Dr. Rihan Javid, administrerende direktør og medstifter af Rinova – Intervju-serie

Dr. Rihan Javid, administrerende direktør og medstifter af Rinova AI, er en læge og iværksætter, der fokuserer på at modernisere sundhedsoperationer gennem kunstig intelligens. Ud over at lede Rinova, er han medstifter og præsident for Edge, som leverer fjernarbejdsinfrastruktur til forsikring, medicin og tandpleje. Som praktiserende psykiater fungerer han i øjeblikket som medicinsk direktør og chef for CommonSpirit Health og St. Joseph’s Behavioral Health Center, samt har en klinisk rolle ved Touro University Medical Group. Hans tidligere erfaring omfatter psykiatri ved The Permanente Medical Group, Inc. og afslutning af residency-uddannelse ved California Pacific Medical Center og University of South Florida, samt tidligere ledelseserfaring som principal i juridisk rekruttering.

Rinova AI er et sundhedsteknologiselskab, der fokuserer på kunstig intelligens-drevet revenue cycle management og medicinsk fakturering. Platformen er designet til at reducere administrative byrder for udbydere ved at automatisere nøgleprocesser som forsikringsverificering, kodoptimering, ansøgningssubmission og afvistelsehåndtering. Ved at udnytte kunstig intelligens til at strømline arbejdsgange og forbedre nøjagtigheden, sigter Rinova til at levere betydelige omkostningsbesparelser i forhold til traditionelle faktureringservice, samtidig med at det accelererer refusioner og forbedrer den økonomiske præstation for sundhedsorganisationer.

De var med til at stifte Edge i 2021 efter år med arbejde som psykiater og senere som medicinsk direktør og CMO. Fra et AI-perspektiv, hvilke tidlige signaler fik du til at lægge mærke til i faktureringsarbejdsgange, såsom fragmenterede data, skiftende betalingsregler eller manuel undtagelseshåndtering, som overbeviste dig om, at automatisering ville blive uundgåelig?

Da jeg var praktiserende og senere ledede kliniske operationer, så jeg, hvor meget friktion der fandtes i fakturering. Data boede i multiple systemer, der ikke kommunikerede godt. Betalingskrav skiftede konstant. Personale tilbragte timer med at arbejde omkring ansøgninger af grunde, der ofte var forudsigelige i retrospekt.

Det, der fik mig til at lægge mærke til, var repetitionen. De samme fejl, de samme afvistelsesmønstre, de samme dokumentationslækager. Disse var ikke sjældne, nuancerede problemer. De var tilbagevendende operationelle sammenbrud. På en vis skala realiserer du, at det at bede mennesker om at håndtere den kompleksitet manuelt ikke er bæredygtigt. Det er da, det bliver klart, at automatisering ikke er valgfrit. Det er uundgåeligt.

Når du lancerede Rinova AI flere år senere, hvad var det, der var ændret på teknologi- eller datasiden, der gjorde det muligt at anvende AI til revenue cycle management på en måde, der kunne fungere pålideligt mod levende betalingsregler og virkelige kravkompleksitet?

To ting ændrede sig. Først blev data-miljøet forbedret. Integrationer mellem EHR’er, clearinghouses og faktureringsplatforme blev mere strukturerede. Det gav os renere input og stærkere feedback-loop.

Anden, teknologien modnedes. Vi gik ud over simple regelmaskiner. Modeller blev i stand til at evaluere kontekst, ikke kun at tjekke afkrydsningsfelter. Det tillod os at analysere dokumentation, kodning og betalingslogik sammen i stedet for i isolation.

Det var ikke, at fakturering pludselig blev enkelt. Det var, at økosystemet blev stabilt nok til, at AI kunne fungere med pålidelighed.

Revenue cycle management har traditionelt afhængigt af statiske regler og efter-afvistelse-genvinding. Hvordan ændrer introduktionen af AI tidligere i arbejdsgangen, hvordan hospitaler tænker om finansielle risici og refusionsforudsigelighed?

Traditionelt accepterer revenue cycle-hold et vis niveau af afvistelse som en del af forretningsgangen. Arbejdet begynder efter, at noget er gået galt.

Når AI introduceres tidligere i arbejdsgangen, skifter målet fra genvinding til forebyggelse. Du kan identificere dokumentationslækager eller kodningsmisalignering før submission. Det reducerer variabiliteten i refusion.

Hospitaler begynder at tænke mindre om at jagte indtægt og mere om at kontrollere risiko, før det materialiserer sig. Det ændrer prognoser, personalemodeller og selv bestyrelsesdiskussioner om finansielle stabilitet.

AI-systemer fungerer ofte godt på standardtilfælde, men kæmper med kanterne. I faktureringsoperationer i dag, hvilke typer scenarier håndteres bedst af automatisering, og hvor spiller menneskelig dømmekraft stadig en kritisk rolle?

Automatisering fungerer bedst i strukturerede, højvolumenopgaver. Berettigelseskontrol, autorisationsvalidering, kodningskonsistens og afvistelsesmønstredektion er alle områder, hvor maskiner kan procesere hurtigere og mere konsekvent end mennesker.

Menneskelig dømmekraft spiller stadig en rol i kanterne. Appeller, der kræver klinisk nuance, kontraktlige uoverensstemmelser, usædvanlig betalingsadfærd eller komplekse patientscenarier, alle fordelene af erfaring og resonnering. AI kan flagge risiko. Mennesker fortolker stadig grå områder og tager endelige beslutninger.

Edge indlejrer sundhedsuddannede revenue cycle-hold i hospitalsarbejdsgange, mens Rinova automatiserer beslutningstagning tidligere i arbejdsgangen. Hvordan tilgår du design af AI-systemer, der styrker menneskelig beslutningstagning i stedet for at introducere nye operationelle risici?

Vi tilgår AI som et understøttelseslag, ikke en erstatning. Systemet fremhæver anbefalinger og forklarer sin logik. Vores sundhedsuddannede hold forbliver indlejret i arbejdsgangen.

Den struktur betyder noget. AI håndterer skala og mønstergenkendelse. Mennesker håndterer oversigt og ansvar. Når disse roller er klare, reducerer du risiko i stedet for at øge den.

Målet er at reducere kognitivt overload, ikke at fjerne menneskelig dømmekraft.

Betalingspolitikker ændrer ofte og bliver ikke altid gennemført konsekvent. Hvordan ændrer realtidsbetalingsintelligens feedback-looppen mellem ansøgningssubmission, afvistelse og kontinuerlig model-forbedring?

Betalingspolitikker ændrer ofte, og gennemførelse er ikke altid konsekvent. Historisk set opdaterede organisationer regler periodisk og håbede, de var aktuelle.

Med realtidsfeedback bliver hver afvistelse og godkendelse et datapunkt. Modellen lærer af faktiske resultater i stedet for statiske antagelser. Det forkorter afstanden mellem politikændring og operationel tilpasning.

Over tid reducerer det overraskende afvistelser og forbedrer ansøgningsnøjagtighed. Det gør systemet mere tilpasningsdygtigt.

Hospitaler er forståeligt forsigtige med hensyn til AI-systemer, der påvirker kontantflux. Hvad niveau af gennemsigtighed eller kontrol tror du, sundhedsledere bør forvente, før de stoler på AI-drevne faktureringsbeslutninger?

Lederne bør forvente klarehed. De bør forstå, hvorfor en anbefaling blev gjort. De bør være i stand til at omgå det. Og de bør have en klar revisionshistorik.

Revenue cycle påvirker direkte kontantflux og overholdelse. Tillid kommer fra gennemsigtighed og kontrol, ikke fra blind automatisering. Ethvert AI-system, der opererer i dette område, skal opfylde dette standard.

Personalemangel i revenue cycle-hold behandles ofte som arbejdskraftsproblemer. Fra dit perspektiv, hvor meget af problemet er faktisk rod i datakvalitet og arbejdsgangedesign, og hvor kan AI have den største indvirkning?

Personalemæssige udfordringer er reelle, men mange af dem er forstærket af dårlig arbejdsgangedesign. Når hold tilbringer det meste af deres tid med at korrigere forebyggelige fejl, øges udbrændthed og produktivitet falder.

Hvis du renser data-input og reducerer undgåelige afvistelser, kan det samme hold fungere mere effektivt. AI har den største indvirkning, hvor det fjerner repetitivt arbejde og standardiserer processer.

Ofte er problemet ikke blot antallet af ansatte. Det er friktion.

Da AI bliver integreret i revenue cycle-operationer, hvordan ser du på udviklingen af revenue cycle-hold over de næste få år i forhold til oversigt, undtagelseshåndtering og styring?

Jeg forventer, at revenue cycle-hold bliver mere strategiske. Mindre tid på repetitivt arbejde. Mere tid på oversigt, komplekse appeller, betalingsforhandlinger og præstationsanalyse.

Når automatisering håndterer rutinearbejde, skifter menneskelige hold til styring og optimering. Det hæver funktionen i stedet for at reducere den.

Settende fremad, forventer du, at AI-drevne revenue cycle-platforme bliver kernefinansiel infrastruktur for hospitaler i stedet for valgfrie værktøjer, og hvad ville den ændring tillade for organisationer, der opererer under konstant tryk på margener?

Ja. Tryk på margener forsvinder ikke. Forudsigelighed i refusion bliver essentiel.

AI-drevne platforme, der forbedrer nøjagtighed og reducerer lækkage, vil flytte fra at være valgfrie værktøjer til kerneinfrastruktur. Når kontantflux bliver mere stabil, kan hospitaler planlægge med mere tillid og investere mere bevidst i patientpleje.

Det er ultimativt det resultat, vi bekymrer os om.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Rinova AI eller Edge.