Rajan Kohli, CEO de CitiusTech – Serie de entrevistas: Una conversación de retorno

Rajan Kohli es el Director Ejecutivo de CitiusTech y es responsable de la estrategia global, el crecimiento y la misión de la empresa de acelerar la innovación en el sector sanitario y las ciencias de la vida. Como veterano ejecutivo de tecnología con más de tres décadas de experiencia, Rajan ha liderado iniciativas de transformación digital a gran escala en el sector sanitario, la ingeniería, la modernización de la nube, las plataformas de datos y la inteligencia artificial. Desde que asumió el cargo en CitiusTech, se ha centrado en ayudar a las organizaciones sanitarias a ir más allá de la transformación digital hacia modelos de funcionamiento impulsados por la inteligencia, alimentados por la inteligencia artificial, la interoperabilidad y el análisis avanzado.

CitiusTech es un proveedor líder de servicios de tecnología sanitaria, consultoría y soluciones digitales que atiende a proveedores de atención sanitaria, pagadores, empresas de tecnología médica y organizaciones de ciencias de la vida en todo el mundo. La empresa se especializa en plataformas de datos sanitarios, interoperabilidad, modernización de la nube, ingeniería digital, análisis y inteligencia artificial. A medida que las organizaciones sanitarias buscan cada vez más operativizar la inteligencia artificial a gran escala, CitiusTech ha ampliado su enfoque hacia la construcción de sistemas de atención sanitaria impulsados por la inteligencia que combinan fundamentos de datos de confianza, gobernanza, interoperabilidad y flujo de trabajo consciente de la inteligencia artificial. A través de soluciones como Knewron y su ecosistema más amplio de inteligencia artificial y datos, CitiusTech ayuda a las organizaciones a transformar operaciones sanitarias fragmentadas en entornos conectados y conscientes del contexto que mejoran la eficiencia, la toma de decisiones y los resultados de los pacientes.

Esta entrevista sirve como una continuación de nuestra conversación anterior con Rajan Kohli, donde exploramos el creciente papel de la inteligencia artificial generativa, la interoperabilidad, la modernización de los datos sanitarios y la transformación digital en todo el ecosistema sanitario. Desde entonces, la industria ha progresado rápidamente desde la experimentación con la inteligencia artificial hasta su despliegue en entornos de producción, creando nuevos desafíos en torno a la gobernanza, la confianza, la explicabilidad y la escala operativa. En esta última discusión, Rajan comparte cómo las organizaciones sanitarias pueden ir más allá de los pilotos de inteligencia artificial aislados hacia la atención impulsada por la inteligencia, por qué la ingeniería del contexto está emergiendo como una base crítica para la inteligencia artificial sanitaria y qué se necesitará para construir sistemas confiables y escalables que puedan respaldar la próxima generación de atención al paciente.

Usted aporta décadas de experiencia en la dirección de iniciativas de transformación digital a gran escala. ¿Cómo ha moldeado su perspectiva sobre por qué la transformación sanitaria es única y compleja?

La transformación sanitaria es única y difícil porque no hay una sola definición de éxito. Los resultados clínicos, la facturación y los pagos precisos, el acceso, el costo y la experiencia a menudo tiran en diferentes direcciones. A diferencia de otros sectores, el sector sanitario está limitado por el riesgo clínico, la escrutinio regulatorio y la rendición de cuentas ética. Los modos de fallo se miden en resultados de los pacientes, no en fugas de ingresos.

Es aquí donde la ingeniería del contexto se vuelve fundamental: la disciplina de estructurar el entorno de información en el que opera la inteligencia artificial, para que las salidas sean clínicamente precisas, conscientes del flujo de trabajo y listas para la cumplimiento desde el principio. La escalabilidad requiere un pensamiento sistémico a lo largo de las cadenas de valor en lugar de digitalizar funciones siloizadas. El sector sanitario requiere una contextualización profunda de los flujos de trabajo, la semántica de los datos a lo largo de los datos clínicos, de reclamaciones y de dispositivos, así como caminos de cumplimiento complejos. Las plataformas como Knewron están construidas sobre este principio exacto, yendo más allá de la inteligencia artificial de propósito general para incorporar el contexto específico del dominio a nivel de arquitectura.

Esta complejidad se ve amplificada por ecosistemas fragmentados que involucran a pagadores, proveedores, tecnología médica y ciencias de la vida. Cada uno de estos jugadores opera en diferentes sistemas, incentivos y estándares de datos. Lo que parece ser un problema de tecnología en la superficie es casi siempre un problema de contexto y coherencia debajo.

En última instancia, el éxito de la transformación depende no solo de la modernización tecnológica, sino también de la ingeniería de la confianza. Debemos ingenierizar activamente una capa de confianza en la inteligencia artificial sanitaria global, diseñando sistemas en los que los clínicos y los reguladores puedan confiar implícitamente en entornos de atención real. La ingeniería del contexto es el mecanismo que hace posible esta confianza. Cuando la inteligencia artificial comprende el contexto clínico y operativo completo de una decisión, gana esa confianza sistemáticamente, no por casualidad.

Usted ha descrito el sector sanitario como que ha alcanzado un punto de inflexión. ¿Qué fuerzas específicas están impulsando este cambio en este momento?

El punto de inflexión que estamos experimentando ahora está impulsado por el estrés operativo, no por la novedad tecnológica. Las presiones de costo, la quemadura de los clínicos y las graves escaseces de mano de obra están obligando a los sistemas de salud a replantear completamente sus modelos de funcionamiento en lugar de simplemente digitalizar los existentes. Los procesos manuales ya no escalan, particularmente en las reclamaciones, la facturación y las operaciones clínicas, por lo que la inteligencia artificial se está introduciendo agresivamente en entornos de producción.

Pero introducir la inteligencia artificial en la producción es solo la mitad de la ecuación; la otra mitad es asegurarse de que la inteligencia artificial opere con el contexto correcto. Sin la ingeniería del contexto, la inteligencia artificial en los flujos de trabajo clínicos y operativos arriesga generar salidas que son técnicamente correctas pero clínicamente o administrativamente desalineadas.

Al mismo tiempo, las fuerzas regulatorias como las reglas de interoperabilidad de CMS, la transparencia de precios y las medidas de calidad digitales están exigiendo la liquidez de los datos y acelerando la modernización. La adopción de la nube ha cruzado un umbral de madurez, lo que hace que la modernización y la implementación de la inteligencia artificial a escala empresarial sean factibles. La inteligencia artificial ahora está completamente alineada con la preparación del sector sanitario porque finalmente tenemos flujos de trabajo digitalizados, activos de datos más ricos y marcos de rendición de cuentas más claros que en las olas tecnológicas anteriores.

Lo que ha faltado hasta ahora es el tejido conectivo entre los activos de datos brutos y la acción significativa de la inteligencia artificial, y ese tejido conectivo es el contexto. Estamos viendo una demanda de mercado distinta de soluciones que estén diseñadas específicamente para ayudar a las organizaciones sanitarias a convertir este estrés operativo en eficiencia medible.

El sector sanitario ha tardado mucho en digitalizarse en comparación con otras industrias. ¿Qué ha cambiado para hacer que la implementación de la inteligencia artificial a gran escala sea posible hoy en día?

La inteligencia artificial ahora se escala porque las organizaciones sanitarias están aprendiendo a codificar la política, las directrices clínicas y la lógica operativa, en lugar de ingerir vastas cantidades de datos. El cambio fundamental es pasar de modelos que interpretan la información bruta a sistemas que ejecutan conocimiento programable con una supervisión estricta. Esto es precisamente lo que permite la ingeniería del contexto, moviendo la inteligencia artificial desde la interpretación pasiva a la ejecución gobernada y activa al estructurar el entorno de conocimiento en el que operan los modelos.

La fricción fundamental se ha reducido drásticamente con la adopción generalizada de FHIR, HL7, plataformas de datos nativas de la nube y arquitecturas basadas en eventos. Las organizaciones sanitarias reconocen cada vez más que la inteligencia artificial debe estar incrustada en los flujos de trabajo en lugar de existir como paneles independientes. La inteligencia artificial consciente del flujo de trabajo es clave para permitir esto, asegurando que los sistemas comprendan la semántica del flujo de trabajo y conduzcan a resultados accionables.

Herramientas como MLOps, DevSecOps y la automatización de la cumplimiento han habilitado la validación continua, el monitoreo y la reeducación controlada. Estamos viendo un cambio distintivo de la experimentación a casos de uso vinculados al valor, como las brechas de atención, la autorización previa, la integridad de las reclamaciones, la imagen y el apoyo a la decisión clínica. Esta escala solo es posible cuando incorporamos guardias robustas y una supervisión humana en el flujo de trabajo operativo.

La industria está agregando empleos mes a mes, y eso ayuda porque la inteligencia artificial no se ve como si quitara empleos. La inteligencia artificial a gran escala está ayudando a dirigir las inversiones hacia mejores resultados para los pacientes y los clínicos.

Muchas organizaciones siguen atascadas en las fases de prueba. ¿Cuáles son las barreras clave que impiden que la inteligencia artificial se mueva hacia un uso operativo real en el sector sanitario?

La inteligencia artificial lucha por escalarse en el sector sanitario porque realidades estructurales múltiples surgen simultáneamente. Los procesos sanitarios rara vez operan hacia un solo objetivo; los resultados clínicos, el costo, el acceso, la experiencia del paciente, la precisión de la reembolsación y el riesgo a largo plazo a menudo compiten, involucrando a proveedores, pagadores, reguladores y pacientes. Definir el éxito es complejo pero esencial. Muchos pilotos fallan porque no están anclados en métricas de resultados compartidas. La estructuración del contexto operativo ayuda a abordar esto codificando los objetivos, las limitaciones y las prioridades de las partes interesadas desde el principio en lugar de confiar en que los modelos los infieran de los datos brutos.

Una segunda barrera es el costo y el esfuerzo de la anotación y la validación. La escalabilidad requiere la participación continua de clínicos y expertos en el ciclo de ingresos, cuyo tiempo es limitado y caro y a menudo subestimado durante las fases de prueba.

En tercer lugar, las brechas de gobernanza y la integración se vuelven más visibles a escala. Los pilotos a menudo carecen de auditoría, controles de política y supervisión humana necesarios para flujos de trabajo de alto riesgo que involucran información de salud protegida. Además, los errores surgen tarde en entornos del mundo real, especialmente en las reclamaciones y la facturación, donde las salidas no cumplen con las reglas de los pagadores o las expectativas de interoperabilidad. Los ecosistemas tecnológicos fragmentados, incluidos los sistemas heredados, las plataformas propietarias y la adopción desigual de HL7/FHIR, hacen que las integraciones sean frágiles y difíciles para las soluciones de inteligencia artificial genéricas.

La escalabilidad tiene éxito solo cuando la inteligencia artificial se alinea con los objetivos operativos reales, está respaldada por fundamentos de datos sólidos y está diseñada para flujos de trabajo complejos. Un cambio está surgiendo hacia MVP enfocados y impulsados por la cadena de valor que apuntan a casos de uso de alto impacto con valor comercial claro y patrocinio ejecutivo, moviendo la conversación de la experimentación con la inteligencia artificial a la transformación del proceso medible.

Desde una perspectiva de sistemas, ¿cómo se ve una arquitectura de inteligencia artificial sanitaria moderna y lista para su uso, particularmente en términos de tuberías de datos, interoperabilidad y infraestructura en la nube?

Una arquitectura lista para la inteligencia artificial es aquella en la que la aplicación de políticas, la validación y la escalación están incrustadas directamente en los flujos de trabajo, no gestionadas externamente como un pensamiento posterior. Requiere plataformas de datos nativas de la nube unificadas que ingieran reclamaciones, registros electrónicos de salud, imágenes, dispositivos y datos operativos en capas altamente gobernadas.

Debemos priorizar la interoperabilidad basada en estándares utilizando FHIR, HL7, SMART en FHIR y DICOM, respaldada por motores de validación dedicados. Debe haber una separación clara de preocupaciones a lo largo de la ingesta, el procesamiento, el análisis, los servicios de inteligencia artificial y las capas de gobernanza. La ingeniería del contexto se encuentra en la intersección de estas capas; es la disciplina que conecta los datos brutos ingeridos con entradas gobernadas y enriquecidas semánticamente que los servicios de inteligencia artificial pueden actuar con precisión y rendición de cuentas.

La seguridad integrada es innegociable, abarcando el control de acceso basado en roles, la cifrado, la gestión de consentimiento, la trazabilidad y los registros de auditoría. El éxito de la arquitectura se mide finalmente por si los sistemas fallan de manera segura, no por la sofisticación de los componentes. Al codificar marcos como HIPAA y GDPR directamente en la capa de ejecución, construimos la confianza arquitectónica necesaria para el despliegue global.

¿Cómo están manejando las organizaciones el procesamiento y la integración de datos en tiempo real a través de registros electrónicos de salud, dispositivos médicos y plataformas de pagadores para habilitar la toma de decisiones impulsada por la inteligencia artificial?

El procesamiento en tiempo real importa solo cuando las ideas surgen dentro de los flujos de trabajo de los clínicos y los operadores, no en paneles secundarios. El desafío principal es gestionar la variabilidad y las excepciones, en lugar de centrarse únicamente en el rendimiento de los datos. Las organizaciones están abordando esto a través de middleware que normaliza y enriquece los datos antes del consumo de la inteligencia artificial, en lugar de empujar feeds brutos hacia abajo.

Es aquí donde la ingeniería del contexto juega un papel crítico. El sistema debe estructurar los datos entrantes de los registros electrónicos de salud, dispositivos médicos y plataformas de pagadores en una base contextual coherente, asegurando que las entradas de la inteligencia artificial estén alineadas semánticamente con la decisión clínica o operativa específica. Esto permite una integración ajustada con los flujos de trabajo de los registros electrónicos de salud, permitiendo que las ideas aparezcan en el punto de atención.

Más importante aún, esto hace que la integración sea significativa en lugar de puramente técnica, asegurando que las salidas reflejen no solo los datos, sino también las directrices clínicas, las reglas de los pagadores y las limitaciones del flujo de trabajo relevantes para cada paciente y encuentro. El enfoque está en interceptar el flujo de trabajo en el momento adecuado y brindar apoyo accionable sin interrumpir los ritmos operativos existentes.

¿Cuáles son los desafíos técnicos más grandes al implementar modelos de inteligencia artificial en entornos clínicos, especialmente en torno a la validación del modelo, el monitoreo y la gestión del deslizamiento?

El desafío más difícil es no solo la decadencia de la precisión, sino la propagación de errores no detectados a través de flujos de trabajo interconectados. La ingeniería del contexto sirve como la primera línea de defensa al estructurar el entorno de conocimiento en el que operan los modelos. El sistema debe validar las entradas para la coherencia clínica y operativa antes de que comience el razonamiento de la inteligencia artificial, reduciendo los errores en la fuente.

La validación debe ir más allá de las métricas automatizadas e incluir la reinterpretación humana, asegurando que las salidas reflejen la relevancia clínica real en lugar de solo el rendimiento estadístico. Este enfoque basa la evaluación del modelo en los resultados clínicos y administrativos reales en lugar de benchmarks abstractos.

El deslizamiento del modelo también debe gestionarse activamente a medida que las poblaciones de pacientes, las directrices clínicas y los comportamientos evolucionan. Esto requiere un monitoreo continuo vinculado a bucles de retroalimentación del mundo real, con puntos de control incrustados para detectar el deslizamiento en términos de relevancia clínica, alineación de las reglas de los pagadores y coherencia del flujo de trabajo.

En última instancia, el éxito depende de equilibrar la adaptabilidad con las expectativas regulatorias estrictas. La implementación de la inteligencia artificial en entornos clínicos y de software como dispositivo médico requiere una capa de confianza sólida, que haga cumplir las guardias, desencadene la revisión humana y asegure la reeducación controlada antes de que cualquier impacto llegue a la atención del paciente.

¿Cómo aborda la construcción de la explicabilidad y la auditoría en los sistemas de inteligencia artificial utilizados en entornos sanitarios regulados?

La explicabilidad existe para que los humanos puedan cuestionar, anular y aprender de las salidas de la inteligencia artificial, no solo entenderlas. La ingeniería del contexto hace que esta cuestionabilidad sea estructural en lugar de superficial al codificar las directrices clínicas, las reglas de política y la lógica operativa directamente en el entorno de la inteligencia artificial. Como resultado, cada salida puede rastrearse hasta las entradas contextuales que la configuraron, en lugar de ser retroingenierizada después del hecho.

La auditoría, de manera similar, debe crear una memoria institucional en lugar de servir como un pensamiento posterior de cumplimiento. Esto se logra utilizando la política como código para incrustar las reglas regulatorias y organizacionales directamente en los flujos de ejecución, tratando los marcos como HIPAA y las directrices de CMS como entradas de gobierno desde el principio, no como verificaciones externas aplicadas más tarde.

Además, los registros de auditoría y las trazas inmutables son esenciales para respaldar la supervisión regulatoria y la confianza clínica. El sistema debe capturar no solo qué decisión se tomó, sino también el contexto completo, incluidos los datos, las limitaciones y el estado del flujo de trabajo que la informaron.

En todo esto, la supervisión humana en el flujo de trabajo sigue siendo un requisito esencial para decisiones clínicas de alto riesgo o irreversibles. La construcción de esta capa de confianza transparente garantiza que cuando un regulador o clínico pregunte por qué un sistema de inteligencia artificial hizo una recomendación específica, la respuesta sea inmediatamente accesible y defendible.

Con el surgimiento de sistemas basados en agentes y autónomos, ¿qué salvaguardias son necesarias para garantizar la confiabilidad y prevenir resultados no deseados en los flujos de trabajo clínicos?

En el sector sanitario, los sistemas basados en agentes son valiosos solo cuando los límites de la automatización son explícitos y reversibles. La ingeniería del contexto ayuda a definir estos límites al estructurar el alcance operativo, las limitaciones clínicas y la lógica de escalación en el entorno, asegurando que la autonomía opere dentro de un marco gobernado en lugar de confiar en que los modelos se autoregulen.

Esto requiere autonomía con rendición de cuentas, incluyendo definiciones de roles claras, caminos de escalación y puntos de control deterministas incrustados en el comportamiento del agente. El sistema debe asegurarse de que los agentes operen dentro de los límites clínicos y operativos aprobados que están arquitectónicamente aplicados, no solo definidos por políticas.

También requiere un monitoreo continuo del comportamiento del agente, la calidad de la decisión y las interacciones no deseadas. Implementamos restricciones de política que impiden que los agentes actúen fuera de su alcance clínico o operativo aprobado. Para los flujos de trabajo clínicos, la supervisión humana en el flujo de trabajo es un principio de diseño fundamental, no un mecanismo de respaldo.

Como nos movemos hacia la orquestación de agente a agente avanzada, estos agentes deben operar estrictamente dentro de marcos gobernados y codificados para garantizar la confiabilidad.

Mirando hacia adelante, ¿cómo se verá la atención impulsada por la inteligencia para los pacientes en la próxima década?

La próxima década verá a la inteligencia artificial reducir la fricción antes de transformar la atención, comenzando con la administración, la coordinación y el apoyo a la decisión. La atención impulsada por la inteligencia tiene éxito cuando los clínicos confían en los valores predeterminados pero conservan firmemente su autoridad. La inteligencia artificial se convierte en un coordinador a lo largo del continuo de la atención, anticipando las necesidades en lugar de simplemente reaccionar a los eventos.

La ingeniería del contexto permite este cambio al estructurar los datos clínicos, de reclamaciones y operativos longitudinales para que la inteligencia artificial pueda razonar a lo largo del continuo completo con la profundidad necesaria para una acción confiable, no solo para una visión predictiva. Esto respalda trayectorias de atención más personalizadas, continuas y conscientes del contexto a lo largo de los entornos.

La frase “consciente del contexto” es la operativa, y no es accidental. Entregar trayectorias de atención verdaderamente personalizadas a gran escala requiere que los sistemas de inteligencia artificial hereden un conocimiento contextual profundo de la historia clínica del paciente, el entorno del pagador y el entorno de atención. Los clínicos serán apoyados por copilotos y apoyo a la decisión, reduciendo significativamente su carga cognitiva y administrativa.

Con el tiempo, los sistemas de salud evolucionarán hacia sistemas de aprendizaje, mejorando continuamente a medida que los datos, los modelos y la retroalimentación del mundo real se acumulan. Al ingenierizar una capa de confianza robusta hoy, establecemos la base operativa para este futuro sin fricciones.

Gracias por las respuestas detalladas, los lectores que deseen aprender más pueden visitar CitiusTech.