Dr. Rihan Javid, CEO a spoluzakladatel Rinovy – Interview Series

Dr. Rihan Javid, CEO a spoluzakladatel Rinovy AI, je physician-executive a podnikatel zaměřený na modernizaci zdravotnických operací prostřednictvím umělé inteligence. Kromě vedení Rinovy je také spoluzakladatel a prezident Edge, který poskytuje řešení pro vzdálenou pracovní infrastrukturu pojišťovnám, lékařským a zubním ordinacím. Jako praktický psychiatr目前 působí jako lékařský ředitel a hlavní lékařský důstojník v CommonSpirit Health a St. Joseph’s Behavioral Health Center, a zároveň zastává klinickou roli v Touro University Medical Group. Jeho předchozí zkušenosti zahrnují praxi v psychiatrii v The Permanente Medical Group, Inc. a dokončení rezidenčního výcviku v California Pacific Medical Center a University of South Florida, spolu s předchozími zkušenostmi jako principal v právní rekrutaci.

Rinova AI je zdravotnická technologická společnost zaměřená na AI-driven revenue cycle management a automatizaci lékařského fakturace. Platforma je navržena tak, aby snižovala administrativní zátěž pro poskytovatele zdravotní péče automatizací klíčových procesů, jako je ověření pojištění, optimalizace kódování, podání nároků a řízení odmítnutí. Díky využití umělé inteligence pro optimalizaci workflow a zlepšení přesnosti si Rinova klade za cíl dosáhnout významných úspor nákladů ve srovnání s tradičními fakturačními službami, zatímco urychluje vyplácení náhrad a zlepšuje finanční výkony zdravotnických organizací.

Vy jste spoluzakladatel Edge v roce 2021 po letech práce jako psychiatr a později jako lékařský ředitel a CMO. Z pohledu AI, jaké早ní signály jste zaznamenal v fakturačních postupech, jako je fragmentovaná data, měnící se pravidla plátců nebo manuální výjimky, které vás přesvědčily, že automatizace bude nakonec nevyhnutelná?

Když jsem pracoval a později řídil klinické operace, viděl jsem, jak banyak třecích ploch existuje ve fakturaci. Data žila v několika systémech, které se nedaly dobře komunikovat. Pravidla plátců se měnila neustále. Zaměstnanci trávili hodiny opravou nároků z důvodů, které byly často předvídatelné.

To, co mě zaujalo, byla repetitivnost. Stejné chyby, stejné vzorce odmítnutí, stejné mezery v dokumentaci. Tyto nebyly vzácné, nuancované problémy. Byly to opakující se provozní selhání. Při určitém měřítku si uvědomíte, že požadovat od lidí, aby ručně spravovali tu složitost, není udržitelné. To je okamžik, kdy je zřejmé, že automatizace není volitelná. Je nevyhnutelná.

Když jste spustil Rinovu AI několik let později, co se změnilo na technologické nebo datové straně, aby bylo možné aplikovat AI na revenue cycle management způsobem, který by mohl spolehlivě fungovat proti aktuálním pravidlům plátců a reálné složitosti nároků?

Dvě věci se změnily. První byla zlepšení datového prostředí. Integrace mezi EHR, clearing house a fakturačními platformami se staly více strukturovanými. To nám poskytlo čistější vstupy a silnější zpětné vazby.

Druhá věc byla, že se technologie zlepšila. Přesáhli jsme jednoduché rules engine. Modely se staly schopnými vyhodnocovat kontext, ne jen kontrolovat políčka. To nám umožnilo analyzovat dokumentaci, kódování a logiku plátců společně, místo samostatně.

Nebylo to, že fakturace náhle стала jednoduchou. Bylo to, že ekosystém se stal dostatečně stabilním pro spolehlivou funkci AI.

Revenue cycle management tradičně spoléhá na statická pravidla a post-denial recovery. Jakým způsobem změna zavedení AI dříve ve workflow mění, jak nemocnice myslí o finančním riziku a předvídatelnosti náhrad?

Tradičně, týmy revenue cycle přijímají určitou úroveň odmítnutí jako součást podnikání. Práce začíná až poté, co něco goes wrong.

Když je AI zaveden upstream, cílem se stává prevence, nikoli recovery. Můžete identifikovat mezery v dokumentaci nebo nesoulad v kódování před podáním. To snižuje variabilitu v náhradách.

Nemocnice začínají méně myslet na honbu za příjmy a více na kontrolu rizika, než se objeví. To mění předpověď, modely personálu a dokonce i diskuse na úrovni správní rady o finanční stabilitě.

AI systémy často fungují dobře na standardních případech, ale bojují na okrajích. V dnešních fakturačních operacích, které scénáře jsou nejúčinněji zpracovány automatizací a kde hraje lidský úsudek stále kritickou roli?

Automatizace funguje nejlépe ve strukturovaných, high-volume úkolech. Kontrola způsobilosti, validace autorizace, kódování konzistence a detekce vzorců odmítnutí jsou všechny oblasti, kde stroje mohou zpracovat rychleji a konzistentněji než lidé.

Lidský úsudek stále hraje roli v edge případech. Odvolání, která vyžadují klinickou nuanci, smluvní spory, neobvyklé chování plátců nebo komplexní pacientské scénáře, všechny profitují z zkušeností a úsudku. AI může identifikovat riziko. Lidé stále interpretují šedé oblasti a činí konečné rozhodnutí.

Edge vkládá healthcare-trained revenue cycle týmy do nemocničních workflow, zatímco Rinova automatizuje rozhodování upstream. Jak přistupujete k návrhu AI systémů, které posilují lidské rozhodování, místo aby zavedly nové provozní riziko?

Přistupujeme k AI jako k podpůrné vrstvě, ne jako náhradě. Systém předkládá doporučení a vysvětluje svou logiku. Naši healthcare-trained týmy zůstávají vloženy do workflow.

Tato struktura má význam. AI zpracovává měřítko a rozpoznávání vzorců. Lidé zpracovávají dohled a odpovědnost. Když jsou tyto role jasně definovány, snižujete riziko, místo aby jej zvyšovaly.

Cílem je snížit kognitivní přetížení, ne odstranit lidský úsudek.

Pojišťovací politiky se mění často a nejsou vždy vynucovány konzistentně. Jak real-time pojišťovací inteligence mění zpětnou vazbu mezi podáním nároků, odmítnutím a kontinuálním zlepšováním modelu?

Pojišťovací politiky se mění často a vynucování není vždy konzistentní. Historicky, organizace aktualizovaly pravidla periodicky a doufaly, že jsou aktuální.

S real-time zpětnou vazbou, každé odmítnutí a schválení se stává datovým bodem. Model se učí z skutečných výsledků, nikoli z statických předpokladů. To zkracuje mezera mezi změnou politiky a provozní úpravou.

Časem, to snižuje překvapivé odmítnutí a zlepšuje přesnost podání. To dělá systém více adaptabilním.

Nemocnice jsou pochopitelně opatrné vůči AI systémům, které ovlivňují peněžní tok. Jakou úroveň transparentnosti nebo kontroly by měli očekávat healthcare lídři, než budou důvěřovat AI-driven fakturačním rozhodnutím?

Lídi by měli očekávat jasnost. Měli by rozumět, proč bylo doporučení učiněno. Měli by být schopni ho zrušit. A měli by mít jasnou auditní stopu.

Revenue cycle přímo dopadá na peněžní tok a compliance. Důvěra pochází z viditelnosti a kontroly, ne z bezhlavé automatizace. Jakýkoli AI systém fungující v tomto prostoru musí splňovat tento standard.

Personální nedostatek v revenue cycle týmech je často považován za problém pracovních sil. Z vašeho pohledu, kolik problému je ve skutečnosti zakořeněno v kvalitě dat a návrhu workflow, a kde může AI mít největší dopad?

Personální výzvy jsou reálné, ale mnoho z nich je zesíleno špatným návrhem workflow. Když týmy tráví většinu času opravou předvídatelných chyb, vyhoření se zvyšuje a produktivita klesá.

Pokud vyčistíte datové vstupy a snížíte avoidable odmítnutí, stejný tým může fungovat efektivněji. AI má největší dopad tam, kde odstraňuje opakující se rework a standardizuje procesy.

Často, problém není prostě headcount. Je to tření.

Jak očekáváte, že se role revenue cycle týmů bude vyvíjet v průběhu příštích několika let v oblasti dohledu, výjimečného zpracování a governance?

Očekávám, že revenue cycle týmy se stanou více strategickými. Méně času na opakující se zpracování. Více času na dohled, komplexní odvolání, jednání s plátci a analýzu výkonu.

Jak automatizace zpracovává rutinní práci, lidské týmy se posunou směrem k governance a optimalizaci. To elevuje funkci, místo aby ji zmenšovalo.

Pohledem do budoucnosti, očekáváte, že AI-driven revenue cycle platformy se stanou jádrem finančních infrastruktur pro nemocnice, místo aby byly volitelnými nástroji, a co by tato změna umožnila organizacím, které fungují pod neustálým tlakem marží?

Ano. Tlak marží neodejde. Předvídatelnost v náhradách se stane essenciální.

AI-driven platformy, které zlepšují přesnost a snižují úniky, se stanou od volitelných nástrojů jádrem finančních infrastruktur. Když peněžní tok se stane více stabilním, nemocnice mohou plánovat s větší jistotou a investovat více úmyslně do pacientské péče.

To je konečný výsledek, o který nám jde.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Rinovu AI nebo Edge.