetli się okno dialogowe lub pojawi się nowy rodzaj wejścia. Wynikiem jest kosztowna konserwacja, aby utrzymać te boty w działaniu. Zgodnie z badaniem Forrester, za każdy 1 dolar wydany na RPA, dodatkowo wydaje się 3,41 dolara na zasoby konsultingowe.

Innymi słowy, oprogramowanie RPA nie jest głównym kosztem. Znacznie większy koszt inwestycyjny to cała praca, którą musisz wykonać, aby utrzymać RPA w działaniu przez cały czas. Wiele organizacji nie uwzględnia tego ciągłego kosztu.

Ponieważ wiele życia jest skomplikowane i stale ewoluujące, wiele pracy wykracza poza możliwości RPA, co jest miejscem, w którym pojawia się ML. ML umożliwia nam automatyzację rzeczy trudnych. I wierzymy, że specjalna marynata to ludzie, którzy poprawiają algorytmy, ucząc je.

Kiedy algorytm nie jest pewien, co powinien zrobić (niskie zaufanie), jest eskalowany do człowieka w pętli. Ludzie etykietują te przykłady i identyfikują przypadki, które nie są obsługiwane przez bieżący model. Kiedy to się robi, a AI ma rację, jest to dobrze funkcjonujące zadanie.

Każde zadanie, w którym człowiek łapie problem, jest przypadkiem, w którym maszyna nie radzi sobie właściwie. W tym przypadku dane są dodawane do naszego zestawu danych, który ponownie trenuje modele ML, aby radzić sobie z nową sytuacją.

W miarę upływu czasu model ML buduje odporność na te nowe przypadki graniczne. To skutkuje systemem, który jest solidny i elastyczny wobec nowych odstępstw lub wyjątków, a system staje się coraz lepszy z czasem. Oznacza to, że automatyzacja staje się coraz lepsza, a interwencja człowieka będzie maleć z czasem.

Maszyna w pętli jest kluczowa, aby uczynić AI mądrzejszym, szybszym i lepszym. Potrzebujemy ludzi, aby odpowiednio przeszkolić AI i upewnić się, że może ona radzić sobie z odstępstwami, które są nieuniknione w każdej branży – a zwłaszcza w dynamicznej dziedzinie opieki zdrowotnej.

Jak działa rozwiązanie human-in-the-loop AKASA Unified Automation, a jakie są główne przypadki użycia tej platformy?

Unified Automation to platforma stworzona specjalnie dla opieki zdrowotnej. Wykorzystując AI, ML i nasz zespół ekspertów od rozliczeń medycznych, tworzy ona bezproblemowo zintegrowane, dostosowane rozwiązanie, które pomaga zobaczyć wartość szybciej, z praktycznie żadnymi kosztami utrzymania lub kolejkami wyjątków.

Została zaprojektowana z myślą o odstępstwach i wyjątkach. Jeśli napotka na coś nowego, platforma flaguje problem do naszego zespołu ekspertów, którzy rozwiązują go, podczas gdy system uczy się z ich działań. To ludzki element, który różni nas od innych rozwiązań na rynku i pozwala platformie ciągle się uczyć i poprawiać.

Unified Automation dostosowuje się również do dynamicznej natury branży opieki zdrowotnej. Jest to bezproblemowo zintegrowane, dostosowane rozwiązanie, które pomaga redukować koszty operacyjne, podnosi personel do bardziej satysfakcjonującej pracy, wymagającej ludzkiego dotyku, i poprawia przechwytywanie przychodu dla systemów zdrowia, a także poprawia doświadczenie finansowe pacjentów.

Oto jak działa Unified Automation:

Własne oprogramowanie obserwuje: Nasz narzędzie Worklogger™ obserwuje zdalnie, jak personel opieki zdrowotnej wykonuje swoje zadania. Następnie nasz zespół etykietuje te dane i podaje je do naszej automatyzacji, aby zapewnić kompleksowy widok bieżących przepływów pracy i procesów. To skutkuje wyższą widocznością wydajności personelu, podstawowymi danymi o przepływach pracy, aby napędzać naszą automatyzację, oraz dokładną analizą czasu na zadanie.

AI wykonuje: Po obserwacji i nauczeniu się przepływów pracy personelu opieki zdrowotnej, nasz AI wykonuje te zadania autonomicznie. Ciągle uczy się z problemów i przypadków granicznych, które napotka, podejmując bardziej złożone zadania z czasem. Unified Automation znajduje się w górnej części kolejki pracy – przydzielając sobie odpowiednie zadania i wykonując je bez zakłócania pracy zespołu. Automatycznie optymalizuje procesy, tak aby nie wymagały one ustawień ani interwencji ze strony personelu.

Ludzka ekspertyza zapewnia: System automatycznie flaguje nasz zespół ekspertów od rozliczeń medycznych, aby zajęli się odstępstwami i wyjątkami, trenując AI w czasie rzeczywistym, podczas gdy pracują. To jest część expert-in-the-loop. Z ciągłym uczeniem się wbudowanym w platformę Unified Automation, staje się ona coraz mądrzejsza i bardziej efektywna z czasem, a praca zawsze zostaje wykonana.

Czy jest coś jeszcze, co chciałbyś podzielić o AKASA?

Mamy podejście oparte na badaniach, co oznacza, że nasi klienci mają dostęp do najnowszej technologii. Jesteśmy zobowiązani do publikowania naszych podejść AI w recenzowanych publikacjach, aby nieustannie ustalać nowe standardy państwowe dla AI w operacjach opieki zdrowotnej i aby prowadzić całą naszą branżę do przodu.

Na przykład, nasze badania zostały przedstawione na Międzynarodowej Konferencji Machine Learning (ICML), Konferencji Natural Language Processing (NLP) i Konferencji Machine Learning for Healthcare (MLHC), wśród innych. Podchodzimy do tego w bardzo zdyscyplinowany sposób, testując nasze modele i porównując ich wydajność z podejściami AI na rynku.

Nasze przewidywane rozwiązanie odrzuceń jest uważane za pierwszy opublikowany system oparty na głębokim uczeniu, który może dokładnie przewidywać odrzucenia roszczeń medycznych o ponad 22% w porównaniu z istniejącymi bazami. Nasz model Read, Attend, Code do autonomicznego kodowania roszczeń medycznych z notatek klinicznych został uznany za ustanowienie nowego standardu państwowego dla branży i przewyższył obecne modele o 18% – przewyższając produktywność kodowania ludzkiego. Wierzymy, że te innowacje w back-office są kluczowe dla poprawy systemu opieki zdrowotnej w Stanach Zjednoczonych w skali i będą nadal napędzać postępy i tworzyć dostosowane rozwiązania dla tego obszaru.

Jest wiele szumu wokół AI w opiece zdrowotnej, ale kiedy dochodzi do tego, firmy mogą przeholować, co ich technologia może naprawdę zrobić. Jest znacznie trudniej przeprowadzić badania, aby zwalidować, co algorytmy robią – i dumni się z tego, że podejmujemy ten znaczący, ale wyzwaniowy kierunek, aby ostatecznie udowodnić, że platforma Unified Automation AKASA naprawdę wprowadza pozytywne i znaczące zmiany w szpitalach i systemach zdrowia.

Jesteśmy podekscytowani przyszłością i tym, co się wydarzy w AKASA, gdy budujemy przyszłość opieki zdrowotnej z AI.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić AKASA.