Фавад Батт, генеральный директор и сооснователь Penguin Ai – Интервью

Фавад Батт, генеральный директор и сооснователь Penguin Ai, является опытным руководителем в области здравоохранения, данных и искусственного интеллекта, который основал компанию после руководящих должностей в Kaiser Permanente, UnitedHealthcare и Optum, где он курировал крупномасштабные инициативы по управлению данными, аналитике, искусственному интеллекту и корпоративным платформам. Его опыт руководства стратегией данных внутри некоторых из крупнейших организаций по оплате и предоставлению медицинских услуг сформировал фокус Penguin Ai на решении административных неэффективностей в здравоохранении с помощью специально разработанных решений на основе искусственного интеллекта, а не навязывания общих платформ сложным потокам работы в здравоохранении. Под его руководством Penguin Ai позиционируется вокруг практической теории: здравоохранение нуждается в системах искусственного интеллекта, разработанных специально для операций по оплате и предоставлению медицинских услуг, с возможностью сокращения ручного труда, повышения точности и помощи командам в проведении более ценных клинических и операционных решений.

Penguin Ai – это компания, родившаяся в здравоохранении, которая фокусируется на автоматизации административных и клинических операций для организаций по оплате и предоставлению медицинских услуг, компаний по управлению доходами и партнеров в области здравоохранения. Ее платформа объединяет модели языка, специфичные для здравоохранения, цифровых работников, агентов искусственного интеллекта, возможностей управления и соблюдения нормативных требований, а также автоматизацию потоков работы для таких случаев, как предварительное разрешение, обработка претензий, медицинское кодирование, управление апелляциями, корректировка рисков, целостность платежей, суммаризация медицинских карт, суммаризация клинической документации и проверка льгот. Компания привлекла 29,7 миллиона долларов в качестве венчурного финансирования, включая 25 миллионов долларов в рамках раунда серии А под руководством Greycroft, для расширения найма, разработки продукта и развертывания платформы у организаций по оплате и предоставлению медицинских услуг, и также запустила Gwen, платформу для создания собственных решений на основе искусственного интеллекта, предназначенную для помощи командам здравоохранения в создании цифровых работников для административных потоков работы.

После руководства организациями данных и аналитики в Kaiser Permanente, UnitedHealthcare и Optum, какие конкретные опыт убедили вас, что здравоохранение нуждается в платформе искусственного интеллекта, разработанной специально для этого, и как эти уроки сформировали видение основания Penguin Ai?

Я расскажу вам о том самом моменте, когда все стало ясно. Я сидел на обзоре в одной из крупных организаций по оплате и смотрел на очередь предварительных разрешений, каждое из которых было отклонено три раза, и ни одно из них не имело реального клинического вопроса. Они были отклонены потому, что поле не совпадало или документация была представлена в неправильном формате. Некоторые из лучших операторов в стране тратили свой день на кормление машины, которая не производила ничего для пациента, ожидавшего на другой стороне. Я увидел тот же самый пустой труд в Kaiser, в UnitedHealthcare, в Optum, просто в разных обличьях. Тогда я перестал верить в отраслевую линию, что трение – это цена масштаба. Видение Penguin Ai возникло непосредственно из того разочарования: построить платформу, которая говорит на языке организаций по оплате и предоставлению медицинских услуг, встроить контекст здравоохранения в систему, чтобы цифровой работник применял ваши собственные критерии и показывал свою логику, сохранить человека ответственным за клиническую оценку и снять ручной труд с всех остальных. Это вся игра.

Penguin Ai фокусируется на решении административных неэффективностей в здравоохранении, которые, по вашим оценкам, составляют триллион долларов. Какие потоки работы вы отдали приоритет первым, и почему предварительное разрешение, обработка претензий, медицинское кодирование и апелляции стали самыми перспективными для трансформации с помощью искусственного интеллекта?

Мы пошли туда, где боль кричит громче всего. Предварительное разрешение, обработка претензий, медицинское кодирование и апелляции поднялись на вершину по одной причине: они представляют собой огромные объемы повторяющейся работы, где большинство случаев следуют шаблону, а исключения достаточно редки, чтобы человек должен был видеть только исключения. Предварительное разрешение возглавило список, потому что это место, где можно буквально наблюдать, как пациент страдает, пока бумаги сидят в очереди, и никто не защищает это с прямым лицом. Когда наши цифровые работники несут повторяющийся объем и направляют реальные аномалии к человеку, результаты не тонки. Обзоры запускаются до 97 процентов быстрее, отказы снижаются более чем на половину, и примерно 92 процента дел решаются без ручного вмешательства. Я выбрал эти четыре, потому что они позволяют мне быстро доказать тезис: снять административное бремя и сделать здравоохранение лучше для пациента, клинициста и человека, выполняющего работу. Все выигрывают в одном и том же шаге, и это именно почему мы начали с этого.

Как опытный руководитель в области здравоохранения, вы оценивали бесчисленные технологические решения для крупных организаций здравоохранения. Какие самые распространенные причины, по которым стартапы в области искусственного интеллекта не получают признания внутри крупных систем здравоохранения и организаций по оплате?

Я сидел на покупательской стороне достаточно долго, чтобы наблюдать, как стартапы сжигают свой шанс тремя одинаковыми способами. Первый: они относятся к здравоохранению как к любому другому корпоративному аккаунту и попадают в интеграционную мешанину, устаревшие системы и нормативный вес, о котором никто их не предупредил. Второй: они переоценивают автономность, а затем не могут ответить на первый трудный вопрос, который всегда является какой-то версией “покажите мне, как оно получилось”. Нет аудиторской трассировки, нет логики, которую команда по соблюдению нормативных требований будет принимать, и пилотный проект умирает прямо там в комнате. Третий: они исправляют одну сторону отношений между организациями по оплате и предоставлению медицинских услуг и никогда не понимают, что трение живет в шве между ними. И честно говоря, каждый покупатель, которого я знаю, устал. У них есть ящик, полный инструментов, работающих на основе искусственного интеллекта, которые добавили панель управления и не сдвинули с места никакой работы. Планка высокая, а терпение тонкое, и любой, кто не может показать реальный путь от пилотного проекта к производству, получает дверь.

Многие организации здравоохранения остаются осторожными в отношении развертывания искусственного интеллекта в критически важных операциях. Что представляет собой успешное внедрение искусственного интеллекта внутри крупной организации по оплате или предоставлению медицинских услуг, и какие ошибки совершают лидеры при попытке масштабировать его?

Настоящее внедрение начинается с малого и заслуживает своего расширения. Выберите один поток работы, который действительно болит, сохраните своих людей в петле, чтобы они могли наблюдать за работой и доверять ей, и позвольте доказательствам купить вам расширение. Когда команда видит, как цифровой работник правильно очищает рутинные дела и передает им те, которые действительно требуют суждения, они перестают сопротивляться и начинают просить больше. Ошибки предсказуемы и болезненно. Лидеры пытаются вскипятить океан и развернуть везде сразу. Они покупают технологию и никогда не перерабатывают поток работы вокруг нее, поэтому бремя просто перемещается в другую очередь. Или они слишком быстро убирают людей, сжигают доверие и затем удивляются, почему никто не трогает это. Масштабирование искусственного интеллекта в системе здравоохранения – это задача управления изменениями в костюме технологии. Команды, которые выигрывают, относятся к этому так, и они обязуются к жесткому метрику с первого дня, чтобы все знали, как выглядит успех.

Penguin Ai подчеркивает модели и потоки работы искусственного интеллекта, родившиеся в здравоохранении, а не общие корпоративные решения. Какие уникальные проблемы в здравоохранении требуют специального подхода, и где общие платформы искусственного интеллекта не справляются?

Здравоохранение – это не общий корпоративный случай использования, и притворяться, что это так, – значит обжечься. Здравоохранение имеет свой язык, свои правила, свои последствия, и ни одно из этого не является опциональным. Общая модель даст вам уверенный, правдоподобный ответ, который тихо неправильный, потому что он не несет ваших критериев медицинской необходимости и не может показать свою работу так, чтобы аудитор или клиницист подписали ее. Начало. Мы построили Penguin Ai в слоях именно по этой причине: слой данных, который собирает информацию, слой контекста, который держит специфичную для здравоохранения логику и управление, и цифровая рабочая сила, которая действительно делает работу, включая наши предварительно построенные решения цифровых работников и Gwen, строитель, который позволяет вашей команде создавать новые цифровые работники. Общие платформы не справляются, потому что они относятся к экспертизе в области здравоохранения как к чему-то, что можно запрограммировать. Вы не можете. Вы должны построить это в систему, и это вся суть того, что мы сделали.

Предварительное разрешение остается одним из самых раздражающих процессов для поставщиков и пациентов. Как вы видите, что искусственный интеллект изменит предварительное разрешение в течение следующих пяти лет, и какие меры предосторожности необходимы, чтобы обеспечить, что автоматизация улучшит результаты без создания новых барьеров?

Через пять лет простые одобрения возвращаются в течение минут, применены последовательно против ваших собственных руководств, с клиницистом, включенным в любое решение, требующее медицинской оценки. Это хорошая версия. Вот часть, которую люди пропускают: автоматизация может так же легко индустриализировать барьеры, если вы построите ее лениво. Быстрый способ отказать в уходе – это неправомерное дело с лучшей производительностью. Итак, меры предосторожности – это вся игра. Каждое решение, которое цифровой работник принимает, должно нести свою логику и полную аудиторскую трассировку, что мы называем стеклянной коробкой, так что любой может увидеть точно, как оно получилось. Скорость никогда не должна стать прикрытием для тихой стены автоматических отказов. И квалифицированный человек остается ответственным за клиническую оценку, всегда. Получите это правильно, и предварительное разрешение перестает быть тем, чего боятся пациенты и врачи. Получите это неправильно, и вы построили быстрее версию проблемы. Меня интересует только первое.

Отрасль все чаще говорит об агентах искусственного интеллекта и автономных потоках работы. Какие самые большие технические и операционные препятствия на пути к развертыванию искусственного интеллекта, который может надежно обрабатывать сложные административные задачи в здравоохранении с минимальным вмешательством человека?

Трудная часть – это не демонстрация, это края. Обработка исключений, несовершенная и несоответствующая информация, и устаревшие системы, которые никогда не были построены для общения с чем-либо. Это место, где живет настоящая инженерия, и это глубоко не гламурно. Операционное препятствие – доверие, которое ни одна система здравоохранения не дает вам бесплатно. Если ваши люди не могут проверить это или объяснить, они не будут его масштабировать, полный останов. Теперь позвольте мне немного оттолкнуть предпосылку. “Минимальное вмешательство человека” – это неправильная цель, и это беспокоит меня, когда я слышу это. Цель – освободить ваших людей для сложных дел и дел, требующих суждения, где их экспертиза действительно зарабатывает на хлеб. Наши цифровые работники несут повторяющийся объем и знают, когда нужно вовлечь человека. Нailed этот hand-off, надежно и прозрачно, на реальном масштабе здравоохранения, – это трудная проблема, достойная решения. Все остальное – это научная ярмарка.

Здравоохранение – одна из наиболее регулируемых отраслей в мире. Как вы балансируете скорость инноваций с соблюдением нормативных требований, конфиденциальности, аудиторской трассировки и необходимостью человеческой ответственности в системах, работающих на основе искусственного интеллекта?

Вы зарабатываете право двигаться быстро, построив вещи, которые держатся. В здравоохранении управление – это основа, и мы залили ее первой. Когда вы имеете дело с данными пациентов, корпоративное управление данными – это моральный императив, и я имею в виду это буквально. Каждое решение, которое мы принимаем, работает на стандарте стеклянной коробки, логики плюс полная аудиторская трассировка, что позволяет команде по соблюдению нормативных требований действительно доверять скорости. Человеческая ответственность встроена в дизайн, потому что квалифицированный человек владеет всем, что касается клинической оценки, а цифровой работник обрабатывает сборку и рутинную нагрузку. Это то, как вы получаете быстрое и достоверное в одной и той же системе, и в этой отрасли вы не можете выбрать одно и пропустить другое. Большинство людей фреймируют соблюдение и аудиторскую трассировку как тормоза. Я вижу их как то, что позволяет вам положить ногу вниз, потому что без них вы никогда не достигнете производства в первую очередь.

Вы сделали переход от руководства крупномасштабными организациями данных и аналитики к строительству стартапа с нуля. Какие аспекты пути от оператора к основателю были наиболее полезными, и какие проблемы были наиболее неожиданными?

Самый полезный аспект – это то, что вы наконец можете построить все правильно с первого раза. Внутри крупной организации изменение происходит со скоростью института. Каждое исправление должно пройти через устаревшие системы, конкурирующие приоритеты и уровни утверждения, поэтому исправление, которое вы знаете, правильное, может занять восемнадцать месяцев, чтобы приземлиться, если оно приземлится вообще. Этот темп изнашивает вас, когда вы можете увидеть точно, что нужно сделать. В пространстве основателя эта крыша исчезает. Мы можем построить с нуля, спроектировать платформу вокруг проблемы, а не вокруг тридцати лет накопленных обходных путей, и доставить правильный ответ, пока он еще имеет значение. Когда я слышу, что медсестра получила свои вечера обратно, или пациент получил ответ в течение часов, где это раньше занимало дни, это приземляется так, как никакой обзор дорожной карты не сделал.

Глядя вперед, если искусственный интеллект успешно удаляет большую часть административного бремени из здравоохранения, как вы думаете, что организации по оплате, поставщики и пациенты будут испытывать систему здравоохранения по-другому в течение следующего десятилетия?

Через десятилетие, если мы все сделаем правильно, система наконец начинает чувствоваться как уход снова. Пациенты получают реальные ответы, когда они напуганы и уязвимы, и они перестают должны зарабатывать минор в бюрократии страхования, чтобы получить то, что их врач уже заказал. Клиницисты тратят свои часы на искусство медицины и на людей перед ними, вместо того, чтобы молоть через восемьдесят седьмой рутинный случай до обеда. Персонал операций и административный персонал, некоторые из наиболее недооцененных людей в этой отрасли, наконец делают работу, которая использует их реальную экспертизу. И организации по оплате и поставщики координируют вместо того, чтобы бросать бумаги туда и обратно через шов, который никто не владеет. Это здравоохранение, к которому я стремлюсь. Счет, который я заботлюсь, – это скучный и конкретный: время, возвращенное уходу за пациентами, и задержка, удаленная из опыта пациента. Все остальное, что мы делаем, служит этим двум числам.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Penguin Ai.