Dr. Rihan Javid, CEO und Co-Founder von Rinova – Interviewreihe

Dr. Rihan Javid, CEO und Co-Founder von Rinova AI, ist ein Arzt-Unternehmer und Unternehmer, der sich auf die Modernisierung von Gesundheitsdienstleistungen durch künstliche Intelligenz konzentriert. Neben der Leitung von Rinova ist er Co-Founder und Präsident von Edge, das Remote-Arbeitsplatz-Infrastruktur-Lösungen für Versicherungen, medizinische und zahnärztliche Praxen anbietet. Als praktizierender Psychiater ist er derzeit medizinischer Direktor und Chief Medical Officer bei CommonSpirit Health und St. Joseph’s Behavioral Health Center, während er auch eine klinische Rolle bei Touro University Medical Group innehat. Seine vorherigen Erfahrungen umfassen die Ausübung der Psychiatrie bei The Permanente Medical Group, Inc. und die Absolvierung der Residenzzeit am California Pacific Medical Center und der University of South Florida, sowie frühere Führungserfahrungen als Principal in der Rechtsanwaltsausbildung.

Rinova AI ist ein Gesundheitstechnologie-Unternehmen, das sich auf AI-gesteuertes Revenue- Cycle-Management und medizinische Abrechnungsautomatisierung konzentriert. Die Plattform ist darauf ausgelegt, administrative Belastungen für Anbieter durch die Automatisierung von Schlüsselprozessen wie Versicherungsverifizierung, Codierungs-Optimierung, Einreichung von Ansprüchen und Ablehnungsmanagement zu reduzieren. Durch die Nutzung von künstlicher Intelligenz, um Workflows zu straffen und die Genauigkeit zu verbessern, zielt Rinova darauf ab, im Vergleich zu herkömmlichen Abrechnungsdiensten erhebliche Kosteneinsparungen zu erzielen, während gleichzeitig die Erstattungen beschleunigt und die finanzielle Leistung von Gesundheitsorganisationen verbessert werden.

Sie haben Edge 2021 nach Jahren als Psychiater und später als medizinischer Direktor und CMO gegründet. Aus Sicht der künstlichen Intelligenz: Welche frühen Signale haben Sie in Abrechnungsworkflows wie fragmentierte Daten, wechselnde Zahlungsregeln oder manuelle Ausnahmehandhabung bemerkt, die Sie davon überzeugt haben, dass die Automatisierung letztendlich unvermeidlich werden würde?

Als ich praktizierte und später klinische Operationen leitete, sah ich, wie viel Reibung in der Abrechnung bestand. Daten lebten in mehreren Systemen, die nicht gut miteinander kommunizierten. Zahlungsanforderungen änderten sich ständig. Mitarbeiter verbrachten Stunden damit, Ansprüche aus Gründen, die im Nachhinein oft vorhersehbar waren, neu zu bearbeiten.

Was mir auffiel, war die Wiederholung. Die gleichen Fehler, die gleichen Ablehnungsmuster, die gleichen Dokumentationslücken. Diese waren keine seltenen, nuancierten Probleme. Sie waren wiederkehrende operationelle Zusammenbrüche. Auf einer bestimmten Ebene wird klar, dass es nicht nachhaltig ist, Menschen zu bitten, diese Komplexität manuell zu verwalten. Das ist der Moment, an dem klar wird, dass die Automatisierung nicht optional ist. Sie ist unvermeidlich.

Als Sie Rinova AI einige Jahre später starteten, was hatte sich auf der Technologie- oder Datenseite geändert, um es möglich zu machen, künstliche Intelligenz auf das Revenue-Cycle-Management anzuwenden, um zuverlässig gegenüber Live-Zahlungsregeln und realer Anspruchskomplexität zu operieren?

Zwei Dinge änderten sich. Erstens verbesserte sich die Datenumgebung. Integrationen zwischen EHRs, Clearinghäusern und Abrechnungsplattformen wurden strukturierter. Das gab uns saubere Eingaben und stärkere Feedback-Schleifen.

Zweitens reifte die Technologie. Wir gingen über einfache Regeln-Engines hinaus. Modelle wurden in der Lage, Kontext zu bewerten, nicht nur Kästchen zu überprüfen. Das ermöglichte es uns, Dokumentation, Codierung und Zahlungslogik zusammen anstelle von isoliert zu analysieren.

Es war nicht so, dass die Abrechnung plötzlich einfach wurde. Es war, dass das Ökosystem stabil genug wurde, um künstliche Intelligenz zuverlässig zu betreiben.

Das Revenue-Cycle-Management hat traditionell auf statischen Regeln und post-Ablehnungs-Wiedererlangung basiert. Wie ändert sich die Art und Weise, wie Krankenhäuser über finanzielles Risiko und Erstattungsvorhersehbarkeit nachdenken, wenn die künstliche Intelligenz früher in den Workflow eingeführt wird?

Traditionell akzeptieren Revenue-Cycle-Teams eine bestimmte Ablehnungsrate als Teil des Geschäfts. Die Arbeit beginnt, nachdem etwas schiefgegangen ist.

Wenn künstliche Intelligenz stromaufwärts eingeführt wird, verschiebt sich das Ziel von der Wiedererlangung zur Verhinderung. Sie können Dokumentationslücken oder Codierungsfehler vor der Einreichung identifizieren. Das reduziert die Variabilität in der Erstattung.

Krankenhäuser beginnen, weniger über die Verfolgung von Einnahmen und mehr über die Kontrolle von Risiken nachzudenken, bevor sie sich materialisieren. Das ändert die Prognose, die Personalplanung und sogar die Diskussionen auf VorstandsEbene über finanzielle Stabilität.

KI-Systeme funktionieren oft gut bei Standardfällen, aber sie haben Schwierigkeiten an den Rändern. In den heutigen Abrechnungsoperationen: Welche Szenarien werden am effektivsten von der Automatisierung gehandhabt, und wo spielt menschliches Urteilsvermögen immer noch eine entscheidende Rolle?

Automatisierung funktioniert am besten bei strukturierten, hochvolumigen Aufgaben. Berechtigungsprüfungen, Autorisierungsvalidierung, Codierungs-Konsistenz und Ablehnungsmuster-Erkennung sind alle Bereiche, in denen Maschinen schneller und konsistenter als Menschen verarbeiten können.

Menschliches Urteilsvermögen spielt immer noch eine Rolle bei Randfällen. Berufungen, die klinische Nuancen erfordern, vertragliche Streitigkeiten, ungewöhnliches Zahlungsverhalten oder komplexe Patientenszenarien profitieren alle von Erfahrung und Argumentationsfähigkeit. KI kann Risiken markieren. Menschen interpretieren immer noch Graubereiche und treffen endgültige Entscheidungen.

Edge integriert Gesundheitsdienstleister-Trainings-Teams in Krankenhaus-Workflows, während Rinova Entscheidungsfindung stromaufwärts automatisiert. Wie gehen Sie bei der Gestaltung von KI-Systemen vor, die menschliche Entscheidungsfindung stärken, anstatt neue operationelle Risiken einzuführen?

Wir betrachten KI als eine Unterstützungsebene, nicht als Ersatz. Das System liefert Empfehlungen und erklärt seine Logik. Unsere Gesundheitsdienstleister-Trainings-Teams bleiben in den Workflow eingebettet.

Diese Struktur ist wichtig. KI bewältigt Skalierbarkeit und Mustererkennung. Menschen bewältigen Überwachung und Verantwortung. Wenn diese Rollen klar sind, reduzieren Sie das Risiko, anstatt es zu erhöhen.

Das Ziel ist es, kognitive Überlastung zu reduzieren, nicht menschliches Urteilsvermögen zu entfernen.

Zahlungsregeln ändern sich häufig und werden nicht immer konsistent durchgesetzt. Wie verändert sich die Rückkopplungsschleife zwischen Anspruchseinreichung, Ablehnungen und kontinuierlicher Modellverbesserung durch Echtzeit-Zahlungsintelligenz?

Zahlungsregeln ändern sich häufig und die Durchsetzung ist nicht immer konsistent. Historisch wurden Regeln periodisch aktualisiert und man hoffte, dass sie aktuell seien.

Mit Echtzeit-Rückkopplung wird jede Ablehnung und Genehmigung zu einem Datenpunkt. Das Modell lernt von tatsächlichen Ergebnissen, anstatt von statischen Annahmen. Das verkürzt den Abstand zwischen Regulierungsänderung und operativer Anpassung.

Im Laufe der Zeit reduziert sich die Anzahl der unerwarteten Ablehnungen und die Genauigkeit der Einreichung verbessert sich. Das macht das System anpassungsfähiger.

Krankenhäuser sind verständlicherweise vorsichtig, wenn es um KI-Systeme geht, die den Cash-Flow beeinflussen. Welches Maß an Transparenz oder Kontrolle sollten Gesundheitsführer erwarten, bevor sie KI-gesteuerten Abrechnungsentscheidungen vertrauen?

Führer sollten Klarheit erwarten. Sie sollten verstehen, warum eine Empfehlung gemacht wurde. Sie sollten in der Lage sein, sie zu überstimmen. Und sie sollten eine klare Audit-Spur haben.

Das Revenue-Cycle hat direkten Einfluss auf Cash-Flow und Compliance. Vertrauen kommt von Sichtbarkeit und Kontrolle, nicht von blinden Automatisierungen. Jedes KI-System, das in diesem Bereich operiert, muss diesen Standard erfüllen.

Personalengpässe in Abrechnungsteams werden oft als Arbeitskräfteprobleme behandelt. Aus Ihrer Sicht: Wie viel des Problems liegt tatsächlich in der Datenqualität und Workflow-Gestaltung, und wo kann KI den größten Einfluss haben?

Personalengpässe sind real, aber viele von ihnen werden durch schlechte Workflow-Gestaltung verstärkt. Wenn Teams den größten Teil ihrer Zeit damit verbringen, vermeidbare Fehler zu korrigieren, erhöht sich der Burnout und die Produktivität sinkt.

Wenn Sie die Daten-Eingaben bereinigen und vermeidbare Ablehnungen reduzieren, kann das gleiche Team effektiver arbeiten. KI hat den größten Einfluss, wo sie repetitive Nachbearbeitung und Standardisierung von Prozessen entfernt.

Oft ist das Problem nicht einfach die Anzahl der Mitarbeiter. Es ist Reibung.

Wenn KI in das Revenue-Cycle-Management integriert wird, wie sehen Sie die Rolle der Abrechnungsteams in den nächsten Jahren in Bezug auf Überwachung, Ausnahmehandhabung und Governance?

Ich erwarte, dass Abrechnungsteams strategischer werden. Weniger Zeit für repetitive Verarbeitung. Mehr Zeit für Überwachung, komplexe Berufungen, Verhandlungen mit Zahlern und Leistungsanalyse.

Wenn Automatisierung Routinearbeiten übernimmt, verschieben sich menschliche Teams in Richtung Governance und Optimierung. Das erhöht die Funktion, anstatt sie zu verkleinern.

Auf lange Sicht: Erwarten Sie, dass KI-gesteuerte Abrechnungsplattformen zu grundlegender Finanzinfrastruktur für Krankenhäuser werden, anstatt optionalen Werkzeugen, und was würde diese Veränderung für Organisationen ermöglichen, die unter konstantem Margendruck stehen?

Ja. Margendruck wird nicht verschwinden. Vorhersehbarkeit in der Erstattung wird essentiell.

KI-gesteuerte Plattformen, die Genauigkeit verbessern und Leckagen reduzieren, werden von optionalen Werkzeugen zu grundlegender Infrastruktur werden. Wenn der Cash-Flow stabiler wird, können Krankenhäuser mit mehr Zuversicht planen und absichtlicher in Patientenversorgung investieren.

Das ist letztendlich das Ergebnis, das uns am meisten interessiert.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Rinova AI oder Edge besuchen.