Akilesh Bapu, Fundador e CEO da DeepScribe – Série de Entrevistas

Akilesh Bapu é o Fundador e CEO da DeepScribe, que utiliza processamento de linguagem natural (NLP) e aprendizado profundo avançado para gerar notas precisas, conformes e seguras de conversas entre médicos e pacientes.

O que foi que o introduziu e o atraiu para a IA e o processamento de linguagem natural?

Se eu me lembrar corretamente, o Jarvis do “Homem de Ferro” foi a primeira coisa que realmente o atraiu para o mundo do processamento de linguagem natural e IA. Em particular, ele encontrou fascinante como um ser humano era capaz de realizar tarefas com muito mais rapidez e profundidade com a ajuda da IA.

Foi esse conceito de “IA por si só não será tão boa quanto os humanos na maioria das tarefas, mas combine um humano e uma IA e essa combinação dominará”. O processamento de linguagem natural é a forma mais eficiente para que essa combinação humano-IA aconteça.

Desde então, ele ficou obcecado com a Siri, Google (GOOGL ) Now, Alexa e outros. Embora eles não funcionassem tão suavemente quanto o Jarvis, ele queria muito fazer com que funcionassem como o Jarvis. Em particular, o que se tornou aparente foi que comandos como “Alexa, faça isso”, “Alexa, faça aquilo” eram fáceis e precisos de fazer com a tecnologia atual. Mas quando se trata de algo como o Jarvis, que pode aprender e entender, filtrar e selecionar tópicos importantes durante uma troca de conversa – isso não havia sido feito antes. Isso está diretamente relacionado a uma das suas principais motivações para fundar a DeepScribe. Enquanto estamos resolvendo o problema da documentação para os médicos, estamos tentando criar uma nova onda de inteligência: inteligência ambiental. IA que pode vasculhar as conversas diárias, encontrar informações úteis e usá-las para ajudar.

Você fez algumas pesquisas usando aprendizado profundo e NLP na UC Berkeley College of Engineering. O que foi sua pesquisa?

Na época, no Berkeley AI Research Lab, eu estava trabalhando em um projeto de anotador de ontologia de genes, onde estávamos resumindo artigos do PubMed com parâmetros de saída específicos.

A visão geral: Pegar uma tarefa como a resumo de notícias da CNN. Nessa tarefa, você está resumindo notícias em algumas frases. A seu favor, você tem dados e a capacidade de treinar esses modelos em mais de um milhão de artigos. No entanto, o espaço de problemas é enorme, pois você tem estrutura limitada para os resumos. Além disso, há pouca estrutura nos próprios artigos. Embora tenha havido melhorias desde que eu trabalhei nesse projeto, isso ainda é um problema não resolvido.

No nosso projeto de pesquisa, estávamos desenvolvendo resumos estruturados de artigos. Um resumo estruturado, nesse caso, é semelhante a um resumo típico, exceto que sabemos a estrutura exata do resumo de saída. Isso é útil, pois reduz dramaticamente as opções de saída para o nosso modelo de aprendizado de máquina – o desafio era que não havia dados de treinamento anotados suficientes para executar um modelo de aprendizado profundo com resultados utilizáveis.

O núcleo do trabalho que fiz nesse projeto foi aproveitar o conhecimento que temos sobre os dados de entrada e desenvolver um ensemble de modelos de aprendizado de máquina rasos para apoiá-lo – uma técnica que inventamos chamada de anotador de 2 etapas. O anotador de 2 etapas foi benchmarkado com quase 20 vezes a precisão do melhor anterior (54 por cento vs 3,6 por cento).

Embora, lado a lado, esse projeto e a DeepScribe possam parecer completamente diferentes, eles eram muito semelhantes em como usaram o método de anotação de 2 etapas para melhorar drasticamente os resultados em um conjunto de dados limitado.

Qual foi a inspiração por trás do lançamento da DeepScribe?

Tudo começou com meu pai, que era um oncologista médico. Antes dos sistemas de registro eletrônico de saúde se tornarem populares na área de saúde, os médicos anotavam coisas em papel e passavam muito pouco tempo com as anotações. No entanto, uma vez que os sistemas de registro eletrônico de saúde começaram a se tornar populares como parte da Lei HITECH de 2009, comecei a notar que meu pai passava mais e mais tempo no computador. Ele começou a chegar em casa mais tarde. Nos fins de semana, ele sentava no sofá ditando anotações. Coisas simples, como ele me pegar na escola ou no treino de basquete, se tornaram uma coisa do passado, pois ele passava a maior parte de seu tempo de noite pegando anotações.

Como um garoto nerd crescendo, eu tentava encontrar soluções para ele, procurando na web e fazendo com que ele as experimentasse. Infelizmente, nada funcionou bem o suficiente para salvá-lo das longas horas de documentação.

Avançando alguns anos, no verão de 2017 – eu era um pesquisador trabalhando no Berkeley AI Research Lab, trabalhando em projetos de resumo de documentos. Um verão, quando estou em casa, noto que meu pai ainda está passando uma quantidade copiosa de tempo documentando. Pergunto: “O que há de novo no mundo da documentação? A Alexa está em todos os lugares, o Google Assistant é tão bom agora. Me diga, o que há de novo no espaço médico?” E a resposta dele foi: “Nada mudou”. Pensei que era apenas ele, mas quando fui e entrevistei vários de seus colegas, era o mesmo problema: não o que é o mais recente no tratamento do câncer ou os novos problemas que os pacientes estavam tendo – era a documentação. “Como posso me livrar da documentação? Como posso economizar tempo na documentação? Está tomando muito do meu tempo”.

Também notei que várias empresas haviam surgido para tentar resolver a documentação. No entanto, elas eram muito caras (milhares de dólares por mês) ou eram muito mínimas em termos de tecnologia. Os médicos na época tinham poucas opções. Foi quando a oportunidade surgiu: se pudéssemos criar um escrivão médico artificialmente inteligente, uma tecnologia que pudesse seguir as visitas dos médicos e resumi-las, e oferecê-la a um custo que pudesse torná-la acessível a todos, poderia realmente trazer a alegria do cuidado de volta à medicina.

Você tinha apenas 22 anos quando lançou a DeepScribe. Pode descrever sua jornada como empreendedor?

Minha primeira exposição ao empreendedorismo foi no ensino médio. Começou quando um amigo e eu, que conhecíamos alguns básicos de JavaScript, nos encontramos com o diretor de um centro para crianças com deficiências de aprendizado. Eles nos disseram como as ferramentas mais simples poderiam ir longe com crianças disléxicas. Acabamos criando uma extensão de leitor de dislexia para o Chrome. Era muito básico – simplesmente ajustava a fonte para atender às diretrizes científicas para a leitura fácil por pessoas disléxicas. Embora o conceito fosse simples, acabamos obtendo mais de 5.000 usuários ativos em alguns meses. Fiquei impressionado com como a tecnologia básica pode ter um impacto profundo nas pessoas.

Na Berkeley, continuei a me aprofundar no mundo do empreendedorismo o máximo possível, principalmente com suas amplas aulas. Minhas favoritas eram:

1. A Série de Palestras Newton – pessoas como Jessica Mah, do InDinero, ou Diane Greene, da VMWare, que eram ex-alunos da Cal, deram palestras muito relacionadas sobre seu tempo na Berkeley e como começaram suas próprias empresas
2. Challenge Lab – foi onde eu conheci meu co-fundador, Matt Ko, através dessa aula. Fomos colocados em grupos e passamos por uma jornada semestral de criar um produto e ser mentorados sobre o que é necessário nos estágios iniciais para fazer uma ideia funcionar.
3. Lean Launchpad – de longe, minha favorita das três; essa foi uma processo rigoroso e exigente onde fomos guiados por Steve Blank (bilionário renomado e o homem por trás do movimento de startup enxuta) para tomar uma ideia, validá-la por meio de 100 entrevistas com clientes, criar um modelo financeiro e mais. Essa foi a tipo de aula onde apresentamos nossa “startup” apenas para ser interrompido na slide 1 ou 2 e ser questionado. Se isso não fosse difícil o suficiente, também éramos esperados para entrevistar 10 clientes por semana. Nossa ideia na época era criar uma pesquisa de patente que daria resultados semelhantes a uma pesquisa de patente anterior cara, o que significava que estávamos apresentando para 10 clientes empresariais por semana. Foi ótimo porque nos ensinou a pensar rapidamente e sermos extra recursivos.

A DeepScribe começou quando um grupo de investidores chamado The House Fund estava escrevendo cheques para estudantes que recusariam seus estágios de verão e passariam o verão construindo suas empresas. Nós havíamos acabado de fechar a Delphi (o mecanismo de pesquisa de patentes) e Matt e eu estávamos constantemente conversando sobre documentação médica e tudo se encaixou perfeitamente, pois era o momento perfeito para dar uma chance.

Com a DeepScribe, tivemos a sorte de ter saído fresca do Lean Launchpad, pois um dos fatores mais importantes ao construir um produto para médicos era iterar e refinar o produto em torno do feedback do cliente. Um problema histórico da indústria médica tem sido que o software raramente teve médicos no loop de design, resultando em software que não foi otimizado para o usuário final.

Como a DeepScribe estava acontecendo ao mesmo tempo que meu último ano na Berkeley, foi um equilíbrio pesado. Eu aparecia na aula de terno para poder estar no horário para uma demonstração de cliente logo após. Eu usava todas as instalações de EE e professores não para nada relacionado à aula, mas 100 por cento para a DeepScribe. Minhas reuniões com meu mentor de pesquisa até se transformaram em sessões de brainstorm para a DeepScribe.

Olhando para trás, se eu tivesse que mudar uma coisa sobre minha jornada, teria sido colocar a faculdade em espera para que eu pudesse passar 150 por cento do meu tempo na DeepScribe.

Pode descrever para um profissional de saúde as vantagens de usar a DeepScribe em comparação com o método mais tradicional de ditado de voz ou até mesmo anotar?

Usar a DeepScribe é projetado para ser muito semelhante a usar um escrivão humano real. À medida que você fala naturalmente com seu paciente, a DeepScribe ouvirá e pegará a fala medicamente relevante que normalmente vai para as anotações e as colocará lá para você, usando a mesma linguagem médica que você mesmo usa. Gostamos de pensar nisso como um novo membro da equipe médica com IA que você pode treinar como você gostaria para ajudar com a documentação no seu sistema de registro eletrônico de saúde como você gostaria. É muito diferente de usar um serviço de ditado de voz, pois elimina todo o passo de ter que voltar e documentar. Enquanto os serviços de ditado típicos transformam 10 minutos de documentação em 7-8 minutos, a DeepScribe os transforma em alguns segundos. Nossos médicos relatam economia de tempo de 1,5 a 3 horas por dia, dependendo de quantos pacientes eles atendem.

A DeepScribe é independente de dispositivo, operável a partir de um iPhone, Apple Watch, navegador (para telemedicina) ou dispositivo de hardware.

Quais são alguns dos desafios de reconhecimento de fala ou NLP que a DeepScribe pode enfrentar devido à terminologia médica complexa?

Contrariando a opinião popular, a terminologia médica complexa é, na verdade, a parte mais fácil para a DeepScribe pegar. A parte mais difícil para a DeepScribe é pegar declarações contextuais únicas que um paciente pode dar a um médico. Quanto mais eles se afastam de uma conversa típica, mais vemos a IA tropeçar. Mas à medida que coletamos mais dados de conversas, vemos que melhora dramaticamente todos os dias.

Quais são as outras tecnologias de aprendizado de máquina usadas com a DeepScribe?

Os grandes guarda-chuvas de reconhecimento de fala e NLP tendem a cobrir a maior parte do aprendizado de máquina que estamos fazendo na DeepScribe.

Pode nomear alguns dos hospitais, organizações sem fins lucrativos ou instituições acadêmicas que estão usando a DeepScribe?

A DeepScribe começou por meio de um programa piloto com o Centro de Saúde da UC Berkeley. O Hartford Healthcare, Texas Medical Center e Cedar Valley Medical Specialists são alguns dos sistemas maiores com os quais a DeepScribe está trabalhando.

No entanto, a maior porcentagem dos usuários da DeepScribe são 50 práticas privadas, desde o Alasca até a Flórida. Nossas especialidades mais populares são cuidados primários, ortopedia, gastroenterologia, cardiologia, psiquiatria e oncologia, mas também apoiamos um punhado de outras especialidades.

A DeepScribe lançou recentemente um programa para ajudar com a COVID-19. Pode nos guiar por esse programa?

A COVID-19 atingiu nossos médicos com força. As práticas estão vendo apenas 30-40 por cento de sua carga de pacientes, a equipe de escrivães está sendo cortada e os provedores estão sendo forçados a mudar rapidamente todos os seus pacientes para a telemedicina. Tudo isso acaba levando a mais trabalho burocrático para os provedores – na DeepScribe, acreditamos firmemente que, para que essa pandemia seja interrompida, os médicos devem dedicar 100 por cento de sua atenção e tempo para cuidar de seus pacientes.

Para ajudar nessa causa, estamos orgulhosos de lançar uma solução de telemedicina gratuita para profissionais de saúde que lutam contra essa pandemia. Nossa solução de telemedicina está totalmente integrada à nossa solução de escrivão médico com IA, eliminando a necessidade de documentação clínica para encontros feitos em nossa plataforma.

Também estamos oferecendo nosso serviço de escrivão gratuitamente durante a pandemia. Isso significa que qualquer médico pode ter acesso a um escrivão gratuitamente para lidar com sua documentação. Nossa esperança é que, fazendo isso, os médicos sejam capazes de se concentrar mais em seus pacientes e passar menos tempo pensando na documentação, levando a uma interrupção mais rápida do surto de COVID-19.

Obrigado pela grande entrevista, eu realmente gostei de aprender sobre a DeepScribe e sua jornada empreendedora. Qualquer pessoa que deseje aprender mais deve visitar DeepScribe.