วรุณ กานาปถิ CTO และผู้ร่วมก่อตั้ง AKASA – สัมภาษณ์เชิงลึก

วรุณ กานาปถิ เป็น CTO และผู้ร่วมก่อตั้ง AKASA ผู้พัฒนา AI สำหรับการใช้งานในด้านการดูแลสุขภาพ AKASA ช่วยให้องค์กรด้านสุขภาพสามารถปรับปรุงการดำเนินงาน รวมถึงวงจรการเรียกเก็บและรับชำระเงิน เพื่อเพิ่มรายได้ เพิ่มประสิทธิภาพ และปรับปรุงประสบการณ์ของผู้ป่วย วรุณ มีประสบการณ์ในการก่อตั้งบริษัท AI สองแห่งก่อนที่จะเข้าร่วม AKASA หนึ่งในนั้นถูกซื้อกิจการโดย Google (GOOGL ) และอีกแห่งถูกซื้อกิจการโดย Udacity

คุณมีประสบการณ์ที่โดดเด่นในด้านการเรียนรู้ของเครื่อง คุณสามารถพูดถึงประสบการณ์ในช่วงต้นของคุณที่ Stanford เมื่อคุณทำงานเกี่ยวกับการทำให้เฮลิคอปเตอร์เป็นอัตโนมัติได้หรือไม่?

เมื่อเรียนฟิสิกส์ระดับปริญญาตรีที่ Stanford ผมสนใจวิทยาการคอมพิวเตอร์และแมชชีนเลิร์นนิง (ML) มากเช่นกัน สำหรับผม AI และ ML รวมทุกอย่างไว้ด้วยกัน เป็นวิธีอัตโนมัติในการนำฟิสิกส์มาใช้กับปรากฏการณ์ใดก็ตามที่แปลงเป็นข้อมูลดิจิทัลได้

ในโครงการนี้ เรามีเฮลิคอปเตอร์ที่ดูเหมือนโดรนขนาดใหญ่ แต่เล็กกว่าที่นอนเตียงเดี่ยวเล็กน้อย ในยุคที่โดรนยังไม่แพร่หลาย คนบังคับมันให้แสดงท่าต่าง ๆ เช่น ลอยตัวกลับหัว แม้จะทำได้ยากมาก แต่เราต้องการสร้างอัลกอริทึม ML ที่เรียนรู้จากมนุษย์ว่าจะบินเฮลิคอปเตอร์นี้อย่างอัตโนมัติได้อย่างไร

เราสร้างตัวจำลองฟิสิกส์จากเฮลิคอปเตอร์จริง และอัลกอริทึม ML ที่เรียนรู้การคาดการณ์การเคลื่อนไหวของมัน จากนั้นใช้การเรียนรู้แบบเสริมกำลังในตัวจำลองเพื่อพัฒนาระบบควบคุม แล้วนำซอฟต์แวร์ไปติดตั้งในเฮลิคอปเตอร์จริง เมื่อเปิดเครื่อง มันทำงานได้ตั้งแต่ครั้งแรก! เฮลิคอปเตอร์ลอยตัวกลับหัวได้ทันทีด้วยตัวเอง ซึ่งน่าประทับใจมาก ทีมงานยังคงใช้ ML เพื่อทำให้ท่าบินชนิดอื่นทำงานได้อัตโนมัติต่อไป

คุณยังทำงานที่ Google Books เช่นกัน คุณสามารถพูดถึงอัลกอริทึมที่คุณทำงานและวิธีที่บริษัทของคุณถูกซื้อกิจการโดย Google ได้หรือไม่?

ฉันทำการฝึกงานที่ Google ในช่วงปี 2004 ในขณะที่ฉันยังคงเรียนที่ Stanford – ซึ่งเป็นหลังจากโครงการเฮลิคอปเตอร์ ในช่วงเวลานั้น ฉันทำงานเกี่ยวกับการใช้ ML สำหรับโครงการ Google Books โดยเรากำลังสแกนหนังสือทั้งหมดในโลก

Google จ่ายเงินให้กับคนหลายคนเพื่อทำการระบุรายละเอียดเกี่ยวกับหนังสือ เช่น หน้า ตารางเนื้อหา ลิขสิทธิ์ ฯลฯ – ซึ่งเป็นงานที่ใช้เวลานาน ฉันต้องการทราบว่าเราสามารถใช้ ML ในการทำงานนี้ได้หรือไม่ และมันทำงานได้ดีมาก มันสามารถทำงานได้ดีกว่าและแม่นยำกว่าเมื่อมนุษย์ทำการระบุรายละเอียดเหล่านี้ เพราะความผิดพลาดส่วนใหญ่เกิดจากมนุษย์ระหว่างการติดป้ายกำกับด้วยมือ

สิ่งนี้ทำให้ผมตื่นเต้นกับ ML มาก เพราะแสดงให้เห็นว่าเราสามารถก้าวจากประสิทธิภาพระดับมนุษย์ไปสู่ระดับที่เหนือมนุษย์ได้ โดยทำงานประจำที่น่าเบื่อด้วยข้อผิดพลาดน้อยกว่าและสม่ำเสมอกว่า พร้อมรับมือกับกรณีขอบได้ด้วย

จากนั้นผมตัดสินใจเรียนปริญญาเอกที่ Stanford โดยมุ่งเน้น ML และงานวิจัยเชิงทฤษฎีในช่วงแรก สำหรับวิทยานิพนธ์ ผมพัฒนาอัลกอริทึมจับการเคลื่อนไหวแบบเรียลไทม์ ซึ่งทำให้คอมพิวเตอร์ติดตามการเคลื่อนไหวของข้อต่อทุกจุดในร่างกายมนุษย์จากกล้องวัดความลึกได้แบบเรียลไทม์ นี่เป็นพื้นฐานของ Numovis บริษัทแรกของผม ซึ่งเน้นการติดตามการเคลื่อนไหวและคอมพิวเตอร์วิทัศน์สำหรับการโต้ตอบกับผู้ใช้ Google ได้ซื้อกิจการบริษัทนี้

การเดินทางของฉันจากโครงการเฮลิคอปเตอร์ไปจนถึง Google Books และรถยนต์ไร้คนขับ และตอนนี้การดำเนินงานด้านสุขภาพ แสดงให้เห็นว่าอัลกอริทึมการเรียนรู้ของเครื่องมีประสิทธิภาพและทั่วไปมาก

คุณสามารถแบ่งปันเรื่องราวเกี่ยวกับการก่อตั้ง AKASA ได้หรือไม่?

เราสร้าง AKASA เพื่อแก้ปัญหาที่ใหญ่และซับซ้อนในการดำเนินงานด้านสุขภาพ ซึ่งเป็นปัญหาที่มีค่าใช้จ่ายสูงและเกิดความผิดพลาดได้ง่าย ซึ่งอาจทำให้ผู้ป่วยมีประสบการณ์ทางการเงินที่ไม่จำเป็นและก่อให้เกิดความวิตกกังวล มีการขาดนวัตกรรมทางเทคโนโลยีในด้านการบริหารจัดการ และไม่มีอะไรที่ถูกสร้างขึ้นโดยเฉพาะสำหรับด้านนี้ เราเห็นชัดว่าสามารถใช้เทคโนโลยีอย่าง AI และ ML แก้ความท้าทายด้านการดำเนินงานเหล่านี้ด้วยแนวทางใหม่ได้ เมื่อเราพูดคุยกับระบบสุขภาพและผู้นำด้านสุขภาพหลายแห่ง พวกเขายืนยันความคิดของเรา ซึ่งนำไปสู่การก่อตั้ง AKASA ในปี 2019

ด้วยวัตถุประสงค์ที่ชัดเจนตั้งแต่เริ่มต้น AKASA มุ่งหมายเพื่อช่วยให้การดูแลสุขภาพของมนุษย์ และสร้างอนาคตของการดูแลสุขภาพด้วย AI วิธีที่เราตัดสินใจในการแก้ไขปัญหานี้คือการรวมความฉลาดของมนุษย์กับ AI และ ML ที่ทันสมัย เพื่อให้ระบบสุขภาพสามารถลดค่าใช้จ่ายในการดำเนินงานและจัดสรรทรัพยากรไปยังจุดที่สำคัญที่สุด

แพลตฟอร์มของเราที่ไม่ขึ้นอยู่กับระบบและยืดหยุ่นได้ขณะนี้ให้บริการลูกค้าที่มีโรงพยาบาลและระบบสุขภาพมากกว่า 475 แห่ง และศูนย์บริการผู้ป่วยนอกมากกว่า 8,000 แห่ง ทั่วทั้ง 50 รัฐของสหรัฐอเมริกา เทคโนโลยีของเราช่วยเหลือองค์กรเหล่านี้ไม่ว่าจะใช้ระบบบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) เช่น Epic, Cerner, หรือระบบ EHR อื่น ๆ หรือระบบเสริม และระบบต่าง ๆ ที่เกี่ยวข้อง และเราทำได้ด้วยผลลัพธ์ที่ดี

ฐานลูกค้าของเรามีรายได้สุทธิรวมจากการดูแลผู้ป่วยมากกว่า 110 พันล้านดอลลาร์สหรัฐฯ ซึ่งเท่ากับมากกว่า 10% ของการใช้จ่ายของระบบสุขภาพทั้งหมดในแต่ละปีตามข้อมูลจาก Centers for Medicaid and Medicare Services และโมเดลและอัลกอริทึมของ AKASA ได้รับการฝึกอบรมจากคำขอเบิกค่ารักษาและเอกสารการชำระเงินเกือบ 290 ล้านรายการ

การดำเนินงานด้านสุขภาพที่ไม่เห็นได้ซับซ้อนมาก แต่มีผลกระทบอย่างมากต่อสุขภาพของมนุษย์ และเรากำลังทำให้มันทำงานโดยอัตโนมัติทีละส่วน

คุณสามารถพูดถึงงานที่ AKASA กำลังพยายามทำให้ทำงานโดยอัตโนมัติในด้านสุขภาพได้หรือไม่?

วิธีการทำงานแบบผู้เชี่ยวชาญในวงจรของเรา คือ Unified Automation™ ซึ่งรวม ML เข้ากับการตัดสินใจและความเชี่ยวชาญของมนุษย์ เพื่อให้การทำงานโดยอัตโนมัติที่มีความแข็งแรงและยืดหยุ่นสำหรับการดำเนินงานด้านสุขภาพ AKASA สามารถทำงานโดยอัตโนมัติและปรับปรุงกระบวนการทำงานตั้งแต่ต้นจนจบในงานการเงินด้านสุขภาพ รวมถึงการประมวลผลบิลและการชำระเงิน

งานเฉพาะที่ AKASA สามารถทำงานโดยอัตโนมัติได้ รวมถึงการตรวจสอบสิทธิ์ผู้ป่วย การบันทึกและยืนยันข้อมูลการประกันภัย การประมาณการค่าใช้จ่ายของผู้ป่วย การแก้ไข การเรียกเก็บเงินใหม่ และการอุทธรณ์คำขอเบิกค่ารักษา และการคาดการณ์และจัดการการปฏิเสธคำเรียกร้อง

ระบบอัตโนมัติประเภทนี้ไม่เพียงลดความผิดพลาดของมนุษย์และความล่าช้าสำหรับผู้ป่วย ซึ่งช่วยป้องกันค่ารักษาพยาบาลที่มาโดยไม่คาดคิด แต่ยังปลดภาระงานซ้ำ ๆ ที่ต้องทำด้วยมือออกจากบุคลากรทั้งหมด ทำให้พวกเขามุ่งเน้นงานที่คุ้มค่า ท้าทาย และสร้างคุณค่าต่อประสบการณ์ของผู้ป่วยได้มากขึ้น

คุณสามารถพูดถึงประเภทของอัลกอริทึมการเรียนรู้ของเครื่องต่างๆ ที่ใช้ได้หรือไม่?

AKASA ใช้แนวทางการเรียนรู้ของเครื่องแบบเดียวกับที่ทำให้รถยนต์ไร้คนขับเป็นไปได้ เพื่อให้ระบบสุขภาพมีวิธีแก้ปัญหาเดียวสำหรับการทำงานโดยอัตโนมัติในด้านการดำเนินงานด้านสุขภาพ แนวทางนี้มีศูนย์กลางอยู่ที่ ML และขยายความสามารถของการทำงานโดยอัตโนมัติเพื่อทำงานที่ซับซ้อนมากขึ้นในวงกว้าง

เราพัฒนาแอลกอริทึมที่ทันสมัยที่สุดในด้านการมองเห็นของคอมพิวเตอร์ การทำความเข้าใจภาษาธรรมชาติ และปัญหาเกี่ยวกับข้อมูลที่มีโครงสร้าง แพลตฟอร์มของเราตั้งต้นด้วย RPA ที่ใช้การมองเห็นของคอมพิวเตอร์ และเพิ่มความสามารถด้วย AI และ ML ที่ทันสมัย และผู้เชี่ยวชาญในวงจรเพื่อให้การทำงานโดยอัตโนมัติที่มีความแข็งแรง

เพื่อให้ภาพรวมของวิธีการทำงาน เราเริ่มต้นด้วยการดูว่าพนักงานด้านสุขภาพทำงานอย่างไร จากนั้นเราก็ให้ทีมของเราบันทึกข้อมูลนั้นและใช้ข้อมูลนั้นในการฝึกอบรมอัลกอริทึมของเรา เพื่อให้เทคโนโลยีของเราสามารถเข้าใจและเรียนรู้ว่าพนักงานด้านสุขภาพและระบบของพวกเขาทำงานอย่างไร

จากนั้น แพลตฟอร์มของเราจะทำงานโดยอัตโนมัติในกระบวนการทำงานเหล่านั้น สุดท้าย เราใช้ผู้เชี่ยวชาญในวงจรที่สามารถเข้ามาเมื่อระบบของเราต้องการความช่วยเหลือจากมนุษย์ AI ของเรายังคงเรียนรู้จากประสบการณ์เหล่านั้น ทำให้สามารถทำงานที่ซับซ้อนมากขึ้นได้

คุณสามารถพูดถึงความสำคัญของวิธีการทำงานแบบผู้เชี่ยวชาญในวงจรและวิธีที่มันจะมาแทนที่ RPA ได้หรือไม่?

ความจริงที่ยากคือ RPA เป็นเทคโนโลยีที่มีอายุหลายทศวรรษที่มีข้อจำกัดและความไม่แน่นอน มันจะมีคุณค่าในการทำงานโดยอัตโนมัติสำหรับงานที่ง่ายๆ ที่ไม่ซับซ้อนและเป็นเส้นตรง แต่สาเหตุที่ความพยายามในการทำงานโดยอัตโนมัติมักจะล้มเหลวคือเพราะชีวิตมีความซับซ้อนและเปลี่ยนแปลงอยู่เสมอ

แนวทางพื้นฐานของ RPA คือสร้างหุ่นยนต์หรือบอตสำหรับแต่ละปัญหาหรือเส้นทางการทำงานที่ต้องการแก้ไข มนุษย์ซึ่งเป็นที่ปรึกษาหรือวิศวกรสร้างบอตเพื่อแก้ปัญหาเฉพาะ บอตเข้ามาแทนชุดขั้นตอน มองหน้าจอ ลงมือทำ และทำซ้ำ ปัญหาที่พบบ่อยคือการเปลี่ยนแปลง เช่น การแก้ไขซอฟต์แวร์หรือส่วนติดต่อผู้ใช้ ทำให้บอตหยุดทำงาน เทคโนโลยีที่พัฒนาอยู่ตลอดสร้างสภาพแวดล้อมที่เปลี่ยนแปลงเสมอ จึงทำให้บอต RPA ล้มเหลวบ่อยครั้ง

อีกปัญหาหนึ่งของหุ่นยนต์เหล่านี้คือคุณต้องสร้างหุ่นยนต์หนึ่งตัวสำหรับสถานการณ์ที่คุณต้องการแก้ไข ซึ่งหมายความว่าคุณจะมีหุ่นยนต์หลายตัวที่ทำงานในสถานการณ์ที่ไม่ซับซ้อนและไม่ต้องการทักษะมากนัก

มันเหมือนเกมตีตัวตุ่น ทุกวันมีโอกาสที่บอตตัวใดตัวหนึ่งจะพัง เพราะซอฟต์แวร์เปลี่ยนไปหรือเกิดเรื่องผิดปกติ เช่น มีกล่องโต้ตอบปรากฏขึ้นหรือมีข้อมูลเข้าชนิดใหม่ ผลคือค่าบำรุงรักษาสูงเพื่อให้บอตทำงานต่อได้ งานวิจัยของ Forrester ระบุว่า ทุก 1 ดอลลาร์ที่ใช้กับ RPA จะมีค่าใช้จ่ายด้านที่ปรึกษาเพิ่มเติมอีก 3.41 ดอลลาร์

กล่าวอีกอย่างคือ ซอฟต์แวร์ RPA เองไม่ใช่ค่าใช้จ่ายส่วนใหญ่ ต้นทุนที่มากกว่าคืองานทั้งหมดที่ต้องทำเพื่อให้ RPA ทำงานอยู่ตลอด หลายองค์กรไม่ได้นับรวมค่าใช้จ่ายต่อเนื่องนี้

เนื่องจากชีวิตส่วนใหญ่ซับซ้อนและเปลี่ยนแปลงอยู่เสมอ งานจำนวนมากจึงเกินขีดความสามารถของ RPA ซึ่งเป็นจุดที่ ML เข้ามาช่วยให้เราทำงานยาก ๆ แบบอัตโนมัติได้ เราเชื่อว่าองค์ประกอบสำคัญคือมนุษย์ที่สอนและปรับปรุงอัลกอริทึม

เมื่ออัลกอริทึมไม่แน่ใจว่าควรทำอะไร หรือมีความมั่นใจต่ำ งานนั้นจะถูกส่งต่อให้มนุษย์ในกระบวนการ มนุษย์ติดป้ายกำกับตัวอย่างและระบุกรณีที่โมเดลปัจจุบันยังจัดการไม่ได้ เมื่อตรวจสอบแล้วพบว่า AI ทำถูกต้อง นั่นคืองานที่ทำงานได้ดี

ทุกงานที่มนุษย์พบปัญหาคือกรณีที่เครื่องยังจัดการไม่ถูกต้อง ข้อมูลกรณีนั้นจะถูกเพิ่มลงในชุดข้อมูลของเรา แล้วนำไปฝึกโมเดล ML ใหม่ให้รับมือกับสถานการณ์ใหม่นี้

เมื่อเวลาผ่านไป โมเดล ML จะรับมือกับกรณีขอบเหล่านี้ได้ดีขึ้น ส่งผลให้ระบบแข็งแรงและยืดหยุ่นต่อกรณีผิดปกติหรือข้อยกเว้นใหม่ ๆ และเก่งขึ้นเรื่อย ๆ ระบบอัตโนมัติจึงดีขึ้น ในขณะที่ความจำเป็นต้องให้มนุษย์แทรกแซงลดลงตามเวลา

การมีผู้เชี่ยวชาญในวงจรเป็นสิ่งสำคัญในการทำให้ AI ฉลาดขึ้นเร็วขึ้นและดีขึ้น เราต้องการผู้เชี่ยวชาญเพื่อฝึกอบรม AI และทำให้แน่ใจว่ามันสามารถจัดการกับกรณีไม่ปกติที่หลีกเลี่ยงไม่ได้ในอุตสาหกรรมใดๆ และโดยเฉพาะในด้านสุขภาพที่มีการเปลี่ยนแปลงอย่างรวดเร็ว

คุณสามารถอธิบายวิธีการทำงานของ Unified Automation และกรณีการใช้งานหลักๆ ของแพลตฟอร์มได้หรือไม่?

Unified Automation เป็นแพลตฟอร์มที่ถูกออกแบบมาเพื่อใช้ในด้านสุขภาพ โดยใช้ AI, ML และทีมผู้เชี่ยวชาญด้านการเรียกเก็บเงินเพื่อสร้างโซลูชันที่รวมเข้าด้วยกันและปรับแต่งให้เหมาะสม ซึ่งช่วยให้คุณเห็นคุณค่าได้เร็วขึ้น โดยแทบไม่ต้องมีการบำรุงรักษาหรือคิวข้อยกเว้น

ระบบได้รับการออกแบบโดยคำนึงถึงข้อยกเว้นและกรณีผิดปกติ หากพบสิ่งใหม่ แพลตฟอร์มจะแจ้งทีมผู้เชี่ยวชาญของ AKASA ให้แก้ไข และเรียนรู้จากการลงมือของพวกเขา องค์ประกอบของมนุษย์นี้ทำให้เราแตกต่างจากโซลูชันอื่นในตลาด และทำให้แพลตฟอร์มเรียนรู้และพัฒนาได้อย่างต่อเนื่อง

Unified Automation ยังปรับตัวตามลักษณะที่เปลี่ยนแปลงตลอดของวงการสุขภาพ เป็นโซลูชันที่เชื่อมต่ออย่างราบรื่นและปรับแต่งตามความต้องการ ช่วยลดต้นทุนดำเนินงาน ให้บุคลากรได้ทำงานที่คุ้มค่ากว่าและต้องใช้สัมผัสของมนุษย์ ช่วยให้ระบบสุขภาพจัดเก็บรายได้ดีขึ้น พร้อมปรับปรุงประสบการณ์ด้านการเงินของผู้ป่วย

วิธีการทำงานของ Unified Automation คือ:

ซอฟต์แวร์ที่เราพัฒนาเองสังเกตการณ์: เครื่องมือ Worklogger™ สังเกตจากระยะไกลว่าบุคลากรสุขภาพทำงานอย่างไร ทีมของเราติดป้ายกำกับข้อมูลและป้อนเข้าสู่ระบบอัตโนมัติ เพื่อให้เห็นภาพรวมของขั้นตอนและกระบวนการปัจจุบันอย่างครอบคลุม ทำให้มองเห็นผลการทำงานของบุคลากรชัดขึ้น ได้ข้อมูลพื้นฐานของขั้นตอนงานเพื่อใช้กับระบบอัตโนมัติ และวิเคราะห์เวลาต่อหนึ่งงานได้อย่างแม่นยำ

AI ลงมือทำ: หลังสังเกตและเรียนรู้ขั้นตอนการทำงานของบุคลากรสุขภาพ AI จะทำงานเหล่านั้นอย่างอัตโนมัติ เรียนรู้อย่างต่อเนื่องจากปัญหาและกรณีขอบที่พบ และรับงานซับซ้อนขึ้นเมื่อเวลาผ่านไป Unified Automation อยู่ต้นทางของคิวงาน เลือกงานที่เหมาะสมให้ตัวเองและทำจนเสร็จโดยไม่รบกวนทีม อีกทั้งปรับกระบวนการให้เหมาะสมอัตโนมัติ จึงไม่ต้องให้บุคลากรตั้งค่าหรือแทรกแซง

ความเชี่ยวชาญของมนุษย์รับประกันผล: ระบบแจ้งทีมผู้เชี่ยวชาญด้านการเรียกเก็บเงินทางการแพทย์ให้จัดการข้อยกเว้นและกรณีผิดปกติโดยอัตโนมัติ พวกเขาฝึก AI แบบเรียลไทม์ขณะทำงาน นี่คือส่วนที่ผู้เชี่ยวชาญเข้าร่วมในกระบวนการ ด้วยการเรียนรู้อย่างต่อเนื่องที่มีในตัว แพลตฟอร์ม Unified Automation จะฉลาดและมีประสิทธิภาพขึ้นตามเวลา และงานจะสำเร็จเสมอ

มีสิ่งอื่นที่คุณต้องการแบ่งปันเกี่ยวกับ AKASA หรือไม่?

เรามีแนวทางที่ให้ความสำคัญกับการวิจัย ซึ่งหมายความว่าลูกค้าของเรามีการเข้าถึงเทคโนโลยีที่ทันสมัยที่สุด เรามุ่งมั่นที่จะเผยแพร่ผลงาน AI และแนวทางของเราในงานวิจัยที่ได้รับการตรวจสอบจากผู้ทรงคุณวุฒิ เพื่อสร้างมาตรฐานใหม่สำหรับ AI ในด้านการดำเนินงานด้านสุขภาพ และนำอุตสาหกรรมของเราต่อไป

ตัวอย่างเช่น ผลงานวิจัยของเราถูกนำเสนอในงานประชุมสัมมนาระดับนานาชาติเกี่ยวกับการเรียนรู้ของเครื่อง (ICML) การประชุมสัมมนาด้านการประมวลผลภาษาธรรมชาติ (NLP) และการประชุมสัมมนาเกี่ยวกับการเรียนรู้ของเครื่องสำหรับการดูแลสุขภาพ (MLHC) เป็นต้น เราใช้แนวทางที่มีวินัยอย่างยิ่งในการทดสอบโมเดลของเราและเปรียบเทียบผลการทำงานกับแนวทาง AI ที่ทันสมัยที่สุดในตลาด

โซลูชันการคาดการณ์การปฏิเสธคำเรียกร้องของเราถือเป็นระบบแรกที่ใช้การเรียนรู้ลึกที่สามารถคาดการณ์การปฏิเสธคำเรียกร้องได้อย่างแม่นยำมากกว่า 22% เมื่อเทียบกับแนวทางที่มีอยู่ โมเดล Read, Attend, Code ของเราสำหรับการลงรหัสคำขอเบิกค่ารักษาพยาบาลโดยอัตโนมัติจากบันทึกทางคลินิกได้รับการยอมรับว่าเป็นมาตรฐานใหม่สำหรับอุตสาหกรรม และสามารถทำงานได้ดีกว่าโมเดลที่มีอยู่ 18% และสามารถทำงานได้ดีกว่าผู้ลงรหัสที่เป็นมนุษย์

เรามั่นใจว่านวัตกรรมเหล่านี้เป็นสิ่งสำคัญในการปรับปรุงระบบสุขภาพของสหรัฐฯ ในระดับใหญ่ และจะยังคงผลักดันให้เกิดความก้าวหน้าและสร้างโซลูชันที่ปรับแต่งให้เหมาะสมสำหรับพื้นที่นี้

มีการตลาดที่มากเกินไปเกี่ยวกับ AI ในด้านสุขภาพ แต่เมื่อมันลงมาถึงสิ่งที่สำคัญ บริษัทต่างๆ สามารถทำให้เทคโนโลยีของพวกเขาดูเหมือนมากกว่าที่เป็นจริงได้ มันคือเรื่องที่ท้าทายในการทำการวิจัยเพื่อยืนยันว่าอัลกอริทึมเหล่านั้นทำงานได้ดีจริงๆ และเราภูมิใจที่จะเดินไปตามเส้นทางที่มีความหมายและท้าทายเพื่อแสดงให้เห็นว่าแพลตฟอร์ม Unified Automation ของ AKASA กำลังนำไปสู่การเปลี่ยนแปลงเชิงบวกและเป็นประโยชน์ต่อโรงพยาบาลและระบบสุขภาพ

เรารู้สึกตื่นเต้นเกี่ยวกับอนาคตและทุกสิ่งที่จะเกิดขึ้นที่ AKASA เมื่อเราก้าวไปสู่การสร้างอนาคตของการดูแลสุขภาพด้วย AI

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเยี่ยมชม AKASA เพื่อเรียนรู้เพิ่มเติม