Rajan Kohli, generální ředitel CitiusTech – Interview Series

Rajan Kohli je generální ředitel CitiusTech a je zodpovědný za strategický směr společnosti a další misi CitiusTech, která spočívá v urychlování inovací ve zdravotnické technologie a vytváření dlouhodobé hodnoty pro klienty. Rajan je velmi zkušený manažer v oblasti technologických služeb s zkušenostmi z digitální transformace, aplikací a inženýrských služeb.

Předtím, než se stal generálním ředitelem CitiusTech, strávil Rajan přes 27 let ve společnosti Wipro a naposledy byl prezidentem divize Wipro’s iDEAS (Integrated Digital, Engineering and Application Services). Vedl globální obchodní linku s výnosy 6 miliard dolarů a byl zavázán pomoci klientům po celém světě urychlit jejich transformaci a změnit, jak budují a dodávají digitální produkty, služby a zkušenosti.

CitiusTech je přední poskytovatel poradenských a digitálních technologií pro zdravotnické a farmaceutické společnosti. Jako strategičtí partneři světových lídrů v oblasti zdravotního pojištění, poskytovatelů zdravotní péče, MedTech a farmaceutických společností urychluje CitiusTech inovace, obchodní transformaci a konvergenci celého odvětví. Hrají hlubokou a smysluplnou roli v urychlování digitálních inovací, vytváření udržitelné hodnoty a zlepšování výsledků ve zdravotnickém systému.

Jaké jsou klíčové prvky pro úspěšnou implementaci strategií digitální transformace ve zdravotnických a farmaceutických organizacích?

Zdravotnický průmysl se potýkal s přijetím digitálních řešení, s úspěšnými digitálními transformačními cestami, které se vyskytly sporadicky v průběhu let. Ale s technologií, která je připravena pohánět paradigmatický skok v péči o pacienty, je čas pro toto odvětví překonat tyto výzvy.

Digitální transformace má potenciál pozitivně ovlivnit zdravotnictví napříč všemi specializacemi. Například výrobci specializovaných léků musí řešit mnoho požadavků ze strany různých zúčastněných stran a ekosystému, aby splnili své neustále rostoucí požadavky. Navigace v tomto složitém síti zúčastněných stran a ekosystému není snadná, a mnoho z nich se obrací na služby podpory pacientů, které přebírají tyto odpovědnosti od výrobců léků a optimalizují výkon léků. Nicméně, protože služby podpory pacientů čelí výzvám ve věci škálovatelnosti a efektivity kvůli rostoucím objemům, mnoho výrobců specializovaných léků musí přijmout strategie digitální transformace, aby streaminovaly operace a zvýšily celkovou efektivitu.

Implementace digitální transformace ve zdravotnictví a farmaceutickém průmyslu vyžaduje trojicí multifacetský přístup.

• Vedoucí závazek je nezbytný pro řízení a udržení těchto iniciativ, zajišťující, že existuje shora dolů schválení a soulad se strategickými cíli. To znamená nejen vytvoření jasné vize a roadmapu, který stanoví konkrétní cíle a milníky, ale také investice do technologií a inovativních řešení.
• Robustní správa dat je dalším kritickým prvkem. Vytvoření silných rámců pro správu informací zajišťuje kvalitu dat, bezpečnost a soulad s předpisy. To zahrnuje stanovení standardů pro data, politik a procesů pro správu dat, jakož i využití pokročilých analytik a big data technologií pro extrakci akčních informací ze zdravotních dat.
• Interoperabilita je zásadní pro digitální transformaci, vyžadující přijetí průmyslových standardů, jako jsou HL7, FHIR a DICOM, pro usnadnění bezproblémové výměny dat mezi různými systémy a platformami. Používání integračních platforem a middleware řešení může propojit nesourodé systémy, zajišťující plynulý tok dat a komunikaci napříč organizací. Přijetím interoperability plně budou organizace schopny pohánět více efektivní, efektivní a pacientstředné poskytování zdravotní péče.

Ale nakonec, digitální transformace začíná a končí s pacientem. Zdravotnické organizace mohou automatizovat tolik procesů, kolik chtějí, ale pokud nezmění zkušenost nebo hodnotu, kterou pacient obdrží, bude velmi obtížné dosáhnout úspěchu. Pacientstřední přístup s implementací digitálních zdravotních řešení, která zlepšují zapojení pacientů, zlepšují přístup k péči a umožňují personalizované léčebné plány, jsou nezbytné.

Jak je generativní umělá inteligence (Gen AI) aktuálně používána ke zlepšení zdravotnických léčebných postupů a zlepšení výsledků pacientů?

Generativní (Gen) AI nabízí transformační výhody napříč zdravotnickým ekosystémem. Pro zdravotnictví, odvětví, ve kterém mnoho přetrvávajících problémů lze připsat neefektivním interakcím mezi lidmi a stroji, má Gen AI sílu mostu mezi touto mezerou a skutečnou demokratizací zdravotnictví.

To je zvláště pravdivé v případě personalizované medicíny. Vývoj léčebných plánů, které jsou personalizovány pro konkrétní pacienty, může být obtížný a časově náročný, pokud se provádí manuálně. Používáním Gen AI analyzují algoritmy genetická data a historii pacientů a vytvářejí personalizované léčebné plány přizpůsobené jedinečné genetické skladbě a zdravotní historii pacienta. Jakmile jsou léčebné plány na místě, je zásadní, aby pacienti měli 24/7 přístup k AI poháněným virtuálním zdravotním asistentům, což zlepšuje zapojení pacientů, efektivnější léčby a lepší výsledky pacientů.

Gen AI hraje také významnou roli v urychlování procesu schvalování a spuštění léků. Pandemie ukázala potenciál pro rychlý vývoj léků, poháněný schopnostmi AI. Gen AI urychluje vývoj nových léků simulací molekulárních interakcí a předpovědí, které sloučeniny jsou pravděpodobně účinné. To významně snižuje čas a náklady spojené s tradičními metodami objevu léků. Tyto AI poháněné platformy mohou také generovat potenciální kandidáty na léky a optimalizovat jejich chemické struktury, urychlování procesu od konceptu k klinickým zkouškám.

Gen AI algoritmy také zlepšují přesnost lékařského zobrazování, zlepšují kvalitu obrazu a pomáhají při detekci anomálií. Tímto způsobem usnadňuje časnou diagnózu a léčbu stavů, jako je rakovina, což významně zlepšuje výsledky pacientů.

Nakonec, prediktivní analýzy poháněné Gen AI mají průlomový potenciál. Prediktivní Gen AI modely analyzují obrovské množství zdravotních dat, aby předpověděly propuknutí nemocí, readmise pacientů a potenciální komplikace, umožňující proaktivní intervenci a lepší řízení chronických onemocnění.

Jak může generativní umělá inteligence (Gen AI) pomoci při snižování rutinních úkolů pro zdravotnické pracovníky, aby se mohli soustředit více na péči o pacienty a inovace?

Gen AI může výrazně snížit zátěž rutinních úkolů pro zdravotnické pracovníky, jako je klinická dokumentace, plánování schůzek, správa zdravotních záznamů a zpracování pojistných nároků. Zdravotničtí pracovníci jsou tak volní soustředit se na péči o pacienty a inovace.

Například, zdravotničtí pracovníci se silně spoléhají na Elektronické zdravotní záznamy (EMR) pro bezpečnější a konzistentnější poskytování zdravotní péče, ale to vyžaduje, aby tito pracovníci neustále přecházeli mezi svým narativním pochopením historie a symptomů pacientů a strukturovaným prezentováním dat EMR. Gen AI mostí tuto mezeru a významně snižuje kognitivní zátěž pro zdravotnické pracovníky shrnutím historie pacienta a automatizací manuálních úkolů, uvolňujícím cenný čas pro více personalizovanou péči o pacienty.

Klinické systémy podpory rozhodování využívají AI k poskytování zdravotnickým pracovníkům doporučení založených na důkazech, upozornění a připomínání. Tyto systémy analyzují data pacientů a lékařskou literaturu, aby poskytly přehledy, které pomáhají při diagnóze a plánování léčby, zlepšují klinické výsledky a snižují kognitivní zátěž na zdravotnické poskytovatele.

Technologie vzdáleného monitorování, poháněné AI, nepřetržitě sledují životní funkce a zdravotní stav pacientů, umožňující reálné zdravotní hodnocení bez potřeby častých osobních návštěv. To zlepšuje pohodlí pacientů a umožňuje včasnou detekci potenciálních zdravotních problémů, vedoucí k včasné intervenci a lepšímu řízení chronických stavů.

Gen AI zvyšuje lidský potenciál, zlepšuje spokojenost se prací pro zdravotnické pracovníky, více se zaměřuje na inovativní péči o pacienty a spokojenost pacientů.

Jaké opatření lze přijmout, aby se maximalizovala účinnost řešení Gen AI při monitorování kvality a zajišťování důvěry ve zdravotnických rozhodnutích?

Kvalita a důvěra se staly kritickými body diskuse napříč zdravotnickým průmyslem uprostřed rychlého růstu Gen AI. Je zapotřebí robustní zaměření na tyto otázky, aby se zajistilo, že jsou přínosy realizovány zodpovědně. Mezi opatření, která lze přijmout, patří:

Privátnost a bezpečnost dat: Zajištění soukromí pacientů je nezbytné, vyžadující pečlivé anonymizaci dat a přísná bezpečnostní opatření, aby se zabránilo neoprávněnému přístupu a úniku dat. Implementace robustních šifrovacích protokolů a obranných mechanismů proti adversním útokům může chránit data pacientů, zatímco klinici musí zachovat konečnou rozhodovací pravomoc, aby se ochránilo proti potenciálním chybám AI.

Udržování kvality a spravedlnosti: Systémy Gen AI mohou neúmyslně zachovat předpojatosti přítomné ve výcvikových datech, vedoucí k nesrovnalostem ve zdravotních výsledcích. Implementace algoritmů, které jsou schopné eliminovat předpojatosti, a kontinuální přeškolení AI systémů pro detekci a zmírnění předpojatostí je klíčové.

Odpovědnost a transparentnost: Odpovědnost za rozhodnutí poháněná Gen AI zahrnuje mnoho zúčastněných stran, včetně vývojářů, zdravotnických poskytovatelů a konečných uživatelů. Průhledné, vysvětlitelné AI modely jsou nezbytné pro informovaná rozhodnutí. Vývojáři musí zajistit, aby AI modely byly nezaujaté a bezpečné, zatímco zdravotničtí poskytovatelé potřebují pochopit, že zůstávají odpovědní za rozhodnutí učiněná pomocí AI doporučení. Implementace robustních regulačních rámců je nezbytná pro řešení otázek odpovědnosti a udržení důvěry.

Etické rámce: Vývoj etických rámců pro Gen AI spočívá v podpoře odpovědnosti bez potlačení inovací. Zdravotničtí hráči musí proaktivně souladit se s rozvíjejícími se etickými standardy, aby zajistili, že aplikace Gen AI jsou spravedlivé, odpovědné a zaměřené na pacienty. Přístup „člověk v smyčce“, kombinovaný s odpovědnou praxí AI, může pomoci dosáhnout rovných zdravotních výsledků, zatímco maximalizuje potenciál Gen AI.

Rámce kvality a důvěry na platformě: Budování rámců kvality a důvěry, které se integrují do stávajících systémů správy kvality a souladí s regulačními doporučeními, je zásadní. Tyto rámce by měly měřit, ověřovat a monitorovat řešení Gen AI, aby zajistily konzistentní a důvěryhodné výsledky.

Na začátku tohoto roku jsme spustili řešení CitiusTech Gen AI Quality and Trust, první komplexní řešení svého druhu ve zdravotnictví. Toto řešení může řešit tyto požadavky, poskytujícím komplexní validaci, kontinuální monitoring a soulad s regulačními standardy, zajišťujícím účinnost a důvěryhodnost řešení Gen AI ve zdravotnictví.

Jak mohou zdravotnické organizace pracovat na identifikaci a zmírnění algoritmických a trénovacích datových předpojatostí, aby zajistily rovné rozhodnutí o péči?

Zdravotnické organizace musí být非常 aktivní ve svém přístupu. Používání rozmanitých a reprezentativních datových sad během fáze tréninku pomáhá snižovat předpojatosti, zajišťujícím, že AI modely fungují dobře napříč různými populačními skupinami. Implementace nástrojů pro detekci předpojatostí může pomoci identifikovat a řešit předpojatosti v AI modelech, analyzujícím výstupy modelu pro detekci jakýchkoli nesrovnalostí v léčebných doporučeních nebo předpovědích.

Pravidelné audity a kontroly AI systémů pomáhají identifikovat a opravovat předpojatosti. To zahrnuje hodnocení výkonu systému napříč různými demografickými skupinami a provádění nezbytných úprav. Inkluzivní design a vývoj, zahrnující rozmanitou skupinu zúčastněných stran do návrhu a vývoje AI řešení, zajišťuje, že se berou v úvahu různé perspektivy, snižující pravděpodobnost předpojatostí. Nakonec, vzdělávání a školení zaměstnanců o potenciálních předpojatostech v AI systémech a o tom, jak je řešit, je zásadní pro vytváření povědomí a podporu odpovědného používání AI.

Jak mohou zdravotnické organizace účinně využívat data o sociálních determinántech zdraví (SDH) ke zlepšení péče o pacienty a co jsou výzvy při integraci těchto dat do oficiálních diagnostických kódů?

Integrace dat o SDH významně zlepšuje péči o pacienty, ale existují výzvy, které je třeba řešit. Komplexní sběr dat je nezbytný, včetně informací, jako je socioekonomický status, vzdělání a environmentální faktory. Tato data poskytují přehledy o sociálních faktorech, které ovlivňují zdraví pacientů.

Integrace dat a interoperabilita jsou zásadní pro efektivní využití dat SDH. Integrace těchto dat do elektronických zdravotních záznamů (EHR) a zajištění interoperability mezi různými systémy umožňuje zdravotnickým poskytovatelům mít komplexní pohled na zdraví pacientů, umožňující personalizované léčebné plány. Například pacienti z nízkopříjmových prostředí nebo ti, kteří žijí v oblastech s omezeným přístupem ke zdravotnickým službám, mohou vyžadovat další podporu pro řízení chronických stavů. Integrací dat SDH mohou zdravotnické organizace vyvinout cílené programy pro přístup ke zdravotnickým službám, poskytnout zdroje pro dopravu k lékařským schůzkám a nabídnout nutriční pomoc těm, kteří ji potřebují.

Řízení populace je další oblastí, ve které data SDH hrají kritickou roli. Analýzou dat SDH na úrovni komunity mohou zdravotnické organizace identifikovat trendy a vzorce, které informují veřejné zdravotnické strategie.

Avšak integrace dat SDH do oficiálních diagnostických kódů představuje problém interoperability nebo standardizace. V současné době neexistuje univerzálně akceptovaný rámec pro kódování dat SDH. Zajištění kvality dat je také obtížné, protože data SDH často pocházejí z různých zdrojů s rozdílnou úrovní přesnosti a úplnosti. Spolupráce mezi zdravotnickými organizacemi, politiky a technologickými dodavateli pro stanovení standardizovaných postupů a zajištění komplexní integrace dat bude důležitým krokem při řešení těchto překážek.

Jaké jsou hlavní kybernetické bezpečnostní výzvy, kterým čelí zdravotnické organizace, a jak je lze řešit?

Jak jsme viděli v minulém roce, zdravotnické organizace jsou extrémně zranitelné vůči kybernetickým hrozbám. Úniky dat a ransomwarové útoky jsou významnými problémy, vyžadujícími implementaci robustního šifrování, vícefaktorové autentizace a pravidelných bezpečnostních auditů, aby se tyto hrozby zmírnily. Legacy systémy a softwareové zranitelnosti jsou běžné ve zdravotnických organizacích, protože mnoho z nich stále používá zastaralé systémy. Pravidelné aktualizace a opravování software, stejně jako migrace na moderní, zabezpečené platformy, je nezbytné.

Vnitřní hrozby, kde zaměstnanci s přístupem k citlivým datům, také představují významná rizika. Implementace přísných kontrol přístupu, monitorování uživatelské aktivity a poskytování školení o kybernetické bezpečnosti může sehrát významnou roli při prevenci těchto problémů. Je kritické vytvořit specializovaný tým pro dodržování předpisů, který bude provádět pravidelné bezpečnostní audity a hodnocení rizik, aby identifikoval zranitelnosti a zajistil soulad s regulačními požadavky, jako je HIPAA.

Možná nejvýznamnější opatření je kontinuální vzdělávání a školení IT personálu a zdravotnických pracovníků, aby chránili proti rozvíjejícím se kybernetickým hrozbám. Mnoho z těchto hrozeb využívá lidské zranitelnosti, takže čím více jsou zaměstnanci vzdělaní o osvědčených postupech v oblasti kybernetické bezpečnosti, tím více se sníží lidská chyba, vedoucí k bezpečnějším datům pacientů.

Jaké jsou klíčové etické úvahy, které zdravotnické organizace musí mít na paměti při nasazování řešení AI, a jak mohou navigovat odpor proti implementaci AI v nemocnicích?

Toto je jedna z nejvýznamnějších otázek, kterým zdravotnické organizace musí čelit, s potřebou řešit několik etických aspektů a navigovat potenciální odpor. Zajištění soukromí a důvěrnosti pacientů je zásadní, s AI řešeními, které dodržují přísné regulační předpisy a využívají robustní bezpečnostní opatření. Pacienti by měli být informováni o používání AI ve své péči a měli by udělit souhlas, včetně vysvětlení, jak bude AI použita a jaké jsou potenciální přínosy a rizika.

Předpojatost a spravedlnost jsou také kritické úvahy. AI systémy jsou navrženy tak, aby se vyhnuly předpojatostem a zajistily spravedlivé zacházení pro všechny pacienty, ale jak víme, problémy mohou nastat, pokud organizace nejsou opatrné. To činí kontinuální monitoring a úpravu těchto AI modelů nezbytnou pro udržení spravedlnosti.

Je také extrémně důležité být transparentní při používání AI a odpovědný za rozhodnutí učiněná AI systémy, zejména poskytujícím vysvětlení pro AI poháněná rozhodnutí a zavedením mechanismů pro dohled.

Postupování podle těchto kroků je významným krokem směrem k řešení obav a odporu, který mají zdravotničtí pracovníci a pacienti vůči implementaci AI. Ale je také důležité poskytnout vzdělávání o implementaci a přínosech AI, zapojit zúčastněné strany do procesu implementace AI, vytvořit závazek k komplexnímu přístupu zaměřenému na budování důvěry, poskytování jasných komunikací a zajišťování etického používání AI.

Jak mohou řešení CitiusTech pomoci zdravotnickým organizacím dosáhnout bezproblémové integrace dat a interoperability napříč různými platformami a aplikacemi?

V CitiusTech jsme schopni pohánět digitální inovace, obchodní transformaci a odvětvovou konvergenci pro zdravotnické a farmaceutické společnosti po celém světě. Naše řešení jsou navržena tak, aby dosáhla bezproblémové integrace dat a interoperability napříč různými platformami a aplikacemi. Naše pokročilé integrační platformy zajišťují, že nesourodé systémy komunikují a sdílejí data efektivně, usnadňující bezproblémovou výměnu dat pro jednotný pohled na informace o pacientech.

Například, velký modrý plán s více než milionem členů chtěl jít za hranice dat o nárocích a manuálních chart chase a využít klinická data pro urychlení uzavírání mezer v péči. Hledali řešení, které by mohlo efektivně využít klinická data, a využili CitiusTech pro bezproblémovou integraci klinických dat z různých EHR a datových agregátorů, což vedlo k úspoře 10 milionů dolarů ročně.

Řešení CitiusTech pro správu dat zajišťují kvalitu dat, bezpečnost a soulad s předpisy během procesu integrace, aby se vyřešily složitosti zdravotnických dat, včetně integrace a interoperability různých zdrojů dat a platforem.

Nedávno spuštěné řešení CitiusTech Gen AI Quality and Trust, komplexní řešení, které dále zlepšuje integraci dat, zajišťuje spolehlivost, přesnost a důvěryhodnost AI poháněných přehledů. Toto řešení poskytuje robustní validaci, kontinuální monitoring a soulad s regulačními standardy, zajišťujícím účinnost a důvěryhodnost AI poháněných integračních a analytických řešení. To umožňuje zdravotnickým organizacím využívat AI efektivně pro zlepšení rozhodování a výsledků pacientů.

Jaké budoucí trendy vidíte v integraci AI do zdravotnictví a farmacie, a jak se CitiusTech připravuje na řešení těchto trendů?

S rostoucím integrací AI do zdravotnictví a farmacie, rostoucí používání AI pro prediktivní analýzy a personalizovanou medicínu, zlepšování operační efektivity prostřednictvím automatizace a pokroku v lékařském zobrazování a diagnostice, bude mít významný dopad na toto odvětví.

V CitiusTech zůstáváme před těmito trendy, kontinuálně investujícím do výzkumu a vývoje, abychom zůstali v čele pokroku AI. Jak bylo zmíněno, vyvinuli jsme řešení Gen AI, jako je naše řešení kvality a důvěry, stejně jako další AI řešení, která využívají nejnovější technologie pro zlepšení výsledků pacientů a operační efektivity. Je nezbytné soustředit se na zajištění etického a spravedlivého používání AI, řešit předpojatosti a udržovat transparentnost a odpovědnost při rozhodnutích poháněných AI. Je naší prioritou zůstat informováni o nejnovějších trendech AI, aby jsme měli nejlepší zdroje k dispozici, abychom pomohli zdravotnickým organizacím navigovat se v rozvíjejícím se krajině integrace AI.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit CitiusTech.