Varun Ganapathi, CTO och medgrundare av AKASA – Intervjuer

Varun Ganapathi är CTO och medgrundare av AKASA, en utvecklare av AI för hälso- och sjukvårdstillämpningar. AKASA hjälper hälso- och sjukvårdsorganisationer att förbättra sin verksamhet, inklusive intäktscykeln, för att driva intäkter, skapa effektivitet och förbättra patientupplevelsen. Varun har tidigare startat två AI-företag, ett som förvärvades av Google (GOOGL ) och det andra av Udacity.

Du har haft en framstående karriär inom maskinlärning, kan du diskutera några av dina tidiga dagar på Stanford när du arbetade med att göra helikoptrar autonoma?

När jag studerade fysik som grundutbildning på Stanford var jag också mycket intresserad av datavetenskap och maskinlärning (ML). För mig kombinerar AI och ML allt på ett sätt – det är verkligen ett automatiserat sätt att göra fysik på alla digitaliserbara fenomen.

För det här specifika projektet hade vi en helikopter som såg ut som en stor drönare, lite mindre än en dubbelsäng – vid en tidpunkt då drönare inte var vanliga. Människor flög den och gjorde konster, som att sväva upp och ner. Medan detta är mycket svårt att göra, ville vi bygga en ML-algoritm som kunde lära sig av människor hur man flög den här helikoptern autonomt.

Vi skapade en fysiksimulator som baserades på den faktiska helikoptern och en ML-algoritm som lärde sig att förutsäga dess rörelser. Vi tillämpade sedan förstärkt lärande inom simuleringsmiljön för att utveckla en kontroller, tog programvaran och laddade upp den i den faktiska helikoptern. Efter att vi startade helikoptern fungerade den på första försöket! Helikoptern kunde omedelbart sväva upp och ner på egen hand, vilket var ganska imponerande. Teamet fortsatte att arbeta med att automatisera andra typer av konster med hjälp av ML.

Du arbetade också på Google Books, kan du diskutera algoritmen som du arbetade med och hur ditt företag till slut förvärvades av Google?

Jag gjorde ett sommarjobb på Google medan jag gick kurser på Stanford 2004 – strax efter helikopterprojektet. Under den tiden implementerade jag ML för Google Books-projektet där vi scannade alla världens böcker.

Google betalade många människor för att märka information om böckerna, såsom sidor, innehållsförteckningar, upphovsrätt med mera – en mycket tidskrävande uppgift. Jag ville se om vi kunde använda ML för att göra detta och det fungerade verkligen bra. Det fungerade faktiskt bättre och var mer exakt än när människor gjorde det eftersom de flesta felen orsakades av mänskliga fel vid manuell märkning.

Detta gjorde mig väldigt entusiastisk över ML eftersom det visade att man kan gå från mänsklig prestation till övermänsklig prestation – att göra tråkiga uppgifter med färre fel och mer konsekvent samtidigt som man hanterar kanter och undantag.

Från där bestämde jag mig för att göra en doktorsexamen på Stanford, med fokus på ML och mer teoretiska papper till en början. För min avhandling utvecklade jag en algoritm för att utföra realtidsrörelseinspelning där en dator kan spåra rörelsen av alla mänskliga leder i realtid från en djupkamera. Detta var grunden för mitt första företag, Numovis, som fokuserade på rörelseinspelning och datorseende för användargränssnitt. Det förvärvades av Google.

Min hela resa från helikopterprojektet till Google Books till självkörande bilar och nu hälso- och sjukvårdsverksamhet visade mig hur kraftfulla och allmänna maskinlärningsalgoritmer är.

Kan du dela berättelsen om AKASAs tillblivelse?

Vi har byggt AKASA för att lösa ett massivt, djupt rotat problem i hälso- och sjukvårdsverksamheten. Dessa verksamheter är både dyra och felbenägna, vilket kan leda till onödiga, panikframkallande ekonomiska upplevelser för patienter. Det fanns en brist på ny teknik på den administrativa sidan och ingenting som var särskilt utformat för detta. Det blev tydligt för oss att man kunde använda teknik som AI och ML för att lösa dessa operativa utmaningar på ett innovativt sätt. När vi talade med många hälso- och sjukvårdssystem och ledare inom hälso- och sjukvården bekräftade de vår tankegång, vilket till slut ledde till grundandet av AKASA 2019.

Med det har AKASAs syfte varit tydligt från början – att möjliggöra mänskligt hälsotillstånd och bygga hälso- och sjukvårdens framtid med AI. Sättet vi bestämde oss för att ta itu med den här utmaningen var genom att kombinera mänsklig intelligens med ledande AI och ML så att hälso- och sjukvårdssystem kan minska driftskostnader och allokera resurser där de betyder mest.

Vår systemagnostiska, flexibla plattform tjänar för närvarande en kundbas som representerar över 475 sjukhus och hälso- och sjukvårdssystem och över 8 000 specialistmottagningar i alla 50 delstater. Vår teknik hjälper dessa organisationer, oavsett om de använder elektroniska patientjournaler (EHR) från leverantörer som Epic, Cerner, andra EHR eller tilläggssystem, och allt däremellan. Och vi har gjort det med starka resultat.

Vår kundbas representerar över 110 miljarder dollar i sammanlagd nettopatientintäkt, vilket motsvarar över 10 % av alla amerikanska hälso- och sjukvårdssystemens utgifter årligen enligt Centers for Medicaid and Medicare Services. Och AKASAs modeller och algoritmer har tränats på nästan 290 miljoner anspråk och återbetalningar.

Den osynliga “rörsystemet” inom hälso- och sjukvården är extremt komplext, men det har en enorm inverkan på mänskligt hälsotillstånd, och vi automatiserar det bit för bit.

Vilka är några av de uppgifter som AKASA ser på att automatisera inom hälso- och sjukvården?

Vår unika expert-i-loopen-approach, Unified Automation, kombinerar ML med mänsklig bedömning och ämnesexperter för att ge robust och resilient automation för hälso- och sjukvårdsverksamhet. AKASA kan snabbt och effektivt automatisera och effektivisera slut-till-slut-uppgifter inom hälso- och sjukvårdens finansiella funktion, inklusive fakturering och betalningar. Specifika uppgifter som AKASA automatiserar inkluderar kontroll av patienters behörighet, dokumentation och verifiering av försäkringsinformation, uppskattning av patientkostnad, redigering, omfakturering och överklagande av anspråk samt förutsägelse och hantering av avslag.

Den här typen av automation minskar inte bara mänskliga fel och förseningar för patienter, vilket hjälper till att förhindra oväntade medicinska räkningar, utan frigör också hälso- och sjukvårdspersonal genom att ta bort de manuella, upprepade uppgifterna helt från deras ansvar – och låter dem fokusera på mer givande, utmanande och värdeskapande uppgifter riktade mot patientupplevelsen.

Vilka är de olika typerna av maskinlärningsalgoritmer som används?

AKASA använder samma maskinlärningsmetoder som gjorde självkörande bilar möjliga för att ge hälso- och sjukvårdssystem en enda lösning för att automatisera hälso- och sjukvårdsverksamhet. Detta tillvägagångssätt – centrerat kring ML – utvidgar automatiseringsförmågan till att ta itu med mer komplexa uppgifter i stor skala.

Vi utvecklar toppmoderna algoritmer inom datorseende, naturligt språkförståelse och strukturerade dataproblem. Vår plattform börjar med datorseende-aktiverad RPA och förbättrar den med modern AI, ML och expert-i-loopen för att ge robust automation.

För att ge en översikt av hur det fungerar observerar vår egenutvecklade lösning hur hälso- och sjukvårdspersonal slutför sina uppgifter. Vårt team märker sedan den data och använder den för att träna våra algoritmer så att vår teknik kan förstå och lära sig hur hälso- och sjukvårdspersonal och deras system fungerar. Därefter utför vår plattform dessa arbetsflöden autonomt. Slutligen använder vi experter-i-loopen som kan hoppa in när systemet flaggar undantag eller avvikelser. AI:n lär sig kontinuerligt av dessa upplevelser, vilket gör att den kan ta itu med mer komplexa uppgifter över tid.

Kan du diskutera vikten av human-i-loopen-approach och varför den är på väg att ersätta RPA?

Sanningen är att RPA är en decennier gammal teknik som är skör och har verkliga begränsningar för dess förmågor. Den kommer alltid att ha något värde i att automatisera arbete som är enkelt, diskret och linjärt. Men anledningen till att automatiseringsinsatser ofta inte når sina aspirationer är att livet är komplext och alltid förändras.

Den grundläggande tillvägagångssättet för RPA är att bygga en robot (bot) för varje problem eller väg som man vill lösa. En människa (konsult eller ingenjör) bygger en robot för att lösa ett specifikt problem. Den här robotiska lösningen tar platsen för en sekvens av steg. Den tittar på en skärm, vidtar åtgärder och upprepar det.

Problemet som ofta uppstår är att en förändring i världen, såsom en ändring av en bit programvara eller användargränssnitt, kan orsaka att botar går sönder. Eftersom tekniken är ständigt föränderlig skapar det dynamiska miljöer. Detta innebär att RPA-robotar ofta misslyckas.

Ett annat problem med dessa botar är att man behöver skapa en för varje situation man vill lösa. Genom att göra detta slutar man med många robotar som slutför mycket små handlingar som inte kräver mycket färdighet.

Det är som ett spel av “whack-a-mole”. Varje dag möter man sannolikt att en av dem kommer att gå sönder på grund av att en bit programvara kommer att ändras eller något ovanligt kommer att hända – en dialogruta kommer att dyka upp eller en ny sorts indata kommer att ske. Resultatet är dyra underhållskostnader för att hålla dessa botar igång. Enligt en undersökning från Forrester spenderas för varje dollar som spenderas på RPA 3,41 dollar extra på konsultresurser.

Med andra ord är den faktiska programvaran för RPA inte den största kostnaden. Den större kostnaden är allt arbete som man måste göra för att hålla RPA igång hela tiden. Många organisationer tar inte med den pågående kostnaden i beräkningen.

Som så mycket av livet är komplext och ständigt föränderligt faller mycket arbete utanför RPA:s förmåga, vilket är där ML kommer in. ML möjliggör oss att automatisera de svåra sakerna. Och vi tror att den speciella såsen är människor som förbättrar algoritmerna genom att undervisa dem.

När algoritmen inte är säker på vad den ska göra (låg tillförlitlighet) eskaleras den till en människa-i-loopen istället. Människorna märker dessa exempel och identifierar fall som inte hanteras av den aktuella modellen. När detta görs och AI:n får det rätt är det en väl fungerande uppgift.

Varje uppgift där en människa fångar ett problem är ett fall där maskinen inte hanterar det korrekt. I det fallet läggs data till i vår datamängd, som omtränar ML-modellerna för att hantera den nya situationen.

Över tid bygger ML-modellen motståndskraft mot dessa nya kanter och undantag. Detta resulterar i ett system som är robust och flexibelt för nya avvikelser eller undantag, och systemet blir starkare med tiden. Detta innebär att automatiseringen blir bättre och bättre och mänskligt ingripande kommer att minska över tid.

Att ha mänskliga experter i loopen är avgörande för att göra AI smartare, snabbare och bättre. Vi behöver människor för att ordentligt träna AI:n och säkerställa att den kan hantera avvikelser som är en oundviklig del av alla branscher – och särskilt i ett dynamiskt område som hälso- och sjukvården.

Hur fungerar AKASAs human-i-loopen-lösning Unified Automation, och vad är några av de primära användningsfallen för den här plattformen?

Unified Automation är en plattform som är särskilt utformad för hälso- och sjukvården. Med hjälp av AI, ML och vårt team av medicinska faktureringsexperter skapar den en sömlöst integrerad, anpassad lösning som hjälper er att se värde snabbare, med i princip ingen underhåll eller undantagsköer.

Den har utformats med undantag och avvikelser i åtanke. Om den möter något nytt flaggar plattformen problemet till AKASAs team av experter som löser det medan systemet lär sig av de åtgärder de vidtar. Det är den mänskliga faktorn som skiljer oss från andra lösningar på marknaden och låter plattformen kontinuerligt lära sig och förbättras.

Unified Automation anpassar sig också till hälso- och sjukvårdens dynamiska natur. Det är en sömlöst integrerad, anpassad lösning som hjälper till att minska driftskostnader, höjer personalen till att ta itu med mer givande arbete som kräver en mänsklig beröring, och förbättrar intäktsinsamlingen för hälso- och sjukvårdssystem samtidigt som patienternas ekonomiska upplevelse förbättras.

Här är hur Unified Automation fungerar:

Proprietär programvara observerar: Vårt Worklogger-verktyg observerar hur hälso- och sjukvårdspersonal slutför sina uppgifter på distans. Sedan märker vårt team den data och matar den till vår automation för att ge en omfattande vy av nuvarande arbetsflöden och processer. Detta resulterar i högre synlighet i personalens prestation, grundläggande data om arbetsflödena för att driva vår automation och en exakt tid-per-uppgift-analys.

AI utför: Efter att ha observerat och lärt sig hälso- och sjukvårdspersonalens arbetsflöden utför vår AI dessa uppgifter autonomt. Den lär sig kontinuerligt av problem och avvikelser den möter, och tar itu med mer komplexa uppgifter över tid. Unified Automation sitter uppströms i arbetsköerna – tilldelar sig tillämpliga uppgifter och slutför dem utan att störa teamet. Den optimerar också automatiskt processer så att ingen inställning eller ingripande krävs från personalen.

Mänsklig expertis säkerställer: Systemet flaggar automatiskt för vårt team av medicinska faktureringsexperter för att hantera undantag och avvikelser, och tränar AI:n i realtid medan de arbetar. Detta är experten-i-loopen. Med kontinuerligt lärande inbyggt blir Unified Automation-plattformen smartare och mer effektiv över tid, och arbetet blir alltid gjort.

Finns det något annat du vill dela om AKASA?

Vi har en forskningsbaserad approach, vilket innebär att våra kunder har tillgång till ledande teknik. Vi är engagerade i att publicera vår AI och tillvägagångssätt i peer-granskade publikationer för att kontinuerligt sätta nya standarder för AI inom hälso- och sjukvårdsverksamhet och för att leda hela vår bransch framåt.

Till exempel har vår forskning presenterats på den internationella konferensen om maskinlärning (ICML), den naturliga språkbehandlingskonferensen (NLP) och maskinlärningskonferensen för hälso- och sjukvård (MLHC), bland andra. Vi tar en mycket disciplinerad approach för att testa våra modeller och jämföra prestandan mot de senaste AI-approcherna på marknaden.

Vår förutsägelse av avslag är troligen den första publicerade djupinlärningsbaserade systemet som kan förutsäga medicinska anspråksavslag med mer än 22 % jämfört med befintliga baslinjer. Vår Read, Attend, Code-modell för autonom kodning av medicinska anspråk från kliniska anteckningar har erkänts som en definition av en ny standard för branschen och har överträffat befintliga modeller med 18 % – och överträffar produktiviteten hos mänskliga kodare. Vi tror att dessa bakomliggande innovationer är avgörande för att förbättra det amerikanska hälso- och sjukvårdssystemet i stor skala och kommer att fortsätta att driva framsteg och bygga anpassade lösningar för det här området.

Det finns mycket hype kring AI inom hälso- och sjukvården, men när det kommer till kritan kan företag överdriva vad deras teknik faktiskt kan göra. Det är mycket svårare att genomföra forskning för att validera vad algoritmerna gör – och vi är stolta över att ha tagit den meningsfulla, men utmanande, vägen för att till slut bevisa att AKASAs Unified Automation-plattform verkligen för med sig positiv och meningsfull förändring för sjukhus och hälso- och sjukvårdssystem.

Vi är entusiastiska över framtiden och vad som kommer att hända på AKASA medan vi bygger hälso- och sjukvårdens framtid med AI.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka AKASA.