Rajan Kohli, administrerende direktør for CitiusTech – Interviewserie

Rajan Kohli er administrerende direktør for CitiusTech og er ansvarlig for virksomhedens strategiske retning og for at fremme CitiusTechs mission om at accelerere sundhedsinnovation og drive langsigtede værdier for kunderne. Rajan er en meget erfaren teknologivirksomhedsdirektør med erfaring inden for digital transformation, applikations- og ingeniørtjenester.

Før CitiusTech havde Rajan tilbragt over 27 år hos Wipro og var senest præsident for Wipros iDEAS (Integrated Digital, Engineering and Application Services)-forretning. Han ledede en global forretningslinje med en omsætning på 6 milliarder USD og var dedikeret til at hjælpe kunder verden over med at accelerere deres transformation og ændre, hvordan de bygger og leverer digitale produkter, tjenester og oplevelser.

CitiusTech er en førende leverandør af konsulent- og digitalteknologi til sundheds- og livsvigenskabsvirksomheder. Som strategiske partnere for verdens førende betalings-, leverandørs-, MedTech- og livsvigenskabsvirksomheder driver CitiusTech innovation, forretningsTransformation og branchomfattende konvergens. De spiller en dyb og meningsfuld rol i at accelerere digital innovation, drive bæredygtig værdi og hjælpe med at forbedre resultater på tværs af sundhedsøkosystemet.

Hvad er de nøgleelementer, der kræves for at implementere digitale transformationsstrategier i sundheds- og livsvigenskabsorganisationer?

Sundhedsindustrien har kæmpet med at omfavne digitale løsninger, med succesfulde digitale transformationsrejser, der forekommer sporadisk over årene. Men med teknologi, der er klar til at fremme et paradigmeskift i patientpleje, er det på høje tid, at industrien skal overvinde disse udfordringer.

Digital transformation har potentialet til at have en positiv indvirkning på sundheden på tværs af alle specialer. For eksempel kæmper speciallægemiddelproducenter med mange krav fra forskellige interessenter og økosystemer for at imødekomme deres konstant voksende efterspørgsel. At navigere i dette komplekse netværk af interessenter og økosystemer er ikke let, og mange af dem søger at udnytte patientstøttehub-tjenester, der overfører disse ansvar til at håndtere disse ansvar og optimere klient-lægemiddel-præstation. Men med patienthub-tjenester, der står over for udfordringer i forhold til skalerbarhed og effektivitet på grund af stigende volumener, må mange speciallægemiddelproducenter omfavne digitale transformationsstrategier for at strømline operationer og styrke den overordnede effektivitet.

Implementering af digital transformation i sundheds- og livsvigenskabsorganisationer kræver en tredelt, multifacetteret tilgang.

• Lederkommunikation er afgørende for at drive og opretholde disse initiativer, sikre, at der er en top-down-godkendelse og tilslutning til strategiske mål. Dette indebærer ikke kun at skabe en klar vision og vejviser, der fastlægger specifikke mål og milepæle, men også at investere i teknologi og innovative løsninger.
• Robust datamanagement er et andet kritisk element. At etablere stærke informationsstyringsrammer sikrer datakvalitet, sikkerhed og overholdelse af reguleringskrav. Dette inkluderer at definere datastandarder, politikker og processer for datamanagement, samt at udnytte avancerede analytiske og big data-teknologier til at trække brugbare indsighter ud af sundhedsdata.
• Interoperabilitet er afgørende for digital transformation, hvilket kræver overtagelse af branchestandarder som HL7, FHIR og DICOM for at facilitere ubesværet dataudveksling mellem forskellige systemer og platforme. At bruge integrationsplatforme og middleware-løsninger kan brobygge forskellige systemer, sikre en smidig datastrøm og kommunikation på tværs af organisationen. Ved at omfavne interoperabilitet fuldt ud vil organisationer være i stand til at drive mere effektiv, effektiv og patientcentreret sundhedsydelser.

Men til sidst handler digitale transformationer om patienten. Sundhedsorganisationer kan automatisere så mange processer, som de vil, men hvis de ikke ændrer oplevelsen eller værdien, som patienten modtager, vil det være særligt svært at finde succes. En patientcentreret tilgang med implementering af digitale sundhedsløsninger, der forbedrer patientengagement, forbedrer adgang til sundhedsydelser og muliggør personlige behandlingsplaner, er afgørende.

Hvordan bruges generativ AI i øjeblikket til at forbedre sundhedsbehandlinger og forbedre patientresultater?

Generativ (Gen) AI tilbyder transformative fordele på tværs af sundhedsøkosystemet. For sundheden, en industri, hvor mange af de igangværende udfordringer kan tilskrives ineffektive menneske-maskine-interaktioner, har Gen AI magten til at brobygge denne kløft og virkelig demokratisere sundheden.

Dette er særligt sandt med personlig medicin. At udvikle behandlingsplaner, der er tilpasset specifikke patienter, kan være svært og tidskrævende, hvis det gøres manuelt. Ved at udnytte Gen AI analyserer algoritmerne genetiske data og patienthistorik for at skabe personlige behandlingsplaner, der er tilpasset den enkeltes unikke genetiske sammensætning og medicinske historie. Når behandlingsplanerne er på plads, er patientadgang til AI-drevne virtuelle sundhedsassistenter afgørende, da patienter har 24/7-adgang til medicinsk rådgivning, symptombekontrol og aftaleplanlægning, hvilket forbedrer patientengagement, mere effektive behandlinger og bedre patientresultater.

Gen AI spiller også en betydelig rol i at accelerere godkendelses- og lanceringprocessen for lægemidler. Pandemien viste potentialet for hurtig udvikling af lægemidler, drevet af AI’s kapaciteter. Gen AI accelererer udviklingen af nye lægemidler ved at simulere molekylær interaktion og forudsige, hvilke forbindelser, der sandsynligvis vil være effektive. Dette reducerer betydeligt tiden og omkostningerne forbundet med traditionelle metoder til opdagelse af lægemidler. Disse AI-drevne platforme kan også generere potentielle lægemiddelkandidater og optimere deres kemiske strukturer, hvilket fremskynder processen fra koncept til kliniske forsøg.

Gen AI-algoritmer forbedrer også nøjagtigheden af medicinsk billedanalyse, forbedrer billedkvalitet og hjælper med at opdage anomalier. Dette faciliterer tidlig diagnose og behandling af tilstande som kræft, hvilket betydeligt forbedrer patientresultater.

Til sidst har predictiv analytics, drevet af Gen AI, revolutionerende potentiale. Predictiv Gen AI-modeller analyserer enorme mængder sundhedsdata for at forudsige sygdomsudbrud, patientgenindlæggelser og potentielle komplikationer, hvilket muliggør proaktiv intervention og bedre styring af kroniske sygdomme.

Hvordan kan generativ AI hjælpe med at reducere mundane opgaver for sundhedsprofessionelle, så de kan fokusere mere på patientpleje og innovation?

Gen AI kan betydeligt reducere byrden af mundane opgaver for sundhedsprofessionelle, såsom klinisk dokumentation, aftaleplanlægning, medicinsk journalstyring og forsikringskrav. Sundhedsprofessionelle er frie til at koncentrere sig om patientpleje og innovation.

For eksempel er sundhedsprofessionelle afhængige af Elektroniske Patientjournaler (EPJ) til en sikrere og mere konsekvent sundhedsydelser, men dette kræver, at disse personer konstant navigerer mellem deres narrative forståelse af patienthistorik og symptomer og EPJ’s strukturerede datapræsentation. Gen AI brobygger denne kløft og reducerer betydeligt den kognitive belastning for sundhedsprofessionelle ved at sammenfatte patienthistorik og automatisere manuelle opgaver, hvilket frigør værdifuld tid til mere personlig patientpleje.

Kliniske beslutningsstøttesystemer udnytter AI til at give sundhedsprofessionelle evidensbaserede anbefalinger, alarm og påmindelser. Disse systemer analyserer patientdata og medicinsk litteratur for at give indsighter, der hjælper med diagnose og behandlingsplanlægning, hvilket forbedrer kliniske resultater og reducerer den kognitive belastning på sundhedsydelser.

Telemedicin-teknologier, drevet af AI, overvåger kontinuerligt patienters vitale tegn og sundhedsstatus, hvilket muliggør reelle sundheds vurderinger uden behov for hyppige personlige besøg. Dette forbedrer patientkomfort og muliggør tidlig opdaging af potentielle sundhedsproblemer, hvilket fører til prompt intervention og bedre styring af kroniske sygdomme.

Gen AI forbedrer menneskers potentiale, forbedrer jobtilfredshed for sundhedsprofessionelle, mere fokus på innovativ patientpleje og patienttilfredshed.

Hvad kan sundhedsorganisationer gøre for at maksimere effekten af Gen AI-løsninger til overvågning af kvalitet og sikre tillid i sundhedsbeslutninger?

Kvalitet og tillid er blevet kritiske punkter i sundhedsindustrien under den hurtige vækst af Gen AI. Det kræver en robust fokus på disse spørgsmål for at sikre, at fordelene realiseres ansvarligt. Blandt de foranstaltninger, der kan træffes:

Privatliv og datasikkerhed: Det er afgørende at sikre patientprivatliv, hvilket kræver omhyggelig anonymisering af data og strenge sikkerhedsforanstaltninger for at forhindre uautoriseret adgang og dataudbrud. Implementering af robuste krypteringsprotokoller og forsvarsmekanismer mod fjendtlige angreb kan beskytte patientdata, mens klinikerne skal beholde den ultimative afgørelsesmyndighed for at sikre sig imod potentielle AI-fejl.

Opretholdelse af kvalitet og fairhed: Gen AI-systemer kan utilsigtet fastholde fordomme, der er til stede i træningsdata, hvilket fører til uligheder i sundhedsresultater. Implementering af algoritmer, der kan eliminere fordomme, og kontinuerlig omtræning af AI-systemer for at opdage og mindske fordomme er nøglen.

Ansvarlighed og gennemsigtighed: Ansvarlighed i Gen AI-drevne beslutninger involverer multiple interessenter, herunder udviklere, sundhedsydelere og slutbrugere. Gennemsigtige, forklarelige AI-modeller er nødvendige for informerede beslutninger. Udviklere skal sikre, at AI-modellerne er upartiske og sikre, mens sundhedsydelere skal forstå, at de forbliver ansvarlige for beslutninger, der tages ved hjælp af AI-anbefalinger. Implementering af robuste reguleringsrammer er afgørende for at tackle ansvarlighedsspørgsmål og opretholde tillid.

Etiske rammer: Udvikling af etiske rammer for Gen AI handler om at fremme ansvarlighed uden at kvæle innovation. Sundhedsaktører skal proaktivt tilslutte sig udviklende etiske standarder for at sikre, at Gen AI-anvendelser er retfærdige, ansvarlige og patientfokuserede. En menneske-i-løkken-tilgang kombineret med ansvarlig AI-praksis kan hjælpe med at opnå retfærdige sundhedsresultater, samtidig med at Gen AI’s potentiale maksimeres.

Platformbaserede kvalitets- og tillidsrammer: Opbygning af kvalitets- og tillidsrammer, der integrerer i eksisterende kvalitetsstyringssystemer og tilslutter sig reguleringsanbefalinger, er afgørende. Disse rammer skal måle, validere og overvåge GenAI-løsninger for at sikre konsekvente og troværdige resultater.

Tidligere i år lancerede vi CitiusTech Gen AI Kvalitets- og Tillidsløsning, den første løsning af sin art i sundhedssektoren. Løsningen kan imødekomme disse krav ved at give en komplet validering, kontinuerlig overvågning og overholdelse af reguleringsstandarder, hvilket garanterer effekten og troværdigheden af Gen AI-løsninger i sundhedssektoren.

Hvordan kan sundhedsorganisationer arbejde for at identificere og mindske algoritme- og træningsdata-forudomme for at sikre retfærdige sundhedsbeslutninger?

Sundhedsorganisationer skal være ekstremt proaktive i deres tilgang. Brug af diverse og repræsentative datasæt under træningsfasen hjælper med at reducere fordomme, sikre, at AI-modellerne fungerer godt på tværs af forskellige befolkningsgrupper. Implementering af fordomsdetektionsværktøjer kan hjælpe med at identificere og adresse fordomme i AI-modeller ved at analysere modellernes output for at opdage eventuelle uligheder i behandlingsanbefalinger eller forudsigelser.

Regelmæssige audits og gennemgang af AI-systemer hjælper med at identificere og korrigere fordomme. Dette indebærer en evaluering af systemets præstation på tværs af forskellige demografiske grupper og nødvendige justeringer. Inklusiv design og udvikling, bestående af en divers gruppe af interessenter i design og udvikling af AI-løsninger, sikrer, at forskellige perspektiver bliver overvejet, hvilket reducerer sandsynligheden for fordomme. Til sidst er uddannelse og træning af medarbejdere om de potentielle fordomme i AI-systemer og hvordan de kan tackles, afgørende for at skabe bevidsthed og fremme ansvarlig brug af AI.

Hvordan kan sundhedsorganisationer effektivt bruge data om Sociale Bestemmelsesfaktorer for Sundhed (SDOH) til at forbedre patientpleje, og hvilke udfordringer er der i at integrere denne data i officielle diagnostiske koder?

Integration af data om SDOH forbedrer betydeligt patientpleje, men der er udfordringer, der skal tackles. Komplet dataindsamling er afgørende, herunder information om socioøkonomisk status, uddannelse og miljøfaktorer. Denne data giver indsighter i de sociale faktorer, der påvirker patientens sundhed.

Dataintegration og interoperabilitet er afgørende for at udnytte SDOH-data effektivt. Integration af denne data i elektroniske patientjournaler (EPJ) og sikring af interoperabilitet mellem forskellige systemer giver sundhedsydelere en helhedsorienteret visning af patientens sundhed, hvilket muliggør personlige behandlingsplaner. For eksempel kan patienter fra lavindkomstbaggrund eller de, der bor i områder med begrænset adgang til sundhedsydelser, kræve ekstra støtte for at håndtere kroniske sygdomme. Ved at integrere SDOH-data kan sundhedsorganisationer udvikle målrettede outreach-programmer, give ressourcer til transport til medicinske aftaler og tilbyde ernæringsstøtte til dem, der har brug for det.

Populationssundhedsstyring er et andet område, hvor SDOH-data spiller en afgørende rolle. Ved at analysere SDOH-data på samfundsniveau kan sundhedsorganisationer identificere tendenser og mønstre, der kan informere offentlige sundhedsstrategier.

Men integration af SDOH-data i officielle diagnostiske koder præsenterer en interoperabilitets- eller standardiseringsproblem. Der er i øjeblikket ingen universelt accepteret ramme for kodning af SDOH-data. Sikring af datakvalitet er også svært, da SDOH-data ofte kommer fra forskellige kilder med varierende niveauer af nøjagtighed og fuldstændighed. Samarbejde mellem sundhedsorganisationer, politikere og teknologivirksomheder for at etablere standardiserede praksisser og sikre komplet dataintegration vil være et vigtigt skridt for at tackle disse hindringer.

Hvad er de primære cybersecurity-udfordringer, som sundhedsorganisationer står over for, og hvordan kan de tackles?

Som vi har set det sidste år er sundhedsorganisationer ekstremt sårbare over for cybersecurity-trusler. Dataudbrud og ransomware-angreb er betydelige problemer, der kræver implementering af robust kryptering, multifaktorautentificering og regelmæssige sikkerhedsaudits for at mindske disse trusler. Ældre systemer og software-sårbarheder er almindelige i sundhedsorganisationer, da mange stadig bruger forældede systemer. Regelmæssig opdatering og patchning af software samt migration til moderne, sikre platforme er afgørende.

Insidertrusler, hvor medarbejdere med adgang til følsomme data, udgør også betydelige risici. Implementering af strenge adgangskontroller, overvågning af brugeraktivitet og giving af cybersecurity-uddannelse kan spille en betydelig rolle i forebyggelse af disse problemer. Det er kritisk at oprette en dedikeret compliance-team, der er ansvarlig for at gennemføre regelmæssige sikkerhedsaudits og risikovurderinger for at identificere sårbarheder og sikre overholdelse af reguleringskrav som HIPAA.

Det vigtigste skridt er dog kontinuerlig uddannelse og træning af IT-personale og sundhedsprofessionelle for at beskytte mod udviklende cybertrusler. Mange af disse trusler udnytter menneskelige sårbarheder, så jo mere uddannet personalet er om cybersecurity-bedste praksis, desto mere sandsynligt er det, at menneskelige fejl reduceres, hvilket fører til mere sikre patientdata.

Hvad er de nøgleetiske overvejelser, som sundhedsorganisationer må tage i betragtning, når de implementerer AI-løsninger, og hvordan kan de navigere modstanden mod AI-implementeringer på hospitaler?

Dette er et af de vigtigste spørgsmål, som sundhedsorganisationer må tackle, med behov for at overveje flere etiske aspekter og navigere potentiel modstand. Sikring af patientprivatliv og fortrolighed er afgørende, med AI-løsninger, der overholder strenge data beskyttelsesreguleringskrav og udnytter robuste sikkerhedsforanstaltninger. Patienter skal informeres om brugen af AI i deres pleje og give samtykke, hvilket indebærer en forklaring af, hvordan AI vil blive brugt, og de potentielle fordele og risici.

Forudomme og fairhed er også afgørende overvejelser. AI-systemer er designede til at undgå fordomme og sikre retfærdig behandling af alle patienter, men som vi ved, kan problemer opstå her, hvis organisationer ikke er omhyggelige. Det gør kontinuerlig overvågning og justering af disse AI-modeller ekstremt nødvendigt for at opretholde fairhed.

Det er også ekstremt vigtigt at være gennemsigtig omkring brugen af AI og ansvarlig for beslutninger, der tages af AI-systemer, især ved at give forklaringer på AI-drevne beslutninger og etablere mekanismer for oversigt. Følge gennem med alt dette er et stort skridt mod at tackle bekymringer og modstand, som både sundhedsprofessionelle og patienter har over for implementering. Men det er også vigtigt at give uddannelse omkring implementering og fordelene ved AI, involvere interessenter i AI-implementeringsprocessen, etablere en tilslutning til at tage en komprehensiv tilgang, der er centreret omkring opbygning af tillid, give klar kommunikation og sikre den etiske brug af AI.

Hvordan kan CitiusTechs løsninger hjælpe sundhedsorganisationer med at opnå ubesværet dataintegration og interoperabilitet på tværs af forskellige platforme og applikationer?

Ved CitiusTech kan vi aktivere sundhedsdigital innovation, forretningsTransformation og branchomfattende konvergens for sundheds- og livsvigenskabsvirksomheder på tværs af verden. Vores løsninger er designede til at opnå ubesværet dataintegration og interoperabilitet på tværs af forskellige platforme og applikationer. Vores avancerede integrationsplatforme sikrer, at forskellige systemer kommunikerer og udveksler data effektivt, hvilket faciliterer en samlet visning af patientinformation.

For eksempel var en stor blå plan med over en million medlemmer på udkig efter at gå ud over medlemmernes kravdata og manuelle chart-chases og udnytte klinisk data til at accelerere plejegab-afslutninger. Søgende efter en løsning, der kunne udnytte klinisk data effektivt, udnyttede de CitiusTech til at integrere klinisk data fra en række elektroniske patientjournaler (EPJ) og dataaggregatorer, hvilket førte til en besparelse på 10 millioner USD om året.

CitiusTechs managementløsninger opretholder datakvalitet, sikkerhed og overholdelse på tværs af integrationsprocessen for at tackle kompleksiteten af sundhedsdata, herunder integration og interoperabilitet af diverse datakilder og platforme.

Den nyligt lancerede CitiusTech Gen AI Kvalitets- og Tillidsløsning, en løsning fra ende til anden, der yderligere forbedrer dataintegration, sikrer pålideligheden, nøjagtigheden og troværdigheden af AI-drevne indsighter. Løsningen giver en robust validering, kontinuerlig overvågning og overholdelse af reguleringsstandarder, hvilket garanterer effekten og troværdigheden af AI-drevne dataintegration og analyse. Dette muliggør, at sundhedsorganisationer kan udnytte AI effektivt til forbedret beslutningstagning og patientresultater.

Hvad er de fremtidige tendenser, som du forudser i integrationen af AI inden for sundheds- og livsvigenskab, og hvordan forbereder CitiusTech sig på at tackle disse tendenser?

Med den hurtige vækst af AI-integration inden for sundheds- og livsvigenskab vil den øgede brug af AI til predictiv analytics og personlig medicin, forbedring af operationel effektivitet gennem automatisering og fremme af medicinsk billedanalyse og diagnostik have en betydelig indvirkning på industrien.

Ved CitiusTech er vi foran disse tendenser ved at investere kontinuerligt i forskning og udvikling for at være i front for AI-fremgang. Som nævnt har vi udviklet Gen AI-løsninger, såsom vores kvalitets- og tillidsværktøj, samt andre AI-løsninger, der udnytter de seneste teknologier til at forbedre patientresultater og operationel effektivitet. Det er en afgørende prioritet at fokusere på at sikre den etiske og retfærdige brug af AI, tackle fordomme og opretholde gennemsigtighed og ansvarlighed i AI-drevne beslutninger. Det er en prioritet for vores team at holde os opdaterede med de seneste AI-tendenser, så vi har de bedste ressourcer til rådighed for at hjælpe sundhedsorganisationer med at navigere i det udviklende landskab af AI-integration.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge CitiusTech.