Rajan Kohli, CEO of CitiusTech – Interview Serie: En gensvarssamtale

Rajan Kohli er administrerende direktør for CitiusTech og er ansvarlig for virksomhedens globale strategi, vækst og mission om at accelerere innovation inden for sundheds- og livsvæsen. En erfaren teknologi-direktør med mere end tre årtiers erfaring, har Rajan ledet store digitale transformationsinitiativer inden for sundheds-, ingeniør-, cloud-modernisering, data-platforme og kunstig intelligens. Siden han overtog posten som administrerende direktør for CitiusTech, har han fokuseret på at hjælpe sundhedsorganisationer med at gå ud over digitale transformationer mod intelligens-drevne driftsmodeller, der er drevet af AI, interoperabilitet og avanceret analyse.

CitiusTech er en førende leverandør af sundhedsteknologitjenester, konsulent- og digitale løsninger til sundhedsydelere, betalere, MedTech-virksomheder og livsvæsensorganisationer verden over. Virksomheden specialiserer sig i sundhedsdata-platforme, interoperabilitet, cloud-modernisering, digital ingeniørarbejde, analyse og kunstig intelligens. Da sundhedsorganisationer i stigende grad søger at operationalisere AI i stor skala, har CitiusTech udvidet sin fokus mod at opbygge intelligens-drevne sundhedssystemer, der kombinerer pålidelige data-fundamenter, styring, interoperabilitet og workflow-bevidst AI. Gennem løsninger som Knewron og dens bredere AI- og data-økosystem hjælper CitiusTech organisationer med at transformere fragmenterede sundhedsoperationer til sammenhængende, kontekst-bevidste miljøer, der forbedrer effektivitet, beslutningstagning og patientresultater.

Dette interview fungerer som en opfølgning på vores tidligere samtale med Rajan Kohli, hvor vi udforskede den voksende rolle for generativ AI, interoperabilitet, sundhedsdata-modernisering og digital transformation inden for sundhedsøkosystemet. Siden da er industrien hurtigt gået fra at eksperimentere med AI til at implementere det i produktionsmiljøer, hvilket har skabt nye udfordringer omkring styring, tillid, forklarbarhed og operationel skala. I denne seneste diskussion deler Rajan, hvordan sundhedsorganisationer kan gå ud over isolerede AI-piloter mod intelligens-drevne sundhed, hvorfor kontekst-ingeniørarbejde er på vej til at blive en kritisk grundlæggende faktor for sundheds-AI, og hvad det vil kræve at opbygge pålidelige, skalerbare systemer, der kan støtte den næste generation af patientpleje.

De bringer årtiers erfaring med at lede store digitale transformationsinitiativer. Hvordan har den rejse formet Deres perspektiv på, hvorfor sundhedstransformation er unikt kompleks?

Sundhedstransformation er unikt svær, fordi der ikke er en enkelt definition af succes. Kliniske resultater, præcise regninger og betalinger, adgang, omkostninger og oplevelse trækker ofte i forskellige retninger. I modsætning til andre sektorer er sundhedssektoren begrænset af klinisk risiko, regulatorisk skærpa og etisk ansvar. Fejlmoder måles i patientresultater, ikke i omsætningsleakage.

Dette er, hvor kontekst-ingeniørarbejde bliver grundlæggende: disciplinen om at strukturere den informationsmiljø, som AI opererer i, så output er klinisk præcise, workflow-bevidste og compliance-klare fra bunden. Skalering kræver systemtænkning på tværs af værdikæder snarere end at digitalisere siloede funktioner. Sundhedssektoren kræver dyb kontekstualisering af arbejdsgange, data-semantik på tværs af kliniske, krav- og enhedsdata samt komplekse compliance-veje. Platforme som Knewron er bygget på netop dette princip, ved at gå ud over generel AI til at indbygge domæne-specifik kontekst på arkitektonisk niveau.

Denne kompleksitet forstærkes af fragmenterede økosystemer, der involverer betalere, ydelere, MedTech og livsvæsensorganisationer. Hver af disse aktører opererer på forskellige systemer, incitamenter og data-standarder. Det, der synes at være et teknologi-problem på overfladen, er næsten altid et kontekst- og koherens-problem under overfladen.

Til sidst afhænger transformations-succes ikke kun af teknologi-modernisering, men af tillids-ingeniørarbejde. Vi må aktivt indbygge en tillids-lag i global sundheds-AI, designe systemer, som kliniske og regulatoriske myndigheder kan implicit stole på i virkelige sundheds-sætninger. Kontekst-ingeniørarbejde er mekanismen, der gør denne tillid mulig. Når AI forstår den fulde kliniske og operationelle kontekst af en beslutning, tjener den denne tillid systematisk, ikke tilfældigt.

De har beskrevet sundhedssektoren som værende ved en inflexionspunkt. Hvad er de specifikke kræfter, der driver denne ændring lige nu?

Inflexionspunktet, vi oplever lige nu, er drevet af operationel stress, ikke teknologisk nytænkning. Omkostnings-presser, kliniker-udbrændthed og alvorlige arbejdskraft-mangler tvinger sundhedssystemer til at tænke om på deres driftsmodeller helt og holdent, snarere end blot at digitalisere eksisterende modeller. Manuelle processer skalerer ikke længere, især i krav-, regning- og kliniske operationer, hvilket er årsagen til, at AI trækkes aggressivt ind i produktionsmiljøer.

Men at trække AI ind i produktionsmiljøer er kun halvdelen af ligningen; den anden halvdel er at sikre, at AI opererer med den rette kontekst. Uden kontekst-ingeniørarbejde risikerer AI i kliniske og operationelle arbejdsgange at generere output, der er teknisk korrekt, men klinisk eller administrativt misaligneret.

Sammen med dette er regulatoriske kræfter som CMS-interoperabilitetsregler, pris-transparens og digitale kvalitetsmål med til at påkræve data-likviditet og accelerere modernisering. Cloud-adoptionsgraden har overskredet en modenhedstærskel, hvilket gør det muligt at implementere enterprise-skala-modernisering og compliance-klar AI-deployment. AI er nu fuldt ud aligneret med sundheds-beredskab, fordi vi endelig har digitaliserede arbejdsgange, rigere data-aktiver og klarere ansvarligheds-rammer end i tidligere teknologibølger.

Hvad der har manglet indtil nu, er bindevævet mellem rå data-aktiver og meningsfuld AI-handling, og det bindevæv er kontekst. Vi ser en tydelig markeds-efterfrage efter løsninger, der er specialbyggede til at hjælpe sundhedsorganisationer med at omdanne denne operationelle stress til målbare effektivitet.

Sundhedssektoren har længe været langsom til at digitalisere sammenlignet med andre industrier. Hvad er ændret for at gøre AI-deployment på skala mulig i dag?

AI skalerer nu, fordi sundhedsorganisationer lærer at kodificere politik, kliniske retningslinjer og operationel logik, snarere end at indtage store mængder data. Den fundamentale ændring er at gå fra modeller, der fortolker rå information, til systemer, der udfører programmeret viden med streng oversigt. Dette er præcis, hvad kontekst-ingeniørarbejde muliggør, ved at flytte AI fra passiv fortolkning til aktiv, styret udførelse ved at strukturere den viden-miljø, som modeller opererer i.

Grundlæggende friktion er blevet kraftigt reduceret af den bredt accepterede brug af FHIR, HL7, cloud-native data-platforme og event-drevne arkitekturer. Sundhedsorganisationer erkender i stigende grad, at AI må være indbygget i arbejdsgange snarere end eksistere som selvstændige dashboards. Workflow-bevidst AI er nøgle til at muliggøre dette, ved at sikre, at systemer forstår arbejdsgangs-semantik og driver handlings-orienterede resultater.

Værktøjer som MLOps, DevSecOps og compliance-automatisering har muliggjort kontinuerlig validering, overvågning og kontrolleret gen-træning. Vi ser en tydelig ændring fra eksperimenter til værdi-forbundne brugs-tilfælde som f.eks. pleje-gab, prioriteret godkendelse, krav-integritet, billedanalyse og klinisk beslutningsstøtte. Denne skala er kun mulig, når vi indbygger robuste sikkerheds-foranstaltninger og menneske-i-løkken-oversigt direkte i disse operationelle arbejdsgange.

Industrien tilføjer jobs måned for måned, og det hjælper, fordi AI ikke ses som en arbejdskraft, der tager jobs væk. Skaleret AI hjælper med at rette investeringer mod bedre resultater for patienter og kliniske medarbejdere.

Mange organisationer sidder fast i pilot-faser. Hvad er de væsentligste barrierer for, at AI ikke kan gå over i reel operationel brug i sundhedssektoren?

AI kæmper for at skale i sundhedssektoren, fordi flere strukturelle realiteter dukker op samtidigt. Sundhedsprocesser opererer sjældent mod ét enkelt mål; kliniske resultater, omkostninger, adgang, patient-oplevelse, refusions-nøjagtighed og langsigtede risici konkurrerer ofte og involverer ydelere, betalere, regulatorer og patienter. At definere succes er komplekst, men essentiel. Mange piloter mislykkes, fordi de ikke er forankret i klare, fælles resultat-mål. Struktureret operationel kontekst hjælper med at adresse dette ved at kodificere mål, begrænsninger og interesse-prioriteter fra starten og ikke blot at lade modellerne slutte dem fra rå data.

En anden barriere er omkostningerne og indsatsen for annotering og validering. Skalering kræver kontinuerlig involvering fra kliniske og regnings-cyklus-eksperter, hvis tid er både begrænset og dyrt og ofte undervurderet under pilot-faser.

Tredje, styrings- og integrations-kløfter bliver mere synlige på skala. Piloter mangler ofte revision, politik-kontrol og menneske-i-løkken-oversigt, der er nødvendig for høj-risiko-arbejdsgange, der involverer PHI. Derudover opstår fejl sent i virkelige miljøer, især i krav- og regnings-arbejdsgange, hvor output ikke opfylder betalers-regler eller interoperabilitets-forventninger. Fragmenterede teknologi-økosystemer, herunder legacy-systemer, proprietære platforme og ujævn HL7/FHIR-adoptionsgrad, gør integrationer skrøbelige og svære for generiske AI-løsninger.

Skalering lykkes kun, når AI er aligneret med virkelige operationelle mål, understøttes af stærke data-fundamenter og er designet til komplekse arbejdsgange. En ændring er nu på vej mod fokuserede, værdi-kæde-drevne MVP’er, der targetter høj-impact-brugs-tilfælde med klare forretnings-værdi og direktør-sponsorering, hvilket flytter samtalen fra AI-eksperimenter til målbare proces-transformation.

Set fra et system-perspektiv, hvad ser et moderne AI-klar sundheds-arkitektur ud til, især i forhold til data-pipelines, interoperabilitet og cloud-infrastruktur?

Et AI-klar arkitektur er et, hvor politik-gennemførelse, validering og eskalering er indbygget direkte i arbejdsgange, snarere end at være styret eksternt som en eftertanke. Det kræver unified cloud-native data-platforme, der indtager krav-, EHR-, billed- og operations-data i højt styrede lag.

Vi må prioritere standarder-første-interoperabilitet ved hjælp af FHIR, HL7, SMART på FHIR og DICOM, understøttet af dedikeret validerings-motorer. Der skal være en klar adskillelse af bekymringer på tværs af indtag, behandling, analyse, AI-tjenester og styrings-lag. Kontekst-ingeniørarbejde sidder ved skæringen af disse lag; det er disciplinen, der forbinder rå indtagne data til styrede, semantisk berigede input, som AI-tjenester kan handle på med præcision og ansvar.

Indbygget sikkerhed er uafviselig, omfattende RBAC, kryptering, samtykke-styring, linje og revisionsspor. Arkitektur-succes måles ultimativt af, om systemer fejler sikkert, ikke af komponent-sophisticerede. Ved at indkodificere rammer som HIPAA og GDPR direkte i eksekverings-laget bygger vi den arkitektoniske tillid, der kræves for global udvikling.

Hvordan håndterer organisationer real-tids-data-behandling og integration på tværs af elektroniske sundhedsjournaler (EHR), medicinske enheder og betaler-platforme for at muliggøre AI-drevne beslutninger?

Real-tids-behandling betyder kun noget, når indsigt dukker op inden for kliniske og operatorens arbejdsgange, ikke nedstrøms i sekundære dashboards. Det centrale udfordring er at håndtere variabilitet og undtagelser, snarere end at fokusere på data-gennemstrømning. Organisationer adresserer dette ved hjælp af middleware, der normaliserer og beriger data, før AI-forbrug, snarere end at skyde rå feeds nedstrøms.

Dette er, hvor kontekst-ingeniørarbejde spiller en kritisk rolle. Systemet må strukturere indkommende data fra EHR’er, medicinske enheder og betaler-platforme i en sammenhængende kontekstuel grund, hvilket sikrer, at AI-input er semantisk aligneret med den specifikke kliniske eller operationelle beslutning. Dette muliggør tæt integration med EHR-arbejdsgange, hvilket tillader indsigt at dukke op på pleje-punktet.

Endnu vigtigere er, at denne integration bliver meningsfuld snarere end kun teknisk, hvilket sikrer, at output reflekterer ikke kun data, men også kliniske retningslinjer, betalers-regler og arbejdsgangs-begrænsninger, der er relevante for hver patient og møde. Fokus er på at afbryde arbejdsgangen på det rette tidspunkt og give handlings-orienteret støtte uden at forstyrre eksisterende operationelle rytmer.

Hvad er de største tekniske udfordringer ved at implementere AI-modeller i kliniske miljøer, især omkring model-validering, overvågning og drifts-styring?

Den største udfordring er ikke kun nøjagtigheds-forfald alene, men ubemærket fejl-forplantning på tværs af sammenhængende arbejdsgange. Kontekst-ingeniørarbejde fungerer som den første forsvarslinje ved at strukturere den viden-miljø, som modeller opererer i. Systemet må validerer input for klinisk og operationel koherens, før AI-resonnering begynder, hvilket reducerer fejl ved kilden.

Validering må gå ud over automatiserede mål og inkluderer menneskelig genfortolkning, hvilket sikrer, at output reflekterer virkelige kliniske relevans snarere end kun statistisk præstation. Dette grundlag for model-evaluering i virkelige kliniske og administrative resultater snarere end abstrakte benchmarks.

Model-drift må også aktivt styres, da patient-populationer, kliniske retningslinjer og adfærd udvikler sig. Dette kræver kontinuerlig overvågning forbundet med virkelige feedback-løkker, med checkpoints indbygget til at detectere drift i forhold til klinisk relevans, betalers-regel-alignment og arbejdsgangs-konsistens.

Ultimativt afhænger succes af at balancere adaptivitet med strenge regulatoriske forventninger. AI-implementering i kliniske og SaMD-miljøer kræver en stærk tillids-lag, der tvinger sikkerheds-foranstaltninger, udløser menneskelig gennemgang og sikrer kontrolleret gen-træning, før nogen indvirkning når patient-pleje.

Hvordan tilgår De opbygning af forklarbarhed og revision i AI-systemer, der bruges i regulerede sundheds-miljøer?

Forklarbarhed eksisterer, så mennesker kan udfordre, omgøre og lære fra AI-output, snarere end kun at forstå dem. Kontekst-ingeniørarbejde gør denne udfordring struktural snarere end overfladisk ved at indkodificere kliniske retningslinjer, politik-regler og arbejdsgangs-logik direkte i AI-miljøet. Som resultat kan hver output spores tilbage til den kontekstuelle input, der formede den, snarere end at være omvendt konstrueret efterfølgende.

Revision må også skabe institutionel hukommelse snarere end at fungere som en compliance-eftertanke. Dette opnås ved at bruge politik-til-kode til at indbygge regulatoriske og organisatoriske regler direkte i eksekverings-flows, ved at behandle rammer som HIPAA og CMS-retningslinjer som styrende input fra starten, snarere end eksterne kontroller, der anvendes senere.

Derudover er immutable logs og revisionsspor afgørende for at understøtte regulatorisk oversigt og klinisk tillid. Systemet skal fange ikke kun, hvilken beslutning der blev truffet, men også den fulde kontekst, herunder data, begrænsninger og arbejdsgangs-tilstand, der informerede den.

Over alt dette forbliver menneske-i-løkken-oversigt en essentiel krav for høj-risiko eller irreversibel klinisk beslutning. Opbygning af denne transparente tillids-lag sikrer, at når en regulator eller kliniker spørger, hvorfor et AI-system gjorde en bestemt anbefaling, er svaret umiddelbart tilgængeligt og forsvarligt.

Med opkomsten af agent-baserede og autonome systemer, hvad er de nødvendige sikkerheds-foranstaltninger for at sikre pålidelighed og forhindre uventede resultater i kliniske arbejdsgange?

I sundhedssektoren er agent-baserede systemer kun værdifulde, når automatiserings-grænser er eksplicitte og omvendelige. Kontekst-ingeniørarbejde hjælper med at definere disse grænser ved at strukturere operationel omfang, kliniske begrænsninger og eskalations-logik i miljøet, hvilket sikrer, at autonomi opererer inden for en styret ramme snarere end at stole på modeller til at selv-regulere.

Dette kræver autonomi med ansvar, herunder klare rolle-definitioner, eskalations-veje og deterministiske checkpoints indbygget i agent-adfærd. Systemet må sikre, at agenter opererer inden for klinisk og operationelt godkendte grænser, der er arkitektonisk tvungne, snarere end blot politik-defineret.

Det kræver også kontinuerlig overvågning af agent-adfærd, beslutnings-kvalitet og uventede interaktioner. Vi implementerer politik-drevne begrænsninger, der forhindrer agenter i at operere uden for deres godkendte kliniske eller operationelle omfang. For kliniske arbejdsgange er menneske-i-løkken en grundlæggende design-princip, snarere end en reserve-mekanisme.

Som vi bevæger os mod avanceret agent-til-agent-koordination, må disse agenter operere strengt inden for styrede, kodificerede rammer for at sikre pålidelighed.

Set fremad, hvad ser intelligens-drevet sundhed egentlig ud til for patienter over de næste ti år?

De næste ti år vil se AI reducere friktion, før det transformerer sundhed, startende med administration, koordination og beslutningsstøtte. Intelligens-drevet sundhed lykkes, når klinikerne stoler på standarderne, men fast holder deres autoritet. AI bliver en orkestrator på tværs af sundheds-kontinuumet, der forudser behov snarere end blot at reagere på begivenheder.

Kontekst-ingeniørarbejde muliggør denne ændring ved at strukturere longitudinelle kliniske, krav- og operations-data, så AI kan resonere på tværs af hele kontinuummet med den dybde, der kræves for pålidelig handling, snarere end kun forudsigelig indsigt. Dette understøtter mere personlige, kontinuerlige og kontekst-bevidste sundheds-veje på tværs af miljøer.

Udtrykket “kontekst-bevidst” er det operative, og det er ikke tilfældigt. Levering af virkelig personlige sundheds-veje i skala kræver, at AI-systemer arver dyb kontekstuel viden om hver patients kliniske historie, betalers-miljø og sundheds-indstilling. Klinikere vil blive understøttet af co-piloter og beslutnings-intelligens, der reducerer deres kognitive og administrative byrde betydeligt.

Over tid vil sundhedssystemer udvikle sig til lærende systemer, der forbedrer sig kontinuerligt, efterhånden som data, modeller og virkelige feedback-tilfælde akkumuleres. Ved at indbygge en robust tillids-lag i dag lægger vi den operationelle grundlag for denne friktions-frie fremtid.

Tak for de detaljerede svar. Læsere, der ønsker at lære mere, skal besøge CitiusTech.