Akilesh Bapu, grundare och VD för DeepScribe – Intervjuer

Akilesh Bapu är grundare och VD för DeepScribe, som använder naturlig språkbehandling (NLP) och avancerad djupinlärning för att generera precisa, förenliga och säkra anteckningar från läkare-patient-samtal.

Vad var det som introducerade och drog dig till AI och naturlig språkbehandling?

Om jag minns rätt var Jarvis från “Iron Man” den första sak som verkligen drog mig till världen av naturlig språkbehandling och AI. Speciellt tyckte jag att det var fascinerande hur mycket snabbare en människa kunde gå igenom uppgifter och även gå in på en otrolig nivå av djup i vissa uppgifter och avslöja viss information som de inte skulle ha känt till om det inte vore för denna AI.

Det var konceptet “AI i sig kommer inte att vara lika bra som människor på de flesta uppgifter, men om man kombinerar en människa och AI, kommer den kombinationen att dominera.” Naturlig språkbehandling är det mest effektiva sättet för denna mänskliga/AI-kombination att ske.

Sedan dess har jag varit besatt av Siri, Google (GOOGL ) Now, Alexa och de andra. Medan de inte fungerade lika smidigt som Jarvis, ville jag så gärna göra dem fungera som Jarvis gjorde. Speciellt blev det uppenbart att kommandon som “Alexa, gör detta”, “Alexa, gör det”, var ganska lätta och precisa att göra med den aktuella tekniken. Men när det gäller något som Jarvis, där den faktiskt kan lära sig och förstå, filtrera och plocka upp viktiga ämnen under en annan konversation – det hade inte verkligen gjorts tidigare. Detta relaterar direkt till en av mina kärnmotivationer för att grunda DeepScribe. Medan vi löser problemet med dokumentation för läkare, försöker vi skapa en helt ny våg av intelligens medan vi gör det: ambient intelligens. AI som kan gräva igenom dina dagliga uttalanden, hitta användbar information och använda den informationen för att hjälpa dig.

Du gjorde tidigare några forskningar med djupinlärning och NLP på UC Berkeley College of Engineering. Vad var din forskning om?

Tillbaka på Berkeley AI Research Lab arbetade jag på ett projekt för att annotera genontologi, där vi sammanfattade PubMed-artiklar med specifika utmatningsparametrar.

Den övergripande översikten: Ta en uppgift som sammanfattning av CNN-nyhetsartiklar. I den uppgiften tar du nyhetsartiklar och sammanfattar dem i ungefär några meningar. Till din fördel har du data och möjligheten att träna dessa modeller på över en miljon artiklar. Men problemutrymmet är enormt eftersom du har en begränsad struktur för sammanfattningarna. Dessutom finns det knappt någon struktur för de faktiska artiklarna. Medan det har skett en del förbättringar sedan jag arbetade på det här projektet för 2,5 år sedan, är detta fortfarande ett olöst problem.

I vårt forskningsprojekt utvecklade vi strukturerade sammanfattningar av artiklar. En strukturerad sammanfattning i det här fallet är liknande en vanlig sammanfattning, men vi vet den exakta strukturen för utmatningssammanfattningen. Detta är användbart eftersom det dramatiskt minskar utmatningsalternativen för vår maskinlärningsmodell – utmaningen var att det inte fanns tillräckligt med annoterad utbildningsdata för att köra en data-hungrig djupinlärningsmodell och få användbara resultat.

Kärnan i det arbete jag gjorde på det här projektet var att utnyttja den kunskap vi har runt indata och utveckla en ensemble av grunt maskinlärningsmodeller för att stödja det – en teknik vi uppfann som kallas 2-stegs-annotator. 2-stegs-annotatorn nådde nästan 20 gånger högre precision än den tidigare bästa (54 procent jämfört med 3,6 procent).

Medan det här projektet och DeepScribe kan låta helt olika, var de mycket lika i hur de använde 2-stegs-annoteringsmetoden för att dramatiskt förbättra resultaten på en begränsad datamängd.

Vad var inspirationen bakom att lansera DeepScribe?

Det började allt med min far, som var en medicinsk onkolog. Innan elektroniska journalsystem tog över hälsovården, skrev läkare ner saker på papper och tillbringade mycket lite tid på anteckningar. Men när EHR-system började bli populära som en del av HITECH-lagen 2009, började jag märka att min far tillbringade mer och mer tid vid datorn. Han började komma hem senare. På helgerna satt han på soffan och dikterade anteckningar. Enkla saker som att hämta mig från skolan eller basketträning blev en sak av det förflutna, eftersom han tillbringade de flesta av sina kvällstimmar med att komma ikapp dokumentationen.

Som en nervös ungdom som växte upp, försökte jag hitta lösningar för honom genom att söka på webben och ha honom prova dem. Tyvärr fungerade ingenting tillräckligt bra för att rädda honom från de långa timmarna av dokumentation.

Några år senare, sommaren 2017 – jag var en forskare som arbetade på Berkeley AI Research Lab, arbetade jag på projekt inom dokumentationssammanfattning. En sommar när jag var hemma, märkte jag att min far fortfarande tillbringade enorma mängder tid med dokumentation. Jag frågade: “Vad är nytt i världen av dokumentation? Alexa är överallt, Google Assistant är så bra nu. Berätta, vad är senaste nytt i den medicinska sfären?” Och hans svar var: “Ingenting har förändrats.” Jag trodde att det bara var han, men när jag gick och undersökte flera av hans kollegor, var det samma problem: inte vad den senaste utvecklingen var inom cancerbehandling eller de nya problem som deras patienter hade – det var dokumentation. “Hur kan jag bli av med dokumentation? Hur kan jag spara tid på dokumentation? Det tar så mycket av min tid.”

Jag märkte också att flera företag hade dykt upp för att försöka lösa dokumentationsproblemet. Men antingen var de för dyra (tusentals dollar per månad) eller de var för minimala i termer av teknik. Läkarna hade vid den tiden mycket få alternativ. Det var då möjligheten öppnade sig att om vi kunde skapa en artificiell intelligent medicinsk skrivare, en teknik som kunde följa läkares patientbesök och sammanfatta dem, och erbjuda det till en kostnad som kunde göra det tillgängligt för alla, kunde det verkligen bringa tillbaka glädjen i vården.

Du var bara 22 år gammal när du lanserade DeepScribe. Kan du beskriva din resa som entreprenör?

Min första exponering för entreprenörskap var tillbaka i high school. Det började när en vän och jag som råkade känna till några grundläggande JavaScript-begrepp träffade direktören för ett center för barn med inlärningssvårigheter. De berättade för oss hur de enklaste verktygen kunde gå långt med dyslektiska barn. Vi hakade ihop en dyslexi-läsare-tillägg för Chrome. Det var riktigt grundläggande – det justerade bara teckensnittet för att möta de vetenskapliga riktlinjerna för läsbarhet för dyslektiker. Medan konceptet var enkelt, fick vi över 5000 aktiva användare på bara några månader. Jag blev förbluffad över hur grundläggande teknik kan ha en sådan djupgående inverkan på människor.

På Berkeley fortsatte jag att dyka in i världen av entreprenörskap så mycket som möjligt, främst med deras breda utbud av klasser. Mina favoriter var:

1. Newton-föreläsningsserien – människor som Jessica Mah från InDinero eller Diane Greene från VMWare som var Cal-alumner gav högst relevanta föreläsningar om sin tid på Berkeley och hur de startade sina egna företag
2. Challenge Lab – jag mötte faktiskt min medgrundare Matt Ko genom den här klassen. Vi placerades i grupper och gick igenom en terminslång resa med att skapa en produkt och bli handledare på vad det tar under de tidiga stadierna för att få en idé att fungera
3. Lean Launchpad – långt ifrån min favorit av de tre; det var ett mödosamt och rigoröst förfarande där vi guidades av Steve Blank (en berömd miljardär och mannen bakom lean startup-rörelsen) för att ta en idé, validera den genom 100 kundintervjuer, bygga en finansiell modell och mer. Det var den typen av klass där vi pitchade vår “startup” bara för att bli stoppad på slide 1 eller 2 och bli grillad. Om det inte var tillräckligt svårt, förväntades vi också intervjua 10 kunder i veckan. Vår idé vid den tiden var att skapa en patentsökning som skulle ge liknande resultat som en dyr prior art-sökning, vilket innebar att vi pitchade till 10 företagskunder i veckan. Det var bra eftersom det lärde oss att tänka snabbt på fötterna och vara extra resursrika

DeepScribe började när en investerargrupp som heter The House Fund skrev ut checkar till studenter som skulle säga nej till sina sommarpraktik och tillbringa sin sommar med att bygga sitt företag. Vi hade just stängt Delphi (patentsökningen) och Matt och jag hade konstant pratat om medicinsk dokumentation och allt föll på plats eftersom det var den perfekta tiden att ge det en chans.

Med DeepScribe var vi lyckliga att ha kommit direkt från Lean Launchpad, eftersom en av de viktigaste faktorerna för att bygga en produkt för läkare var att iterera och förfinansiera produkten runt kundfeedback. Ett historiskt problem i den medicinska industrin har varit att programvara sällan har haft läkare i design-loopen, vilket resulterat i programvara som inte var optimerad för slutanvändaren.

Sedan DeepScribe hände samtidigt som mitt sista år på Berkeley, var det en tung balansakt. Jag visade upp i en kostym så att jag kunde vara i tid för en kunddemo direkt efter. Jag använde alla EE-anläggningar och professorer inte för någonting som hade med klassen att göra, utan 100 procent för DeepScribe. Mina möten med min forskningsmentor förvandlades till DeepScribe-brainstormingsessioner.

Tillbaka i tiden, om jag skulle ändra en sak om min resa, skulle det ha varit att sätta college på paus så att jag kunde tillbringa 150 procent av min tid på DeepScribe.

Kan du beskriva för en medicinsk professionell vilka fördelarna är med att använda DeepScribe jämfört med den mer traditionella metoden med röstdiktering eller till och med anteckningar?

Använda DeepScribe är tänkt att vara mycket likt att använda en riktig mänsklig skrivare. Medan du pratar naturligt med din patient, kommer DeepScribe att lyssna och plocka upp det medicinskt relevanta talet som vanligtvis hamnar i dina anteckningar och lägga det där, med samma medicinska språk som du själv använder. Vi gillar att tänka på det som en ny AI-driven medlem av din medicinska personal som du kan träna som du vill för att hjälpa till med dokumentation i ditt elektroniska journalsystem som du vill. Det är mycket annorlunda än att använda en röstdikteringstjänst, eftersom det eliminerar hela steget med att behöva gå tillbaka och dokumentera. Medan vanliga dikteringstjänster förvandlar 10 minuters dokumentation till 7-8 minuter, förvandlar DeepScribe det till några sekunder. Våra läkare rapporterar allt från 1,5 till 3 timmars tid som sparas per dag, beroende på hur många patienter de ser.

DeepScribe är enhets-agnostisk, operativ från en iPhone, Apple Watch, webbläsare (för telemedicin) eller hårdvaruenhet.

Vilka är några av de taligenkänning- eller NLP-utmaningar som DeepScribe kan möta på grund av komplex medicinsk terminologi?

Till skillnad från den allmänna uppfattningen är komplex medicinsk terminologi faktiskt den enklaste delen för DeepScribe att plocka upp. Den svåraste delen för DeepScribe är att plocka upp unika kontextuella uttalanden som en patient kan ge en läkare. Ju mer de avviker från en typisk konversation, desto mer ser vi att AI snubblar. Men när vi samlar in mer konversationsdata, ser vi att det förbättras dramatiskt varje dag.

Vilka är de andra maskinlärningsteknikerna som används med DeepScribe?

De stora paraplyerna för taligenkänning och NLP täcker de flesta av de maskinlärningstekniker vi gör på DeepScribe.

Kan du nämna några av de sjukhus, ideella organisationer eller akademiska institutioner som använder DeepScribe?

DeepScribe började med ett pilotprogram med UC Berkeley Health Center. Hartford Healthcare, Texas Medical Center och Cedar Valley Medical Specialists är några av de större system som DeepScribe arbetar med.

Men den större andelen av DeepScribe-användare är 50 privata praktiker från Alaska till Florida. Våra mest populära specialiteter är primärvård, ortopedi, gastroenterologi, kardiologi, psykiatri och onkologi, men vi stöder också ett antal andra specialiteter.

DeepScribe har nyligen lanserat ett program för att hjälpa till med COVID-19. Kan du gå igenom det här programmet?

COVID-19 har slagit hårt mot våra läkare. Praktiker ser bara 30-40 procent av sin patientbelastning, skrivpersonalen skärs ner och vårdgivare tvingas snabbt växla alla sina patienter till telemedicin. Allt detta leder till mer administrativt arbete för vårdgivare – vi på DeepScribe tror bestämt att för att den här pandemin ska kunna stoppas, måste läkare ägna 100 procent av sin uppmärksamhet och tid åt att ta hand om sina patienter.

För att hjälpa till i den här saken är vi stolta över att lansera en kostnadsfri telemedicinlösning till hälsovårdspersonal som kämpar mot den här pandemin. Vår telemedicinlösning är fullt integrerad med vår AI-drivna medicinska skrivartjänst, vilket eliminerar behovet av klinisk dokumentation för möten som sker på vår plattform.

Vi erbjuder också vår skrivartjänst gratis under pandemin. Det betyder att varje läkare kan få tillgång till en skrivare gratis för att hantera sin dokumentation. Vår förhoppning är att genom att göra detta, kommer läkare att kunna fokusera mer av sin uppmärksamhet på sina patienter och tillbringa mindre tid med att tänka på dokumentation, vilket leder till en snabbare stopp av COVID-19-utbrottet.

Tack för den underbara intervjun, jag njöt verkligen av att lära mig om DeepScribe och din entreprenöriella resa. Alla som vill lära sig mer bör besöka DeepScribe.