Rajan Kohli, CEO von CitiusTech – Interview-Serie: Eine Rückkehr-Konversation

Rajan Kohli ist der Chief Executive Officer von CitiusTech und verantwortlich für die globale Strategie, das Wachstum und die Mission des Unternehmens, Innovationen im Gesundheitswesen und in den Lebenswissenschaften zu beschleunigen. Als erfahrener Technologie-Executive mit über drei Jahrzehnten Erfahrung hat Rajan große digitale Transformationsinitiativen im Gesundheitswesen, in der Technik, bei der Cloud-Modernisierung, bei Datenplattformen und bei künstlicher Intelligenz geleitet. Seit er die Führung bei CitiusTech übernommen hat, hat er sich darauf konzentriert, Gesundheitsorganisationen dabei zu helfen, über die digitale Transformation hinaus zu intelligenten, von künstlicher Intelligenz getriebenen Betriebsmodellen zu gelangen, die von künstlicher Intelligenz, Interoperabilität und fortschrittlicher Analytik angetrieben werden.

CitiusTech ist ein führender Anbieter von Gesundheitstechnologie-Dienstleistungen, Beratung und digitalen Lösungen für Gesundheitsdienstleister, Zahlstellen, MedTech-Unternehmen und Lebenswissenschaftsorganisationen weltweit. Das Unternehmen spezialisiert sich auf Gesundheitsdatenplattformen, Interoperabilität, Cloud-Modernisierung, digitale Technik, Analytik und künstliche Intelligenz. Da Gesundheitsorganisationen zunehmend danach streben, künstliche Intelligenz im großen Maßstab zu betreiben, hat CitiusTech seinen Fokus auf den Aufbau intelligenter, gesundheitsbezogener Systeme erweitert, die vertrauenswürdige Datenfundamente, Governance, Interoperabilität und workflow-orientierte künstliche Intelligenz kombinieren. Durch Lösungen wie Knewron und sein umfassendes Ökosystem für künstliche Intelligenz und Daten hilft CitiusTech Organisationen dabei, fragmentierte Gesundheitsbetriebe in vernetzte, kontextbewusste Umgebungen umzuwandeln, die Effizienz, Entscheidungsfindung und Patientenergebnisse verbessern.

Dieses Interview ist eine Fortsetzung unseres vorherigen Gesprächs mit Rajan Kohli, in dem wir die wachsende Rolle von generativer künstlicher Intelligenz, Interoperabilität, Gesundheitsdatenmodernisierung und digitaler Transformation im Gesundheitssystem erkundet haben. Seitdem hat sich die Branche schnell von der Experimentierung mit künstlicher Intelligenz hin zur Bereitstellung in Produktionsumgebungen entwickelt, was neue Herausforderungen im Bereich Governance, Vertrauen, Erklärbarkeit und betrieblicher Skalierbarkeit mit sich bringt. In diesem neuesten Gespräch teilt Rajan mit, wie Gesundheitsorganisationen über isolierte künstliche Intelligenz-Pilotprojekte hinaus zu intelligenten, gesundheitsbezogenen Systemen gelangen können, warum Kontext-Engineering als kritische Grundlage für Gesundheits-künstliche Intelligenz entsteht und was erforderlich ist, um vertrauenswürdige, skalierbare Systeme aufzubauen, die die nächste Generation von Patientenversorgung unterstützen können.

Sie bringen Jahrzehnte der Erfahrung im Leiten großer digitaler Transformationsinitiativen mit. Wie hat diese Reise Ihre Perspektive auf die einzigartige Komplexität der Gesundheitstransformation geprägt?

Die Gesundheitstransformation ist deshalb besonders schwierig, weil es keine einzige Definition von Erfolg gibt. Klinische Ergebnisse, genaue Abrechnung und Zahlungen, Zugang, Kosten und Erfahrung ziehen oft in verschiedene Richtungen. Im Gegensatz zu anderen Branchen ist das Gesundheitswesen durch klinisches Risiko, regulatorische Überwachung und ethische Verantwortung eingeschränkt. Fehler sind anhand von Patientenergebnissen und nicht anhand von Umsatzeinbußen gemessen.

Hier wird Kontext-Engineering grundlegend: Die Disziplin, die Informationsumgebung zu strukturieren, in der künstliche Intelligenz operiert, damit die Ausgaben klinisch genau, workflow-bewusst und compliance-bereit sind. Skalierbarkeit erfordert Systemdenken über Wertschöpfungsketten hinweg und nicht die Digitalisierung isolierter Funktionen. Das Gesundheitswesen erfordert eine tiefe Kontextualisierung von Workflows, Datensemantik über klinische, Abrechnungs- und Gerätedaten sowie komplexe Compliance-Wege. Plattformen wie Knewron basieren auf genau diesem Prinzip und gehen über allgemeine künstliche Intelligenz hinaus, um domänen-spezifischen Kontext auf Architekturebene zu integrieren.

Diese Komplexität wird durch fragmentierte Ökosysteme, die Zahlsteller, Anbieter, MedTech und Lebenswissenschaften umfassen, verstärkt. Jeder dieser Akteure operiert mit unterschiedlichen Systemen, Anreizen und Datenstandards. Was auf der Oberfläche wie ein Technologieproblem aussieht, ist fast immer ein Kontext- und Kohärenzproblem darunter.

Letztendlich hängt der Erfolg der Transformation nicht nur von der technologischen Modernisierung ab, sondern auch von der Vertrauens-Engineering. Wir müssen aktiv eine Vertrauensschicht in die globale Gesundheits-künstliche Intelligenz einbauen, Systeme entwerfen, auf die Kliniker und Regulierungsbehörden in realen Versorgungssituationen implizit vertrauen können. Kontext-Engineering ist der Mechanismus, der dieses Vertrauen ermöglicht. Wenn künstliche Intelligenz den vollen klinischen und operativen Kontext einer Entscheidung versteht, verdient sie dieses Vertrauen systematisch, nicht durch Zufall.

Sie haben das Gesundheitswesen als einen Wendepunkt erreicht. Welche spezifischen Kräfte treiben diesen Wandel gerade?

Der Wendepunkt, den wir gerade erleben, wird durch betrieblichen Stress und nicht durch technologische Neuheit getrieben. Kostendruck, Burnout bei Klinikern und schwerwiegende Arbeitskräftemangel zwingen Gesundheitssysteme, ihre Betriebsmodelle vollständig neu zu denken, anstatt sie nur zu digitalisieren. Manuelle Prozesse skalierten nicht mehr, insbesondere in der Abrechnung, der Abrechnung und den klinischen Betrieben, weshalb künstliche Intelligenz aggressiv in Produktionsumgebungen gezogen wird.

Aber künstliche Intelligenz in Produktionsumgebungen zu ziehen, ist nur die Hälfte der Gleichung; die andere Hälfte besteht darin, sicherzustellen, dass künstliche Intelligenz mit dem richtigen Kontext operiert. Ohne Kontext-Engineering riskiert künstliche Intelligenz in klinischen und operativen Workflows Ausgaben zu generieren, die technisch korrekt, aber klinisch oder administrativ nicht ausgerichtet sind.

Gleichzeitig zwingen regulatorische Kräfte wie CMS-Interoperabilitätsregeln, Preistransparenz und digitale Qualitätsmaßnahmen zu einer Datenliquidität und beschleunigen die Modernisierung. Die Cloud-Adoption hat eine Reife-Schwelle überschritten, die eine unternehmensweite Modernisierung und eine compliance-bereite künstliche Intelligenz-Implementierung ermöglicht. Künstliche Intelligenz ist jetzt vollständig auf die Gesundheitsbereitschaft ausgerichtet, da wir endlich digitalisierte Workflows, reichere Datenbestände und klarere Rechenschaftspflichtsrahmen als in vorherigen Technologiewellen haben.

Was bisher fehlte, war das Bindeglied zwischen rohen Datenbeständen und sinnvoller künstlicher Intelligenz-Aktion, und dieses Bindeglied ist Kontext. Wir sehen eine deutliche Marktnachfrage nach Lösungen, die speziell darauf ausgelegt sind, Gesundheitsorganisationen dabei zu helfen, diesen betrieblichen Stress in messbare Effizienz umzuwandeln.

Das Gesundheitswesen hat im Vergleich zu anderen Branchen lange bei der Digitalisierung zurückgestanden. Was hat sich geändert, um die Bereitstellung von künstlicher Intelligenz im großen Maßstab heute möglich zu machen?

Künstliche Intelligenz skaliert jetzt, weil Gesundheitsorganisationen lernen, Richtlinien, klinische Leitlinien und operative Logik zu kodifizieren, anstatt große Mengen an Daten zu verarbeiten. Der grundlegende Wandel besteht darin, von Modellen, die rohe Informationen interpretieren, zu Systemen zu wechseln, die programmiertes Wissen mit strenger Aufsicht ausführen. Dies ermöglicht Kontext-Engineering, künstliche Intelligenz von passiver Interpretation zu aktiver, geregelter Ausführung zu bewegen, indem es die Wissensumgebung strukturiert, in der Modelle operieren.

Grundlegender Reibungswiderstand wurde durch die weit verbreitete Adoption von FHIR, HL7, Cloud-nativen Datenplattformen und ereignisgesteuerten Architekturen stark reduziert. Gesundheitsorganisationen erkennen zunehmend, dass künstliche Intelligenz in Workflows eingebettet werden muss, anstatt als separate Dashboards zu existieren. Workflow-bewusste künstliche Intelligenz ist der Schlüssel, um dies zu ermöglichen und sicherzustellen, dass Systeme Workflow-Semantik und aktionable Ergebnisse verstehen.

Werkzeuge wie MLOps, DevSecOps und Compliance-Automatisierung haben kontinuierliche Validierung, Überwachung und kontrolliertes Retraining ermöglicht. Wir sehen einen deutlichen Wandel von Experimenten zu wertgebundenen Anwendungsfällen wie Care-Lücken, Vorabgenehmigung, Abrechnungsintegrität, Bildgebung und klinischer Entscheidungsunterstützung. Diese Skalierbarkeit ist nur möglich, wenn wir robuste Schutzschilde und menschliche Aufsicht direkt in diese operativen Workflows einbauen.

Die Branche fügt jeden Monat neue Arbeitsplätze hinzu, und das hilft, weil künstliche Intelligenz nicht als Arbeitsplatzvernichter angesehen wird. Skalierte künstliche Intelligenz hilft dabei, Investitionen für bessere Ergebnisse für Patienten und Kliniker zu lenken.

Viele Organisationen stecken noch in Pilotphasen fest. Welche sind die wichtigsten Barrieren, die künstliche Intelligenz daran hindern, in die reale operative Verwendung im Gesundheitswesen zu gelangen?

Künstliche Intelligenz hat Schwierigkeiten, im Gesundheitswesen zu skaliieren, weil mehrere strukturelle Realitäten gleichzeitig auftauchen. Gesundheitsprozesse operieren selten auf ein einzelnes Ziel hin; klinische Ergebnisse, Kosten, Zugang, Patientenerfahrung, Abrechnungsgenauigkeit und langfristiges Risiko sind oft konkurrierend und umfassen Anbieter, Zahlsteller, Regulierungsbehörden und Patienten. Die Definition von Erfolg ist komplex, aber unerlässlich. Viele Pilotprojekte scheitern, weil sie nicht an klaren, gemeinsamen Ergebnismetriken ausgerichtet sind. Strukturierte operative Kontexte helfen dabei, Ziele, Einschränkungen und Prioritäten der Interessengruppen von vornherein zu kodifizieren, anstatt auf Modelle zu vertrauen, die sie aus rohen Daten ableiten.

Ein zweites Hindernis ist die Kosten- und Arbeitsbelastung für Annotation und Validierung. Skalierbarkeit erfordert kontinuierliche Beteiligung von Klinikern und Abrechnungsexperten, deren Zeit begrenzt und teuer ist und oft während der Pilotphase unterschätzt wird.

Drittens werden Governance- und Integrationslücken bei Skalierbarkeit sichtbarer. Pilotprojekte fehlen oft an Prüfbarkeit, Richtlinienkontrollen und menschlicher Aufsicht, die für hochrisikobehaftete Workflows mit PHI erforderlich sind. Zusätzlich treten Fehler in realen Umgebungen auf, insbesondere in der Abrechnung und der Abrechnung, wo Ausgaben die Erwartungen von Zahlstellern oder Interoperabilität nicht erfüllen. Fragmentierte Technologie-Ökosysteme, einschließlich Legacy-Systeme, proprietäre Plattformen und ungleichmäßige HL7/FHIR-Adoption, machen Integrationen spröde und schwierig für generische künstliche Intelligenz-Lösungen.

Skalierbarkeit gelingt nur, wenn künstliche Intelligenz mit realen operativen Zielen ausgerichtet ist, von starken Datenfundamenten unterstützt wird und für komplexe Workflows konzipiert ist. Ein Wandel hin zu fokussierten, wertkettengetriebenen MVPs, die hochwertige Anwendungsfälle mit klarem Geschäftswert und exekutiver Unterstützung anvisieren, bewegt das Gespräch von künstlicher Intelligenz-Experimenten zu messbarer Prozess-Transformation.

Aus Sicht der Systeme, wie sieht eine moderne, künstliche Intelligenz-bereite Gesundheitsarchitektur aus, insbesondere in Bezug auf Datenpipelines, Interoperabilität und Cloud-Infrastruktur?

Eine künstliche Intelligenz-bereite Architektur ist eine, in der Richtlinien-Durchsetzung, Validierung und Eskalation direkt in Workflows eingebettet sind, nicht als nachträgliche Überlegung behandelt werden. Sie erfordert einheitliche Cloud-nativen Datenplattformen, die Abrechnungs-, EHR-, Bild-, Geräte- und Betriebsdaten in hoch geregelte Schichten aufnehmen.

Wir müssen Interoperabilität auf Standards basierend auf FHIR, HL7, SMART on FHIR und DICOM priorisieren, unterstützt durch dedizierte Validierungs-Engines. Es muss eine klare Trennung von Belangen über die Aufnahme, Verarbeitung, Analyse, künstliche Intelligenz-Dienste und Governance-Schichten hinweg geben. Kontext-Engineering sitzt an der Schnittstelle dieser Schichten; es ist die Disziplin, die rohe aufgenommene Daten mit gouvernierten, semantisch angereicherten Eingaben verbindet, auf die künstliche Intelligenz-Dienste mit Präzision und Rechenschaftspflicht reagieren können.

Integrierte Sicherheit ist unverhandelbar, einschließlich RBAC, Verschlüsselung, Zustimmungsmanagement, Nachverfolgung und Audit-Protokollen. Architekturerfolg wird letztendlich dadurch gemessen, ob Systeme sicher fehlschlagen, nicht durch die Komplexität der Komponenten. Durch die direkte Kodifizierung von Rahmenwerken wie HIPAA und GDPR in die Ausführungsebene bauen wir die architektonische Vertrauensschicht auf, die für die globale Bereitstellung erforderlich ist.

Wie gehen Organisationen mit der Echtzeit-Datenverarbeitung und -Integration über elektronische Gesundheitsakten, medizinische Geräte und Zahlsteller-Plattformen um, um künstliche Intelligenz-getriebene Entscheidungsfindung zu ermöglichen?

Echtzeit-Verarbeitung ist nur dann wichtig, wenn Erkenntnisse innerhalb von Kliniker- und Betreiber-Workflows auftauchen, nicht in sekundären Dashboards. Die Kernherausforderung besteht darin, Variabilität und Ausnahmen zu bewältigen, anstatt sich ausschließlich auf die Datenverarbeitung zu konzentrieren. Organisationen gehen damit um, indem sie Middleware verwenden, die Daten vor der künstlichen Intelligenz-Verbrauch normalisiert und anreichert, anstatt rohe Feeds nach unten zu drücken.

Hier spielt Kontext-Engineering eine entscheidende Rolle. Das System muss eingehende Daten aus EHR, medizinischen Geräten und Zahlsteller-Plattformen in eine kohärente kontextuelle Grundlage strukturieren, um sicherzustellen, dass künstliche Intelligenz-Eingaben semantisch mit der spezifischen klinischen oder operativen Entscheidung ausgerichtet sind. Dies ermöglicht eine enge Integration in EHR-Workflows, sodass Erkenntnisse am Punkt der Versorgung auftauchen.

Noch wichtiger ist, dass dies die Integration sinnvoll und nicht nur technisch macht, indem es sicherstellt, dass Ausgaben nicht nur Daten, sondern auch klinische Richtlinien, Zahlsteller-Regeln und Workflow-Einschränkungen widerspiegeln, die für jeden Patienten und jede Begegnung relevant sind. Der Fokus liegt darauf, den Workflow im richtigen Moment zu unterbrechen und handhabbare Unterstützung zu bieten, ohne bestehende betriebliche Rhythmen zu stören.

Was sind die größten technischen Herausforderungen bei der Bereitstellung von künstlichen Intelligenz-Modellen in klinischen Umgebungen, insbesondere im Bereich der Modell-Validierung, -Überwachung und -Drift-Verwaltung?

Die größte Herausforderung ist nicht allein der Genauigkeitsverlust, sondern die unentdeckte Fehlerverbreitung über vernetzte Workflows hinweg. Kontext-Engineering dient als erste Verteidigungslinie, indem es die Wissensumgebung strukturiert, in der Modelle operieren. Das System muss Eingaben für klinische und operative Kohärenz validieren, bevor künstliche Intelligenz-Argumentation beginnt, um Fehler an der Quelle zu reduzieren.

Validierung muss über automatisierte Metriken hinausgehen und menschliche Neudeutung umfassen, um sicherzustellen, dass Ausgaben klinische Relevanz und nicht nur statistische Leistung widerspiegeln. Dieser Ansatz verankert Modellbewertung in realen klinischen und administrativen Ergebnissen und nicht in abstrakten Benchmarks.

Modell-Drift muss auch aktiv verwaltet werden, da Patientenpopulationen, klinische Richtlinien und Verhaltensweisen evolvieren. Dies erfordert kontinuierliche Überwachung, die an realen Feedback-Schleifen geknüpft ist, mit eingebetteten Checkpoints, um Drift in Bezug auf klinische Relevanz, Zahlsteller-Regelung und Workflow-Konsistenz zu erkennen.

Letztendlich hängt der Erfolg von der Balance zwischen Anpassungsfähigkeit und strengen regulatorischen Erwartungen ab. Die Bereitstellung von künstlicher Intelligenz in klinischen und SaMD-Umgebungen erfordert eine starke Vertrauensschicht, die Schutzschilde durchsetzt, menschliche Überprüfung auslöst und kontrolliertes Retraining sicherstellt, bevor irgendeine Auswirkung die Patientenversorgung erreicht.

Wie gehen Sie vor, um Erklärbarkeit und Prüfbarkeit in künstliche Intelligenz-Systeme zu integrieren, die in regulierten Gesundheitsumgebungen eingesetzt werden?

Erklärbarkeit existiert, damit Menschen künstliche Intelligenz-Ausgaben anfechten, überschreiben und daraus lernen können, und nicht nur verstehen. Kontext-Engineering macht diese Anfechtbarkeit strukturell und nicht oberflächlich, indem es klinische Richtlinien, Richtlinien-Regeln und Workflow-Logik direkt in die künstliche Intelligenz-Umgebung kodiert. Als Ergebnis kann jede Ausgabe auf die kontextuellen Eingaben zurückverfolgt werden, die sie geprägt haben, anstatt nachträglich rückwärts zu konstruieren.

Prüfbarkeit muss ebenfalls institutionelles Gedächtnis schaffen und nicht nur als Compliance-Nachgedanke dienen. Dies wird durch die Verwendung von Richtlinien-als-Code erreicht, um regulatorische und organisatorische Regeln direkt in die Ausführungsflüsse einzubetten, Rahmenwerke wie HIPAA und CMS-Richtlinien als gouvernierte Eingaben von Anfang an zu behandeln, anstatt sie als externe Kontrollen später anzuwenden.

Zusätzlich sind unveränderliche Protokolle und Prüfprotokolle unerlässlich, um regulatorische Überwachung und klinisches Vertrauen zu unterstützen. Das System sollte nicht nur die getroffene Entscheidung erfassen, sondern auch den vollen Kontext, einschließlich Daten, Einschränkungen und Workflow-Zustand, der die Entscheidung geprägt hat.

Über all dies hinweg bleibt menschliche Aufsicht in der Schleife für hochrisikobehaftete oder irreversibele klinische Entscheidungen eine wesentliche Anforderung. Durch den Aufbau dieser transparenten Vertrauensschicht stellt sich sicher, dass wenn ein Regulator oder Kliniker fragt, warum ein künstliches Intelligenz-System eine bestimmte Empfehlung abgegeben hat, die Antwort sofort verfügbar und vertretbar ist.

Bei dem Aufkommen von agentenbasierten und autonomen Systemen, welche Sicherheitsvorkehrungen sind erforderlich, um Zuverlässigkeit zu gewährleisten und ungewollte Ergebnisse in klinischen Workflows zu verhindern?

In der Gesundheitsbranche sind agentenbasierte Systeme nur dann wertvoll, wenn Automatisierungsgrenzen explizit und reversibel sind. Kontext-Engineering hilft dabei, diese Grenzen zu definieren, indem es den operativen Umfang, klinische Einschränkungen und Eskalationslogik in die Umgebung strukturiert, um sicherzustellen, dass Autonomie innerhalb eines geregelten Rahmens operiert und nicht auf Modelle vertraut, die sich selbst regulieren.

Dies erfordert Autonomie mit Rechenschaftspflicht, einschließlich klarer Rollendefinitionen, Eskalationspfade und deterministischer Checkpoints, die in das agentenbasierte Verhalten eingebettet sind. Das System muss sicherstellen, dass Agenten innerhalb klinisch und operativ genehmigter Grenzen operieren, die architektonisch durchgesetzt und nicht nur politisch definiert sind.

Es erfordert auch kontinuierliche Überwachung des agentenbasierten Verhaltens, der Entscheidungsqualität und ungewollter Interaktionen. Wir implementieren politische Einschränkungen, die verhindern, dass Agenten außerhalb ihres genehmigten klinischen oder operativen Umfangs handeln. Für klinische Workflows ist menschliche Aufsicht in der Schleife ein grundlegendes Designprinzip und kein Notfallmechanismus.

Wenn wir uns auf fortgeschrittene agentenbasierte Orchestrierung zubewegen, müssen diese Agenten streng innerhalb geregelter, kodifizierter Rahmenbedingungen operieren, um Zuverlässigkeit zu gewährleisten.

Wenn man in die Zukunft blickt, wie sieht intelligente, gesundheitsbezogene Versorgung für Patienten in den nächsten zehn Jahren aus?

Das nächste Jahrzehnt wird sehen, wie künstliche Intelligenz Reibung reduziert, bevor sie die Versorgung transformiert, beginnend mit Verwaltung, Koordination und Entscheidungsunterstützung. Intelligente, gesundheitsbezogene Versorgung ist erfolgreich, wenn Kliniker den Standardwerten vertrauen, aber fest ihre Autorität behalten. Künstliche Intelligenz wird zu einem Orchester über den gesamten Versorgungsprozess hinweg, das Bedürfnisse antizipiert, anstatt nur auf Ereignisse zu reagieren.

Kontext-Engineering ermöglicht diesen Wandel, indem es longitudinale klinische, Abrechnungs- und Betriebsdaten strukturiert, sodass künstliche Intelligenz über den gesamten Prozess hinweg mit der Tiefe handeln kann, die für zuverlässige Aktionen erforderlich ist, und nicht nur für Vorhersage-Einsicht. Dies unterstützt personalisierte, kontinuierliche und kontextbewusste Versorgungswege über verschiedene Umgebungen hinweg.

Der Ausdruck “kontextbewusst” ist der operative; es ist kein Zufall. Die Bereitstellung von wirklich personalisierten Versorgungswegen im großen Maßstab erfordert, dass künstliche Intelligenz-Systeme tiefes kontextuelles Wissen über die klinische Geschichte, die Zahlsteller-Umgebung und die Versorgungsumgebung jedes Patienten erben. Kliniker werden von Co-Piloten und Entscheidungs-Intelligenz unterstützt, was ihren kognitiven und administrativen Aufwand erheblich reduziert.

Im Laufe der Zeit werden Gesundheitssysteme zu Lernsystemen evolvieren, die kontinuierlich verbessert werden, da Daten, Modelle und realweltliche Feedback-Kreisläufe kumulieren. Durch die Konstruktion einer robusten Vertrauensschicht heute legen wir die betriebliche Grundlage für diese reibungslose Zukunft.

Vielen Dank für die detaillierten Antworten. Leser, die mehr erfahren möchten, sollten CitiusTech besuchen.