Varun Ganapathi, CTO & Co-Founder of AKASA – Interview Series

Varun Ganapathi é o CTO e co-fundador da AKASA, uma desenvolvedora de IA para aplicações de saúde. A AKASA ajuda as organizações de saúde a melhorar as operações, incluindo o ciclo de receita, para impulsionar a receita, criar eficiências e melhorar a experiência do paciente. Varun teve sucesso em iniciar duas empresas de IA antes da AKASA, uma foi adquirida pelo Google e a outra pela Udacity.

Você teve uma carreira distinta em aprendizado de máquina, poderia discutir alguns de seus primeiros dias em Stanford, quando trabalhou em tornar helicópteros autônomos?

Quando eu estava estudando física como graduado em Stanford, eu também estava muito interessado em ciência da computação e aprendizado de máquina (ML). Para mim, IA e ML combinavam tudo em um – é realmente uma maneira automatizada de fazer física em qualquer fenômeno digitizável.

Para esse projeto específico, tínhamos esse helicóptero que parecia um grande drone um pouco menor que um colchão de casal – em uma época em que drones não eram comuns. As pessoas estavam voando e fazendo truques, como pairar de cabeça para baixo. Embora isso seja muito difícil de fazer, queríamos construir um algoritmo de ML que pudesse aprender com os humanos como voar esse helicóptero de forma autônoma.

Criamos um simulador de física baseado no helicóptero real e um algoritmo de ML que aprendeu a prever seus movimentos. Em seguida, aplicamos aprendizado por reforço dentro do simulador para desenvolver um controlador, pegamos o software e o carregamos no helicóptero real. Depois que ligamos o helicóptero, funcionou na primeira tentativa! O helicóptero foi capaz de pairar de cabeça para baixo sozinho, o que foi bastante impressionante. A equipe continuou a trabalhar na automação de outros tipos de truques usando ML.

Você também trabalhou no Google Books, poderia discutir o algoritmo que você trabalhou e como sua empresa foi eventualmente adquirida pelo Google?

Eu fiz um estágio no Google enquanto cursava aulas em Stanford em 2004 – logo após o projeto do helicóptero. Durante esse tempo, eu estava implementando ML para o projeto Google Books, onde estávamos digitalizando todos os livros do mundo.

O Google estava pagando a muitas pessoas para rotular informações sobre os livros, como páginas, sumários, direitos autorais, etc. – uma tarefa muito demorada. Eu queria ver se podemos usar ML para fazer isso e funcionou muito bem. Na verdade, funcionou melhor e foi mais preciso do que quando os humanos o fizeram, porque a maioria dos erros era devido a erros humanos com rotulagem manual.

Isso me deixou muito animado com o ML, porque mostrou que você pode ir do desempenho humano para o superdesempenho humano – fazendo tarefas monótonas com menos erros e mais consistentemente, enquanto ainda lida com casos de borda.

A partir daí, decidi fazer um Ph.D. em Stanford, me concentrando em ML e em papers mais teóricos no início. Para minha tese, desenvolvi um algoritmo para realizar captura de movimento em tempo real, onde um computador pode rastrear o movimento de todas as articulações humanas em tempo real a partir de uma câmera de profundidade. Isso foi a base para minha primeira empresa, Numovis, que se concentrou em rastreamento de movimento e visão computacional para interação do usuário. Foi adquirida pelo Google.

Minha jornada toda, desde o projeto do helicóptero até o Google Books, carros autônomos e agora operações de saúde, realmente mostrou-me o quão poderosos e gerais são os algoritmos de aprendizado de máquina.

Poderia compartilhar a história de criação por trás da AKASA?

Construímos a AKASA para resolver um problema massivo e profundamente enraizado nas operações de saúde. Essas operações são caras e propensas a erros, o que pode levar a experiências financeiras desnecessariamente assustadoras para os pacientes. Havia uma falta de nova tecnologia no lado administrativo e nada estava sendo construído com propósito. Ficou claro para nós que você poderia usar tecnologia como IA e ML para resolver esses desafios operacionais de maneira inovadora. Quando falamos com uma multidão de sistemas de saúde e líderes de saúde, eles validaram nosso pensamento, o que nos levou à fundação da AKASA em 2019.

Com isso, o propósito da AKASA está claro desde o início – permitir a saúde humana e construir o futuro da saúde com IA. A maneira como decidimos enfrentar esse desafio é combinando inteligência humana com IA e ML de ponta, para que os sistemas de saúde possam reduzir os custos operacionais e alocar recursos onde mais importam.

Nossa plataforma sistema-agnóstica e flexível atualmente atende a uma base de clientes que representa mais de 475 hospitais e sistemas de saúde e mais de 8.000 instalações ambulatoriais, em todos os 50 estados. Nossa tecnologia ajuda essas organizações, independentemente de estarem usando provedores de registros eletrônicos de saúde (EHR) como Epic, Cerner, outros EHRs ou sistemas de acoplamento, e tudo o que está entre eles. E fizemos isso com resultados sólidos.

Nossa base de clientes representa mais de $110 bilhões em receita líquida de paciente agregada, o que equivale a mais de 10% de todas as despesas anuais do sistema de saúde dos EUA, de acordo com o Centros de Serviços de Medicare e Medicaid. E os modelos e algoritmos da AKASA foram treinados em quase 290 milhões de reclamações e remessas.

O “encanamento invisível” da saúde é extremamente complexo, mas tem um impacto enorme na saúde humana, e estamos automatizando isso pouco a pouco.

Quais são algumas das tarefas que a AKASA está procurando automatizar na saúde?

Nossa abordagem única de especialista no loop, Unified Automation™, combina ML com julgamento humano e expertise de matéria para fornecer automação robusta e resiliente para operações de saúde. A AKASA pode automatizar e otimizar rapidamente tarefas de ponta a ponta dentro da função financeira da saúde, incluindo processamento de contas e pagamentos. Tarefas específicas que a AKASA automatiza incluem verificar a elegibilidade do paciente, documentar e verificar informações de seguro, estimar o custo do paciente, editar, reenviar e apelar reclamações e prever e gerenciar negações.

Esse tipo de automação não apenas reduz erros humanos e atrasos para os pacientes, ajudando a prevenir contas médicas surpresa, mas também libera o pessoal de saúde, tirando as tarefas manuais e repetitivas completamente de sua placa – permitindo que eles se concentrem em tarefas mais gratificantes, desafiadoras e geradoras de valor direcionadas à experiência do paciente.

Quais são os diferentes tipos de algoritmos de aprendizado de máquina que são usados?

A AKASA usa as mesmas abordagens de aprendizado de máquina que tornaram os carros autônomos possíveis para fornecer aos sistemas de saúde uma solução única para a automação de operações de saúde. Essa abordagem – centrada em ML – expande as capacidades da automação para lidar com trabalhos mais complexos em escala.

Desenvolvemos algoritmos de ponta em visão computacional, compreensão de linguagem natural e problemas de dados estruturados. Nossa plataforma começa com RPA impulsionada por visão computacional e a melhora com AI, ML e um especialista no loop para fornecer automação robusta.

Para fornecer uma visão geral de alto nível de como funciona, nossa solução proprietária primeiro observa como o pessoal de saúde completa suas tarefas. Em seguida, nossa equipe rotula esses dados e os usa para treinar nossos algoritmos, para que nossa tecnologia possa entender e aprender como o pessoal de saúde e seus sistemas funcionam. A partir daí, nossa plataforma executa esses fluxos de trabalho de forma autônoma. Finalmente, usamos especialistas no loop que podem intervir sempre que o sistema sinalizar outliers ou exceções. O AI continua a aprender com essas experiências, permitindo que ele assuma tarefas mais complexas com o tempo.

Poderia discutir a importância das abordagens de humanos no loop e por que isso está prestes a substituir a RPA?

A dura verdade é que a RPA é uma tecnologia com décadas de existência que é frágil e tem limites reais em suas capacidades. Ela sempre terá algum valor na automação de trabalhos simples, discretos e lineares. No entanto, o motivo pelo qual os esforços de automação muitas vezes ficam aquém de suas aspirações é porque a vida é complexa e sempre muda.

A abordagem básica para a RPA é construir um robô (bot) para cada problema ou caminho que você deseja resolver. Um humano (consultor ou engenheiro) constrói um robô para resolver um problema específico. Essa solução robótica assume o lugar de uma sequência de etapas. Ela olha para uma tela, toma uma ação e repete.

O problema que muitas vezes ocorre é que uma mudança no mundo, como uma modificação em um software ou UI, pode fazer com que os bots quebrem. Como sabemos, a tecnologia está sempre evoluindo, criando ambientes dinâmicos. Isso significa que os robôs da RPA muitas vezes falham.

Outro problema com esses bots é que você precisa criar um para cada situação que deseja resolver. Fazendo isso, você acaba com muitos robôs, todos completando ações muito pequenas que não exigem muita habilidade.

É como um jogo de “bata-rato”. Todos os dias, você enfrenta a probabilidade de que um deles quebre porque um pedaço de software vai mudar ou algo inusitado vai acontecer – uma caixa de diálogo vai aparecer ou um novo tipo de entrada vai ocorrer. O resultado é uma manutenção cara para manter esses bots em funcionamento. De acordo com uma pesquisa da Forrester, para cada $1 gasto em RPA, um adicional de $3,41 é gasto em recursos de consultoria.

Em outras palavras, o software real da RPA não é a maioria do custo. O investimento de custo mais considerável é todo o trabalho que você tem que fazer para manter a RPA funcionando o tempo todo. Muitas organizações não contabilizam esse custo contínuo.

Como grande parte da vida é complexa e está constantemente evoluindo, muito trabalho cai fora das capacidades da RPA, o que é onde o ML entra. O ML permite que automatem o trabalho difícil. E acreditamos que o ingrediente especial é os humanos que melhoram os algoritmos ensinando-os.

Quando o algoritmo não tem certeza sobre o que deve fazer (baixa confiança), é escalado para um humano no loop, em vez disso. Os humanos rotulam esses exemplos e identificam casos não tratados pelo modelo atual. Quando isso é feito, e o AI acertou, é uma tarefa bem funcionando.

Cada tarefa em que um humano pega um problema é um caso em que a máquina não está lidando corretamente. Nesse caso, dados são adicionados ao nosso conjunto de dados, que retreina os modelos de ML para lidar com essa nova situação.

Com o tempo, o modelo de ML constrói resiliência a esses novos casos de borda. Isso resulta em um sistema que é robusto e flexível para novos outliers ou exceções, e o sistema fica mais forte com o tempo. Isso significa que a automação fica melhor e melhor e a intervenção humana diminuirá com o tempo.

Ter especialistas humanos no loop é fundamental para tornar o AI mais inteligente, mais rápido e melhor. Precisamos de humanos para treinar adequadamente o AI e garantir que ele possa lidar com os outliers que são inevitáveis em qualquer indústria – e especialmente em um campo dinâmico como a saúde.

Poderia discutir como a solução de humanos no loop da AKASA, Unified Automation™, funciona e quais são os principais casos de uso para essa plataforma?

Unified Automation é uma plataforma construída com propósito para a saúde. Usando IA, ML e nossa equipe de especialistas em cobrança médica, cria uma solução personalizada e integrada de forma transparente que ajuda a ver o valor mais rapidamente, com praticamente nenhuma manutenção ou filas de exceção.

Foi projetada com exceções e outliers em mente. Se ela encontrar algo novo, a plataforma sinaliza a questão para a equipe de especialistas da AKASA, que a resolve enquanto o sistema aprende com as ações que eles tomam. É esse elemento humano que nos diferencia de outras soluções no mercado e permite que a plataforma continue a aprender e melhorar.

Unified Automation também se adapta à natureza dinâmica da indústria de saúde. É uma solução personalizada e integrada de forma transparente que ajuda a reduzir os custos operacionais, eleva o pessoal para lidar com trabalhos mais gratificantes que exigem um toque humano e melhora a captura de receita para os sistemas de saúde, além de melhorar a experiência financeira do paciente.

Aqui está como funciona a Unified Automation:

Software proprietário observa: Nossa ferramenta Worklogger™ observa remotamente como o pessoal de saúde completa suas tarefas. Em seguida, nossa equipe rotula esses dados e os alimenta em nossa automação para fornecer uma visão abrangente dos fluxos de trabalho e processos atuais. Isso resulta em maior visibilidade no desempenho do pessoal, dados fundamentais sobre os fluxos de trabalho para alimentar nossa automação e uma análise de tempo por tarefa precisa.

IA executa: Depois de observar e aprender os fluxos de trabalho do pessoal de saúde, nossa IA executa essas tarefas de forma autônoma. Ela continua a aprender com problemas e casos de borda que encontra, assumindo tarefas mais complexas com o tempo. A Unified Automation fica upstream na fila de trabalho – atribuindo a si mesma tarefas aplicáveis e completando-as sem interromper a equipe. Ela também otimiza automaticamente os processos, então não é necessário nenhum setup ou intervenção do pessoal.

Expertise humana garante: O sistema sinaliza automaticamente nossa equipe de especialistas em cobrança médica para lidar com exceções e outliers, treinando o AI em tempo real à medida que trabalham. É a parte do especialista no loop. Com o aprendizado contínuo construído, a plataforma Unified Automation fica mais inteligente e eficiente com o tempo e o trabalho sempre é feito.

Há algo mais que você gostaria de compartilhar sobre a AKASA?

Temos uma abordagem de pesquisa em primeiro lugar, o que significa que nossos clientes têm acesso à tecnologia de ponta. Estamos comprometidos em publicar nossa IA e abordagens em publicações revisadas por pares para continuar a definir novos padrões de estado da arte para IA em operações de saúde e liderar toda a indústria para a frente.

Por exemplo, nossa pesquisa foi apresentada na Conferência Internacional de Aprendizado de Máquina (ICML), no Summit de Processamento de Linguagem Natural (NLP) e na Conferência de Aprendizado de Máquina para Saúde (MLHC), entre outros. Estamos adotando uma abordagem muito disciplinada para testar nossos modelos e comparar o desempenho com as abordagens de IA de estado da arte no mercado.

Nossa solução de previsão de negações é considerada a primeira solução baseada em aprendizado profundo publicada que pode prever negações de reclamações médicas por mais de 22% em comparação com as linhas de base existentes. Nosso modelo Read, Attend, Code para codificação autônoma de reclamações médicas a partir de notas clínicas foi reconhecido como definidor de um novo estado da arte para a indústria e superou os modelos atuais em 18% – superando a produtividade dos codificadores humanos. Acreditamos que essas inovações de back-office são críticas para melhorar o sistema de saúde dos EUA em escala e continuarão a impulsionar avanços e construir soluções personalizadas para esse espaço.

Há muito hype em torno da IA na saúde, mas quando se trata disso, as empresas podem superestimar o que sua tecnologia pode realmente fazer. É muito mais difícil realizar pesquisas para validar o que os algoritmos fazem – e nos orgulhamos de seguir esse caminho significativo, mas desafiador, para provar que a plataforma Unified Automation da AKASA está trazendo mudanças positivas e significativas para hospitais e sistemas de saúde.

Estamos animados com o futuro e o que está por vir na AKASA, enquanto construímos o futuro da saúde com IA.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar AKASA.