Rajan Kohli, CitiusTechin toimitusjohtaja – Haastattelusarja: Paluu keskusteluun

Rajan Kohli on CitiusTechin toimitusjohtaja ja vastaa yhtiön globaalista strategiasta, kasvusta ja tehtävästä kiihdyttää innovaatioita terveydenhuollossa ja elämän-tieteissä. Kolmenkymmenen vuoden kokemuksella varustettu teknologiajohtaja on johtanut laajamittaisia digitaalisen muutoksen aloitteita, jotka kattavat terveydenhuollon, insinööritieteet, pilvi-modernisoinnin, data-alustat ja tekoälyän. CitiusTechin johdossa hän on keskittynyt auttamaan terveydenhuolto-organisaatioita siirtymään digitaalisen muutoksen yli älykkyys-ohjattuihin toimintamalleihin, jotka perustuvat tekoälyyn, yhteentoimivuuteen ja edistyneisiin analyyttisiin menetelmiin.

CitiusTech on johtava terveydenhuollon teknologiapalveluiden, konsultoinnin ja digitaalisten ratkaisujen toimittaja, joka palvelee terveydenhuollon tarjoajia, maksajia, MedTech-yrityksiä ja elämän-tieteiden organisaatioita maailmanlaajuisesti. Yhtiö on erikoistunut terveydenhuollon data-alustoissa, yhteentoimivuudessa, pilvi-modernisoinnissa, digitaalisessa insinööritieteessä, analyyttisissä menetelmissä ja tekoälyssä. Kun terveydenhuollon organisaatiot etsivät yhä enemmän tapoja operationalisoida tekoälyä laajassa mittakaavassa, CitiusTech on laajentanut fokuksensa älykkäiden terveydenhuollon järjestelmien rakentamiseen, jotka yhdistävät luotettavat data-perustat, hallinnon, yhteentoimivuuden ja työnkulun tietoisen tekoälyän. Knewron- ja laajemman tekoäly- ja data-ekosysteemin kautta CitiusTech auttaa organisaatioita muuttamaan hajanaiset terveydenhuollon toiminnat yhtenäisiksi, konteksti-tietoisiksi ympäristöiksi, jotka parantavat tehokkuutta, päätöksentekoa ja potilaiden tuloksia.

Tämä haastattelu on jatkoa aiempaan keskusteluun Rajan Kohlin kanssa, jossa käytiin läpi tekoälyn, yhteentoimivuuden, terveydenhuollon data-modernisoinnin ja digitaalisen muutoksen kasvavaa roolia terveydenhuollon ekosysteemissä. Siitä lähtien ala on edennyt nopeasti kokeilusta tekoälyn käyttöönottoon tuotantoympäristöissä, mikä on luonut uusia haasteita hallinnon, luottamuksen, selittämisen ja toiminnallisen mittakaavan ympärille. Tässä viimeisimmässä keskustelussa Rajan kertoo, miten terveydenhuollon organisaatiot voivat siirtyä eristyneistä tekoäly-kokeiluista älykkäisiin hoitopalveluihin, miksi konteksti-insinööritieteellä on tärkeä rooli terveydenhuollon tekoälyssä ja mitä vaaditaan luotettavien, mittakaavaan sopivien järjestelmien rakentamiseen, jotka voivat tukea seuraavan sukupolven potilashoitoa.

Millaisia kokemuksia sinulla on johtaa laajamittaisia digitaalisen muutoksen aloitteita, ja miten se on muovannut näkemyksesi terveydenhuollon muutoksen monimutkaisuudesta?

Terveydenhuollon muutos on erityisen haasteellista, koska siinä ei ole yhtä määritelmää menestyksestä. Kliiniset tulokset, tarkat laskutukset ja maksut, saatavuus, kustannukset ja kokemus usein vetävät eri suuntiin. Toisin kuin muissa aloilla, terveydenhuolto on rajoitettu kliinisellä riskillä, sääntelyvalvonnalla ja eettisellä vastuulla. Vialliset tilat mitataan potilastuloksina, ei liikevaihdon vuotamisena.

Tässä konteksti-insinööritieteellä on perustava rooli: tietojen ympäristön rakenteen taito, jossa tekoäly toimii, jotta tulokset ovat kliinisesti tarkat, työnkulun tietoiset ja valmiit sääntelylle alusta alkaen. Mittakaava vaatii järjestelmällistä ajattelua arvojen ketjujen yli, ei ainoastaan digitaalisten eristyneiden toimintojen digitalisoinnista. Terveydenhuolto vaatii syvää kontekstualisointia työnkulusta, data-semantiikasta kliinisen, vaatimusten ja laitteiden datan yli, sekä monimutkaisista sääntelyreiteistä. Alustat, kuten Knewron, on rakennettu tämän periaatteen mukaan, siirtymällä yleispätevän tekoälyn yli domeenisidonnaisen kontekstin upottamiseen arkkitehtuuriin.

Tämä monimutkaisuus on voimistunut hajanaisista ekosysteemeistä, jotka käsittävät maksajia, tarjoajia, MedTech-yrityksiä ja elämän-tieteiden organisaatioita. Kunkin näistä toimijoista toimii eri järjestelmissä, kannustimissa ja data-standardeissa. Se, mikä näyttää pinnan alla olevan teknologisen ongelman, on lähes aina kontekstin ja yhtenäisyyden ongelma.

Lopulta muutoksen menestyminen riippuu ei ainoastaan teknologisen modernisoinnista, vaan myös luottamuksen insinööritieteellisestä. Meidän on aktiivisesti insinööritieteellisesti luotettava luotettavuuskerros maailmanlaajuiseen terveydenhuollon tekoälyyn, suunnittelemalla järjestelmiä, joissa kliinikot ja sääntelyviranomaiset voivat luottaa niiden toimintaan todellisissa hoitotilanteissa. Konteksti-insinööritieteellä on mekanismi, joka mahdollistaa tämän luottamuksen. Kun tekoäly ymmärtää täydellisen kliinisen ja operatiivisen kontekstin päätöksenteosta, se ansaitsee luottamuksen järjestelmällisesti, ei sattumalta.

Mitkä voimat ajavat tällä hetkellä terveydenhuollon muutosta?

Terveydenhuollon muutoksen käänteispiste, jossa olemme tällä hetkellä, on ajettu operatiivisella stressillä, ei teknologisen uudistumisen vuoksi. Kustannuspainetta, kliinikkojen polttoutumista ja vakavia työvoimapulaa on pakottanut terveydenhuoltojärjestelmiä uudelleenarvioimaan toimintamallejaan kokonaan, ei ainoastaan digitalisoinnin kautta. Manuaaliset prosessit eivät enää mittakaavassa, erityisesti vaatimuksissa, laskutuksessa ja kliinisissä toimissa, miksi tekoälyä vedetään aggressiivisesti tuotantoympäristöihin.

Mutta tekoälyn tuominen tuotantoon on vain puolet yhtälöä; toinen puoli on varmistaa, että tekoäly toimii oikeassa kontekstissa. Ilman konteksti-insinööritieteellä tekoäly kliinisissä ja operatiivisissa työnkulussa riski tuottaa tuloksia, jotka ovat teknisesti oikein, mutta kliinisesti tai hallinnollisesti epäsovinnaisia.

Samanaikaisesti sääntelyvoimat, kuten CMS:n yhteentoimivuussäännöt, hintatransparenssi ja digitaalisten laadun mittareiden nopea kehittyminen, ovat pakottaneet data-likviditeetin ja kiihdyttäneet modernisointia. Pilviominaisuudet ovat ylittäneet kypsymisen kynnyksen, mikä tekee yrityksen laajamittaisen modernisoinnin ja sääntelyvalmiin tekoälyn käyttöönoton mahdolliseksi. Tekoäly on nyt täysin sopiva terveydenhuollon valmiudelle, koska meillä on nyt digitaaliset työnkulut, rikkaammat data-ominaisuudet ja selkeämmät vastuullisuuskehykset kuin aiemmissa teknologisen kehityksen aalloissa.

Mitä on ollut puuttuvana tähän asti, on yhteyslihas raakadata-ominaisuuksien ja merkityksellisen tekoäly-toiminnan välillä, ja tämä yhteyslihas on konteksti. Me näemme erottuvan markkinavaatimuksen ratkaisuille, jotka on suunniteltu auttamaan terveydenhuollon organisaatioita muuttamaan operatiivista stressiä mittaavaksi tehokkuudeksi.

Miten terveydenhuollossa tekoälyä voidaan käyttää laajassa mittakaavassa tänään?

Tekoäly mittakaavassa, koska terveydenhuollon organisaatiot ovat oppineet koodaamaan politiikkaa, kliinisiä ohjeita ja operatiivista logiikkaa, sen sijaan, että ne sulattavat suuria määriä dataa. Perusmuutos on siirtymässä malleista, jotka tulkkaavat raakaa tietoa, järjestelmiin, jotka suorittavat ohjelmoitua tietoa tiukalla valvonnalla. Tämä on täsmälleen sitä, mitä konteksti-insinööritieteellä mahdollistaa, siirtymällä tekoälystä passiivisesta tulkinnasta aktiiviseen, hallitulle suorittamiseen, jossa tietojen ympäristö, jossa mallit toimivat, on strukturoidu.

Pohjimmiltaan kitka on vähentynyt merkittävästi laajan FHIR:n, HL7:n, pilvi-alkuperäisten data-alustojen ja tapahtuma-ohjaisten arkkitehtuurien omaksumisen myötä. Terveydenhuollon organisaatiot yhä useammin tunnustavat, että tekoäly on upotettava työnkulkuun, ei erillisiin kojuihin. Työnkulun tietoinen tekoäly on avain tämän mahdollistamiseen, varmistamalla, että järjestelmät ymmärtävät työnkulun semantiikkaa ja ajavat toimintatuloksia.

Työkalut, kuten MLOps, DevSecOps ja sääntelyautomaatio, ovat mahdollistaneet jatkuvan validoinnin, seurannan ja valvottavan uudelleen koulutuksen. Näemme erottuvan siirtymisen kokeilusta arvoon liittyviin käyttötapauksiin, kuten hoitaukkien täyttymisessä, etukäteen hyväksymisessä, vaatimusten eheydessä, kuvantamisessa ja kliinisessä päätöksenteossa. Tämä mittakaava on mahdollista vain, kun upotamme vankat varmistukset ja ihmisen valvontaa suoraan näihin operatiivisiin työnkulkuun.

Ala on lisäämässä työpaikkoja kuukausittain, ja se auttaa, koska tekoäly ei nähdä olevan työpaikkoja vievä. Mittakaavaan tekoäly auttaa suunnata sijoituksia parempiin tuloksiin potilaiden ja kliinikoiden kannalta.

Monet organisaatiot ovat edelleen jumissa kokeiluvaiheessa. Mitkä ovat tärkeimmät esteet, jotka estävät tekoälyä siirtymästä todelliseen operatiiviseen käyttöön terveydenhuollossa?

Tekoäly kamppailee mittakaavassa terveydenhuollossa, koska useat rakenteelliset todellisuudet tulevat esiin samanaikaisesti. Terveydenhuollon prosessit toimivat harvoin yhteen tavoitteeseen; kliiniset tulokset, kustannukset, saatavuus, potilaskokemus, maksutarkkuus ja pitkän aikavälin riski usein kilpailevat, mukanaan tarjoajat, maksajat, sääntelyviranomaiset ja potilaat. Menestyksen määrittely on monimutkaista, mutta välttämätöntä. Monet kokeilut epäonnistuvat, koska ne eivät ole ankkuroituneet selkeisiin, jaettuihin tulosmittareihin. Strukturoidun operatiivisen kontekstin avulla voidaan ratkaista tämä ongelma, koodaamalla tavoitteet, rajoitukset ja sidosryhmien prioriteetit etukäteen, sen sijaan, että mallit joutuisivat päättelemään ne raakadatasta.

Toinen este on annotaation ja validoinnin kustannus ja ponnistus. Mittakaava vaatii jatkuvaa osallistumista kliinikoilta ja talousasiantuntijoilta, jonka aika on sekä rajoitettu että kallis ja usein aliarvioitu kokeiluvaiheessa.

Kolmas este on hallinnon ja integraation aukot, jotka tulevat näkyviin mittakaavassa. Kokeilut usein puuttuvat auditoinnista, sääntelystä ja ihmisen valvonnasta, jotka vaaditaan korkean riskin työnkulkuun, jotka sisältävät henkilökohtaista tietoa. Lisäksi virheet tulevat ilmi myöhässä todellisissa ympäristöissä, erityisesti vaatimuksissa ja laskutuksessa, joissa tulokset eivät vastaa maksajien sääntöjä tai yhteentoimivuuden odotuksia. Hajanaiset teknologiat, kuten vanhentuneet järjestelmät, omistajien alustat ja epätasainen HL7/FHIR-omaksuminen, tekevät integraatioista hauraita ja vaikeita yleisille tekoäly-ratkaisuille.

Mittakaava onnistuu vain, kun tekoäly on linjassa todellisten operatiivisten tavoitteiden kanssa, tuetaan vahvoilla data-perustoilla ja suunnitellaan monimutkaisiin työnkulkuun. Siirtymä on nyt kehittymässä kohdennetuista, arvonketju-ohjatuista MVP:istä, jotka kohdistuvat korkean vaikuttavuuden käyttötapauksiin, joissa on selkeä liiketoimintarajauma ja johtajan tuki, siirtäen keskustelun tekoäly-kokeilusta mittaavaksi prosessinmuutokseksi.

Miten moderni tekoäly-valmis terveydenhuollon arkkitehtuuri näyttää, erityisesti data-putkistojen, yhteentoimivuuden ja pilvi-infrastruktuurin osalta?

Tekoäly-valmis arkkitehtuuri on sellainen, jossa sääntelyt, validointi ja eskalaatio on upotettu suoraan työnkulkuun, ei hallittu ulkoisesti jälkikäteen. Se vaatii yhdistyneitä pilvi-alkuperäisiä data-alustoja, jotka ottavat vaatimukset, EHR, kuvantamis-, laitteiden ja operatiivisen datan sisään korkeasti hallituihin kerroksiin.

Meidän on priorisoitava sääntöjen mukainen yhteentoimivuus FHIR:n, HL7:n, SMART on FHIR:n ja DICOM:n avulla, tuettuna omistautuneilla validointimoottoreilla. On oltava selkeä erottelu huolenaiheiden välillä sisäänottamisessa, prosessoinnissa, analyytikassa, tekoäly-palveluissa ja hallintakerroksissa. Konteksti-insinööritieteellä on tässä risteyskohdassa; se on taito, joka yhdistää raakaisketyt datat hallituihin, semanttisesti rikastettuihin syötteisiin, joita tekoäly-palvelut voivat toimia tarkasti ja vastuullisesti.

Rakenteellinen turvallisuus on ehdoton, käsittäen RBAC:n, salauksen, suostumusjohtoisen, jäljitys- ja audit-reitit. Arkkitehtuuri on lopulta mitattava siitä, voivatko järjestelmät epäonnistua turvallisesti, ei komponenttien monimutkaisuudesta. Koodaamalla kehykset, kuten HIPAA ja GDPR, suoraan suorituskerrokseen, rakennamme arkkitehtuuriin vaadittavan luottamuksen maailmanlaajuiselle käyttöönotolle.

Miten organisaatiot käsittelevät reaaliaikaisen datan prosessoinnin ja integraation sähköisten terveydenhuolto-asiakirjojen, lääkintälaitteiden ja maksajien alustojen välillä älykkään päätöksenteon mahdollistamiseksi?

Reaaliaikainen prosessointi on tärkeää vain, kun havainnot tulevat esiin kliinikkojen ja operatiivisten toimijoiden työnkulussa, ei toissijaisissa kojuissa. Ydin haaste on hallita muutoksia ja poikkeuksia, ei pelkästään datan läpivientiä. Organisaatiot ovat ratkaisseet tämän keskitetyllä middlewarella, joka normalisoi ja rikastaa dataa ennen tekoäly-käyttöä, sen sijaan, että se puskee raakalaitteita alas.

Tässä konteksti-insinööritieteellä on kriittinen rooli. Järjestelmän on strukturoida saapuva data sähköisistä terveydenhuolto-asiakirjoista, lääkintälaitteista ja maksajien alustoista yhtenäiseen kontekstuaaliseen perustaan, varmistamalla, että tekoäly-syötteet ovat semanttisesti linjassa kunkin potilaan ja kohtaamisen kanssa. Tämä mahdollistaa tiiviin integraation sähköisten terveydenhuolto-asiakirjojen työnkulkuun, sallien havaintojen ilmestyä hoitopisteen äärellä.

Mitkä ovat suurimmat tekniset haasteet tekoäly-mallien käyttöönotossa kliinisissä ympäristöissä, erityisesti mallien validoinnissa, seurannassa ja siirtymisen hallinnassa?

Haasteellisin ongelma ei ole ainoastaan tarkin tarkkuuden heikkeneminen, vaan havaitsematon virheen leviäminen yhteydessä oleviin työnkulkuun. Konteksti-insinööritieteellä on ensisijainen puolustuslinja, joka strukturoida tietojen ympäristöä, jossa mallit toimivat. Järjestelmän on validoitava syötteet kliinisen ja operatiivisen yhtenäisyyden osalta ennen tekoäly-päätöksentekoa, vähentäen virheitä lähteessä.

Validointi on mennä automaattisten mittareiden yli ja sisältää ihmisen uudelleentulkinnan, varmistamalla, että tulokset heijastavat todellista kliinistä merkitystä, ei pelkästään tilastollista suorituskykyä. Tämä lähestymistapa perustaa mallin arvioinnin todellisiin kliinisiin ja hallinnollisiin tuloksiin, ei abstrakteihin vertailuihin.

Mallin siirtymisen on hallittava aktiivisesti, kun potilaspopulaatiot, kliiniset ohjeet ja käyttäytyminen kehittyvät. Tämä vaatii jatkuvaa seurantaa, joka on kytketty todellisiin palautekanaviin, ja checkpoints on upotettu havaitsemaan siirtymistä kliinisen merkityksen, maksajan sääntöjen ja työnkulun yhtenäisyyden suhteen.

Lopulta menestyminen riippuu sovittamisesta sopeutuvuuden ja tiukkojen sääntelyodotuksien välillä. Tekoäly-käyttöönotto kliinisissä ja SaMD-ympäristöissä vaatii vankkaa luottamuksen kerrosta, joka pakottaa varmistukset, laukaisee ihmisen tarkastelun ja varmistaa valvottavan uudelleen koulutuksen ennen kuin se vaikuttaa potilashoitoon.

Miten lähestyt selittämisen ja auditoinnin rakentamista tekoäly-järjestelmiin, jotka käytetään sääntelyssä olevissa terveydenhuollon ympäristöissä?

Selittäminen on olemassa, jotta ihmiset voivat vastustaa, ohittaa ja oppia tekoäly-tuloksista, ei ainoastaan ymmärtää niitä. Konteksti-insinööritieteellä tekee tämän vastustettavuuden struktuuriseksi, ei pinnallisesti, koodaamalla kliinisiä ohjeita, sääntöjä ja työnkulun logiikkaa suoraan tekoäly-ympäristöön. Tuloksena jokainen tuloste voidaan jäljittää takaisin kontekstuaalisiin syötteisiin, jotka muovasivat sen, sen sijaan, että se olisi jälkikäteen koodattu.

Auditointi, vastaavasti, on luotava instituutio-muisti, ei pelkästään sääntelyjälkikäteen. Tämä saavutetaan käyttämällä sääntöjä koodina upottamalla sääntely- ja organisaatiotasoiset säännöt suoraan suoritusvirtoihin, käsitellessä kehykset, kuten HIPAA ja CMS-ohjeet, hallitsevina syötteinä alusta alkaen, ei ulkoisina tarkastelmina, jotka sovelletaan myöhemmin.

Lisäksi muuttumattomat lokit ja audit-reitit ovat välttämättömiä sääntelyvalvonnan ja kliinisen luottamuksen tueksi. Järjestelmän on tallennettava ei ainoastaan se, mikä päätös tehtiin, vaan myös koko konteksti, mukaan lukien data, rajoitukset ja työnkulun tila, jotka ohjasivat sitä.

Yleensä ihmisen valvonta on välttämätön vaatimus korkean riskin tai peruuttamattomien kliinisten päätösten osalta. Rakentamalla läpinäkyvä luottamuksen kerros varmistamme, että kun sääntelyviranomainen tai kliinikko kysyy, miksi tekoäly-järjestelmä teki tietyn suosituksen, vastaus on välittömästi saatavilla ja puolustettavissa.

Agenttiperusteisten ja autonomisten järjestelmien nousun myötä, mitkä varmistukset ovat tarpeen varmistamaan luotettavuuden ja estämään tahattomia tuloksia kliinisissä työnkulkuissa?

Terveydenhuollossa agenttijärjestelmät ovat arvokkaita vain, kun automaation rajat ovat selkeät ja kääntymättömät. Konteksti-insinööritieteellä auttaa määrittämään nämä rajat strukturoiden operatiivisen laajuuden, kliiniset rajoitukset ja eskalaatiologiikan ympäristöön, varmistamalla, että autonomia toimii hallitussa kehyksessä, ei mallien itse-sääntelyssä.

Tämä vaatii autonomiaa, jossa on vastuu, mukaan lukien selkeät roolimääritykset, eskalaatioreitit ja deterministiset tarkastuspisteet, jotka on upotettu agentin käyttäytymiseen. Järjestelmän on varmistettava, että agentit toimivat kliinisesti ja operatiivisesti hyväksyttyjen rajojen puitteissa, jotka on arkkitehtonisesti pakotettu, ei pelkästään sääntöperusteisia.

Se vaatii myös jatkuvaa seurantaa agentin käyttäytymisestä, päätöksenteon laadusta ja tahattomista interaktioista. Me toteutamme sääntöohjausta, joka estää agenteja toimimasta ulkopuolella heidän hyväksyttyjä kliinisiä tai operatiivisia laajuuttaan. Kliinisten työnkulkujen osalta ihmisen valvonta on perustava suunnitteluperiaate, ei pelkästään takaisinkutsu-mekanismi.

Kun siirrymme edistyneisiin agenttien orkestraatioihin, nämä agentit on toimittava tiukasti hallituissa, koodatuissa kehyksissä, varmistamaan luotettavuuden.

Miten älykkyys-ohjattu hoito näyttää potilaiden kannalta seuraavan kymmenen vuoden aikana?

Seuraavan kymmenen vuoden aikana tekoäly vähentää kitkaa ennen kuin se muuttaa hoitoa, aloittaen hallinnosta, koordinaatiosta ja päätöksenteosta. Älykkyys-ohjattu hoito onnistuu, kun kliinikot luottavat oletuksiin, mutta pitävät vahvasti valtansa. Tekoäly muuttuu orkestraattoriksi koko hoidon jatkumossa, ennakoiden tarpeita sen sijaan, että se reagoisi vain tapahtumiin.

Konteksti-insinööritieteellä mahdollistaa tämän siirtymän strukturoiden pitkittäisiä kliinisiä, vaatimusten ja operatiivisia dataa, jotta tekoäly voi päätellä koko jatkumon yli vaaditun syvyyden, ei pelkästään ennustavaa oivallusta, vaan luotettavaa toimintaa. Tämä tukee enemmän personoiduista, jatkuvista ja konteksti-tietoisista hoitopoluista eri ympäristöissä.

“Konteksti-tietoinen” on avain sana, ja se ei ole sattumaa. Toimittaa todella personoidut hoitopolut mittakaavassa, tekoäly-järjestelmien on perityä syvä kontekstuaalinen tietämys kunkin potilaan kliinisestä historiasta, maksajaympäristöstä ja hoitoympäristöstä. Kliinikot ovat tuettuina kopiloteilla ja päätöksenteon älyllä, mikä vähentää heidän kognitiivista ja hallinnollista taakkaa merkittävästi.

Ajan myötä terveydenhuollon järjestelmät kehittyvät oppimisjärjestelmiksi, jotka paranevat jatkuvasti, kun data, mallit ja todellisen maailman palaute kytkeytyvät yhteen. Rakentamalla vankka luottamuksen kerros tänään, luomme toiminnallisen perustan tälle kitkattomalle tulevaisuudelle.

Kiitos yksityiskohtaisista vastauksista. Lukijat, jotka haluavat oppia lisää, voivat vierailla CitiusTech-sivustolla.