Akilesh Bapu, zakladateľ a generálny riaditeľ spoločnosti DeepScribe – Interview Series

Akilesh Bapu je zakladateľom a generálnym riaditeľom spoločnosti DeepScribe, ktorá využíva spracovanie prirodzeného jazyka (NLP) a pokročilé hlboké učenie na vytváranie presných, vyhovujúcich a bezpečných poznámok z rozhovorov medzi lekárom a pacientom.

Čo ťa priviedlo a pritiahlo k AI a spracovaniu prirodzeného jazyka?

Ak si dobre pamätám, Jarvis z „Iron Mana“ bola prvá vec, ktorá ma skutočne pritiahla do sveta spracovania prirodzeného jazyka a AI. Predovšetkým som považoval za fascinujúce, o koľko rýchlejšie bol človek schopný nielen prejsť úlohami, ale tiež ísť do neuveriteľnej hĺbky určitých úloh a odhaliť určité informácie, o ktorých by ani nevedel, keby tomu tak nebolo. táto AI.

Bol to koncept „AI sama o sebe nebude pri väčšine úloh taká dobrá ako ľudia, ale ak spojíte človeka a AI, táto kombinácia bude dominovať.“ Spracovanie prirodzeného jazyka je najefektívnejším spôsobom, ako dosiahnuť túto kombináciu človek/AI.

Odvtedy som bol posadnutý Siri, Google Now, Alexou a ďalšími. Aj keď nefungovali tak hladko ako Jarvis, tak veľmi som chcel, aby fungovali ako Jarvis. Predovšetkým sa ukázalo, že príkazy ako „Alexa urob toto“, „Alexa urob tamto“ sa dali so súčasným stavom technológie celkom ľahko a presne. Ale pokiaľ ide o niečo ako Jarvis, kde sa môže skutočne naučiť a pochopiť, filtrovať a vyzdvihnúť dôležité témy počas ďalšej konverzačnej výmeny – čo sa predtým v skutočnosti nerobilo. Toto v skutočnosti priamo súvisí s jednou z mojich hlavných motivácií pri zakladaní DeepScribe. Zatiaľ čo riešime otázku dokumentácie pre lekárov, pokúšame sa pri tom o úplne novú vlnu inteligencie: okolitú inteligenciu. AI, ktorá sa dokáže prehrabať vašimi každodennými prejavmi, nájsť užitočné informácie a použiť ich na pomoc.

Predtým ste robili nejaký výskum pomocou hlbokého učenia a NLP na UC Berkeley College of Engineering. V čom spočíval váš výskum?

Späť v Berkeley AI Research Lab som pracoval na projekte anotátora génovej ontológie, kde sme sumarizovali články PubMed so špecifickými výstupnými parametrami.

Prehľad na vysokej úrovni: Vezmite si úlohu, ako je súhrn spravodajských článkov CNN. V tejto úlohe zoberiete spravodajské články a zhrniete ich zhruba do niekoľkých viet. Vo svoj prospech máte údaje a možnosť trénovať tieto modely na viac ako milióne článkov. Problémový priestor je však obrovský, pretože máte obmedzenú štruktúru na súhrny. Okrem toho skutočné články nemajú takmer žiadnu štruktúru. Aj keď od doby pred 2.5 rokmi, keď som na tomto projekte pracoval, došlo k niekoľkým zlepšeniam, toto je stále nevyriešený problém.

V našom výskumnom projekte sme však vyvíjali štruktúrované zhrnutia článkov. Štruktúrovaný súhrn je v tomto prípade podobný typickému súhrnu s tým rozdielom, že poznáme presnú štruktúru výstupného súhrnu. Je to užitočné, pretože to dramaticky znižuje možnosti výstupu pre náš model strojového učenia – problémom bolo, že na spustenie modelu hlbokého učenia náročného na dáta a na získanie použiteľných výsledkov nebolo k dispozícii dostatok anotovaného školenia.

Jadrom práce, ktorú som na tomto projekte urobil, bolo využiť znalosti, ktoré máme o vstupných údajoch, a vyvinúť súbor plytkých modelov ML na ich podporu – techniku, ktorú sme vynašli, nazývanú 2-krokový anotátor. Dvojkrokový anotátor dosiahol takmer 2-násobnú presnosť ako predchádzajúci najlepší (20 percent oproti 54 percentám).

Zatiaľ čo vedľa seba môžu tento projekt a DeepScribe znieť úplne inak, boli si veľmi podobné v tom, ako použili metódu 2-krokovej anotácie na výrazné zlepšenie výsledkov na obmedzenom súbore údajov.

Čo bolo inšpiráciou pri spustení DeepScribe?

Všetko to začalo mojím otcom, ktorý bol lekárskym onkológom. Predtým, ako systémy elektronických zdravotných záznamov prevzali zdravotnú starostlivosť, lekári si zapisovali veci na papier a trávili veľmi málo času poznámkami. Keď sa však EHR začali stávať populárnymi ako súčasť zákona HITECH z roku 2009, začal som si všimnúť, že môj otec trávil stále viac času pri počítači. Domov sa začne vracať neskôr. Cez víkendy sedel na gauči a diktoval poznámky. Jednoduché veci, ako keď ma vyzdvihol zo školy alebo basketbalového tréningu, sa stali minulosťou, pretože väčšinu svojich večerných hodín trávil dobiehaním dokumentácie.

Ako hlúpe dieťa som sa snažil nájsť pre neho riešenia tak, že som hľadal na webe a nechal som ho vyskúšať. Žiaľ, nič nefungovalo dostatočne dobre, aby ho zachránilo pred dlhými hodinami dokumentácie.

Rýchly posun vpred o niekoľko rokov do leta 2017 – som výskumník pracujúci v Berkeley AI Research Lab a pracujem na projektoch v oblasti sumarizácie dokumentov. Jedného leta, keď som späť doma, som si všimol, že môj otec stále trávi veľa času dokumentovaním. Pýtam sa: „Čo je nové vo svete dokumentácie? Alexa je všade, Asistent Google je teraz taký dobrý. Povedz mi, čo je najnovšie v medicínskom priestore?“ A jeho odpoveď bola: "Nič sa nezmenilo." Myslel som si, že je to len on, ale keď som išiel a preskúmal niekoľko jeho kolegov, bol to ten istý problém: nie to, čo je najnovšie v liečbe rakoviny alebo aké nové problémy majú ich pacienti – bola to dokumentácia. „Ako sa môžem zbaviť dokumentácie? Ako môžem ušetriť čas na dokumentácii? Zaberá mi to veľa času."

Všimol som si aj niekoľko firiem, ktoré vznikli, aby sa pokúsili vyriešiť dokumentáciu. Buď však boli príliš drahé (tisíce dolárov mesačne), alebo boli príliš minimálne z hľadiska technológie. Lekári v tom čase mali veľmi málo možností. Vtedy sa otvorila príležitosť, že ak by sme dokázali vytvoriť umelo inteligentného lekárskeho zapisovateľa, technológiu, ktorá by dokázala sledovať návštevy lekárov u pacientov, sumarizovať ich a ponúkať ich za cenu, ktorá by ju sprístupnila pre každého, mohla by skutočne priniesť radosť zo starostlivosti späť do medicíny.

Keď ste spustili DeepScribe, mali ste iba 22 rokov. Môžete opísať svoju cestu podnikateľa?

Moja prvá skúsenosť s podnikaním bola ešte na strednej škole. Začalo to, keď sme sa s kamarátom, ktorý náhodou ovládal základy JavaScriptu, stretli s riaditeľom centra pre deti s poruchami učenia. Povedali nám, ako môžu tie najjednoduchšie nástroje pomôcť s dyslektickými deťmi. Nakoniec sme spolu hackli rozšírenie pre prehliadač Chrome na dyslexiu. Boli to naozaj holé kosti – jednoducho to upravilo písmo tak, aby vyhovovalo vedeckým usmerneniam pre ľahké čítanie pre dyslektických ľudí. Hoci bol koncept jednoduchý, za niekoľko mesiacov sme získali viac ako 5000 XNUMX aktívnych používateľov. Bol som unesený tým, ako môže mať základná technika taký hlboký vplyv na ľudí.

V Berkeley som sa čo najviac ponáral do sveta podnikania, predovšetkým s ich širokou škálou tried. Moje obľúbené boli:

1. Newton Lecture Series – ľudia ako Jessica Mah z InDinero alebo Diane Greene z VMWare, ktorí boli Cal alums, predniesli veľmi príbuzné prednášky o svojom čase v Berkeley a o tom, ako založili svoje vlastné spoločnosti.
2. Challenge Lab – na tejto hodine som vlastne stretol svojho spoluzakladateľa Matta Ko. Boli sme rozdelení do skupín a prešli sme si semestrálnou cestou vytvárania produktu a boli sme poučení o tom, čo je v počiatočných fázach potrebné na realizáciu nápadu.
3. Lean Launchpad – môj najobľúbenejší z týchto troch; Bol to vyčerpávajúci a prísny proces, pri ktorom nás viedol Steve Blank (uznávaný miliardár a muž stojaci za hnutím štíhlych startupov), aby sme prijali nápad, overili ho prostredníctvom 100 rozhovorov so zákazníkmi, vytvorili finančný model a ďalšie. Toto bol typ triedy, kde sme postavili náš „startup“ len preto, aby sme sa zastavili na snímke 1 alebo 2 a dali sa grilovať. Ak by to nebolo dosť ťažké, čakalo sa od nás aj rozhovory s 10 zákazníkmi týždenne. Našou myšlienkou v tom čase bolo vytvoriť patentové vyhľadávanie, ktoré by poskytlo podobné výsledky ako drahé vyhľadávanie podľa doterajšieho stavu techniky, čo znamenalo, že sme ponúkali 10 podnikovým zákazníkom týždenne. Bolo to skvelé, pretože nás to naučilo rýchlo myslieť na nohách a byť extra vynaliezaví.

DeepScribe začala, keď investorská skupina s názvom The House Fund vypisovala šeky pre študentov, ktorí odmietli letné stáže a strávili leto budovaním svojej spoločnosti. Práve sme vypli Delphi (vyhľadávač patentov) a Matt a ja sme sa neustále rozprávali o lekárskej dokumentácii a všetko zapadlo na svoje miesto, pretože bol ideálny čas to vyskúšať.

S DeepScribe sme mali šťastie, že sme práve vyšli z Lean Launchpadu, pretože jedným z najdôležitejších faktorov pri vytváraní produktu pre lekárov bolo opakovanie a vylepšovanie produktu na základe spätnej väzby od zákazníkov. Historickým problémom v medicínskom priemysle bolo, že softvér mal zriedkavo zapojených lekárov do projektovej slučky, čo viedlo k softvéru, ktorý nebol optimalizovaný pre koncového používateľa.

Keďže DeepScribe sa odohrávalo v rovnakom čase ako môj posledný rok v Berkeley, bolo to ťažké vyvažovanie. Prišiel by som na hodinu v obleku, aby som hneď potom prišiel načas na ukážku pre zákazníka. Využil by som všetky zariadenia EE a profesorov nie na nič spoločné s triedou, ale na 100 percent na DeepScribe. Moje stretnutia s mojím výskumným mentorom sa dokonca zmenili na brainstormingové stretnutia DeepScribe.

Keď sa pozriem späť, ak by som mal na svojej ceste zmeniť jednu vec, bolo by to pozastavenie vysokej školy, aby som mohol tráviť 150 percent času na DeepScribe.

Môžete lekárovi opísať, aké sú výhody používania DeepScribe oproti tradičnejšej metóde hlasového diktovania alebo dokonca zapisovania poznámok?

Používanie DeepScribe má byť veľmi podobné používaniu skutočného ľudského pisára. Keď sa prirodzene rozprávate so svojím pacientom, DeepScribe bude počúvať a preberať medicínsky relevantný prejav, ktorý sa zvyčajne nachádza vo vašich poznámkach, a vloží ho tam za vás pomocou rovnakého lekárskeho jazyka, aký používate vy. Radi si to predstavujeme ako nového člena vášho zdravotníckeho personálu poháňaného umelou inteligenciou, ktorého môžete trénovať, ako by ste chceli, a pomáhať vám s dokumentáciou vo vašom systéme elektronických zdravotných záznamov, ako chcete. Je to veľmi odlišné od používania služby hlasového diktovania, pretože eliminuje celý krok, keď sa musíte vrátiť a dokumentovať. Zatiaľ čo typické diktátové služby premenia 10 minút dokumentácie na 7 – 8 minút, DeepScribe ich premení na niekoľko sekúnd. Naši lekári uvádzajú 1.5 až 3 hodiny ušetreného času denne v závislosti od toho, koľko pacientov vidia.

DeepScribe je agnostický pre zariadenie, ovládateľný z iPhone, Apple Watch, prehliadača (pre telemedicínu) alebo hardvérového zariadenia.

Aké sú niektoré z problémov rozpoznávania reči alebo NLP, s ktorými sa môže DeepScribe stretnúť v dôsledku zložitej lekárskej terminológie?

Na rozdiel od všeobecného názoru je zložitá lekárska terminológia v skutočnosti pre DeepScribe najjednoduchšou časťou. Najzložitejšou časťou DeepScribe je vyzdvihnúť jedinečné kontextové vyhlásenia, ktoré môže pacient poskytnúť lekárovi. Čím viac sa odkláňajú od typickej konverzácie, tým viac vidíme, ako AI zakopne. Ale keď zhromažďujeme viac konverzačných údajov, vidíme, že sa to každým dňom dramaticky zlepšuje.

Aké sú ďalšie technológie strojového učenia, ktoré sa používajú s DeepScribe?

Veľké dáždniky rozpoznávania reči a NLP majú tendenciu pokryť väčšinu strojového učenia, ktoré robíme v DeepScribe.

Môžete vymenovať niektoré nemocnice, neziskové organizácie alebo akademické inštitúcie, ktoré používajú DeepScribe?

DeepScribe začal prostredníctvom pilotného programu s UC Berkeley Health Center. Hartford Healthcare, Texas Medical Center a Cedar Valley Medical Specialists sú hŕstkou väčších systémov, s ktorými DeepScribe pracuje.

Väčšie percento používateľov DeepScribe však tvorí 50 súkromných ordinácií od Aljašky po Floridu. Medzi naše najobľúbenejšie odbory patrí primárna starostlivosť, ortopédia, gastroenterológia, kardiológia, psychiatria a onkológia, ale podporujeme aj niekoľko ďalších odborov.

DeepScribe nedávno spustil program na pomoc s COVID-19. Mohli by ste nám priblížiť tento program?

COVID-19 tvrdo zasiahol našich lekárov. Ordinácie zaznamenávajú iba 30 – 40 percent ich pacientov, personál sa znižuje a poskytovatelia sú nútení rýchlo prepnúť všetkých svojich pacientov na telemedicínu. To všetko vedie k väčšej administratívnej práci pre poskytovateľov – my v DeepScribe pevne veríme, že aby sa táto pandémia zastavila, lekári musia venovať 100 percent svojej pozornosti a času starostlivosti o svojich pacientov.

Aby sme pomohli tejto veci, sme hrdí na to, že môžeme spustiť bezplatné telemedicínske riešenie pre zdravotníckych pracovníkov bojujúcich proti tejto pandémii. Naše telemedicínske riešenie je plne integrované s naším riešením medicínskeho zapisovateľa s podporou AI, čím sa eliminuje potreba klinickej dokumentácie pre stretnutia uskutočnené na našej platforme.

Počas pandémie tiež ponúkame bezplatne našu službu zapisovateľa. To znamená, že každý lekár môže získať bezplatný prístup k zapisovateľovi, aby mohol nakladať s jeho dokumentáciou. Dúfame, že vďaka tomu budú lekári môcť sústrediť viac svojej pozornosti na svojich pacientov a tráviť menej času premýšľaním o dokumentácii, čo povedie k rýchlejšiemu zastaveniu prepuknutia COVID-19.

Ďakujem za skvelý rozhovor, veľmi rád som sa dozvedel o DeepScribe a vašej podnikateľskej ceste. Každý, kto sa chce dozvedieť viac, by mal navštíviť DeepScribe.