Rajan Kohli, PDG de CitiusTech – Série d’entretiens : Une conversation de retour

Rajan Kohli est le directeur général de CitiusTech et est responsable de la stratégie globale, de la croissance et de la mission de l’entreprise pour accélérer l’innovation dans les soins de santé et les sciences de la vie. Un vétéran de l’exécutif technologique avec plus de trois décennies d’expérience, Rajan a dirigé des initiatives de transformation numérique à grande échelle dans les domaines des soins de santé, de l’ingénierie, de la modernisation du cloud, des plateformes de données et de l’intelligence artificielle. Depuis qu’il a pris les rênes de CitiusTech, il s’est concentré sur l’aide aux organisations de soins de santé pour aller au-delà de la transformation numérique vers des modèles d’exploitation impulsés par l’intelligence, l’interopérabilité et l’analyse avancée.

CitiusTech est un fournisseur leader de services technologiques de soins de santé, de consulting et de solutions numériques pour les prestataires de soins de santé, les payeurs, les entreprises de technologie médicale et les organisations des sciences de la vie dans le monde entier. L’entreprise se spécialise dans les plateformes de données de soins de santé, l’interopérabilité, la modernisation du cloud, l’ingénierie numérique, l’analyse et l’intelligence artificielle. À mesure que les organisations de soins de santé cherchent de plus en plus à exploiter l’IA à grande échelle, CitiusTech a élargi son focus pour construire des systèmes de soins de santé impulsés par l’intelligence qui combinent des fondations de données fiables, une gouvernance, une interopérabilité et une IA consciente du flux de travail. Grâce à des solutions telles que Knewron et son écosystème plus large d’IA et de données, CitiusTech aide les organisations à transformer les opérations de soins de santé fragmentées en environnements connectés et conscients du contexte qui améliorent l’efficacité, la prise de décision et les résultats pour les patients.

Cet entretien est une suite à notre conversation précédente avec Rajan Kohli, où nous avons exploré le rôle croissant de l’IA générative, de l’interopérabilité, de la modernisation des données de soins de santé et de la transformation numérique dans l’écosystème des soins de santé. Depuis lors, l’industrie a progressé rapidement de l’expérimentation avec l’IA à son déploiement dans des environnements de production, créant de nouveaux défis autour de la gouvernance, de la confiance, de l’explicabilité et de la mise à l’échelle opérationnelle. Dans cette dernière discussion, Rajan partage comment les organisations de soins de santé peuvent aller au-delà des pilotes d’IA isolés vers des soins impulsés par l’intelligence, pourquoi l’ingénierie du contexte émerge comme une fondation critique pour l’IA dans les soins de santé, et ce qu’il faudra pour construire des systèmes fiables et évolutifs capables de soutenir la prochaine génération de soins aux patients.

Vous apportez des décennies d’expérience dans la conduite d’initiatives de transformation numérique à grande échelle. Comment ce parcours a-t-il façonné votre perspective sur pourquoi la transformation des soins de santé est unique et complexe ?

La transformation des soins de santé est unique et difficile parce qu’il n’y a pas de définition unique du succès. Les résultats cliniques, les paiements exacts, l’accès, le coût et l’expérience souvent tirent dans des directions différentes. Contrairement à d’autres secteurs, les soins de santé sont contraints par les risques cliniques, la surveillance réglementaire et la responsabilité éthique. Les modes de défaillance sont mesurés en termes de résultats pour les patients, et non en termes de fuites de revenus.

C’est là que l’ingénierie du contexte devient fondamentale : la discipline de structuration de l’environnement d’information dans lequel l’IA opère, afin que les sorties soient cliniquement précises, conscientes du flux de travail et prêtes à la conformité dès le départ. La mise à l’échelle nécessite une pensée systémique à travers les chaînes de valeur plutôt que la numérisation de fonctions cloisonnées. Les soins de santé nécessitent une contextualisation approfondie des flux de travail, de la sémantique des données sur les données cliniques, les réclamations et les appareils, ainsi que des voies de conformité complexes. Des plateformes comme Knewron sont construites sur ce principe, allant au-delà de l’IA à usage général pour intégrer le contexte spécifique au domaine au niveau de l’architecture.

Cette complexité est amplifiée par les écosystèmes fragmentés impliquant les payeurs, les prestataires, les entreprises de technologie médicale et les sciences de la vie. Chacun de ces acteurs opère sur des systèmes, des incitations et des normes de données différents. Ce qui apparaît comme un problème technologique en surface est presque toujours un problème de contexte et de cohérence en dessous.

En fin de compte, le succès de la transformation dépend non seulement de la modernisation technologique, mais également de l’ingénierie de la confiance. Nous devons activer une couche de confiance dans l’IA des soins de santé à l’échelle mondiale, en concevant des systèmes que les cliniciens et les régulateurs peuvent implicitement faire confiance dans les environnements de soins réels. L’ingénierie du contexte est le mécanisme qui rend cette confiance possible. Lorsque l’IA comprend le contexte clinique et opérationnel complet d’une décision, elle gagne cette confiance systématiquement, et non par hasard.

Vous avez décrit les soins de santé comme atteignant un point d’inflexion. Quels sont les facteurs spécifiques qui entraînent ce changement en ce moment ?

Le point d’inflexion que nous vivons actuellement est entraîné par le stress opérationnel, et non par la nouveauté technologique. Les pressions sur les coûts, l’épuisement des cliniciens et les pénuries graves de main-d’œuvre obligent les systèmes de santé à repenser complètement leurs modèles opérationnels au lieu de simplement numériser les modèles existants. Les processus manuels ne sont plus évolutifs, en particulier dans les réclamations, la facturation et les opérations cliniques, c’est pourquoi l’IA est agressivement intégrée dans les environnements de production.

Mais intégrer l’IA dans la production n’est que la moitié de l’équation ; l’autre moitié consiste à s’assurer que l’IA opère avec le bon contexte. Sans ingénierie du contexte, l’IA dans les flux de travail cliniques et opérationnels risque de générer des sorties qui sont techniquement correctes mais cliniquement ou administrativement mal alignées.

Parallèlement, les forces réglementaires telles que les règles d’interopérabilité de la CMS, la transparence des prix et les mesures de qualité numériques obligent la liquidité des données et accélèrent la modernisation. L’adoption du cloud a franchi un seuil de maturité, ce qui rend la modernisation et le déploiement de l’IA prêtes à la conformité à l’échelle de l’entreprise. L’IA est maintenant pleinement alignée sur la préparation des soins de santé car nous disposons enfin de flux de travail numérisés, de biens plus riches en données et de cadres de responsabilité plus clairs que lors des précédentes vagues technologiques.

Ce qui a manqué jusqu’à présent, c’est le tissu conjonctif entre les actifs de données brutes et l’action significative de l’IA, et ce tissu conjonctif, c’est le contexte. Nous voyons une demande distincte de solutions conçues pour aider les organisations de soins de santé à transformer ce stress opérationnel en efficacité mesurable.

Les soins de santé ont longtemps accusé un retard dans la numérisation par rapport à d’autres industries. Qu’est-ce qui a changé pour rendre le déploiement de l’IA à grande échelle possible aujourd’hui ?

L’IA évolue maintenant car les organisations de soins de santé apprennent à coder les politiques, les directives cliniques et la logique opérationnelle, plutôt que d’ingérer de vastes quantités de données. Le changement fondamental consiste à passer de modèles qui interprètent les informations brutes à des systèmes qui exécutent des connaissances programmables avec une surveillance stricte. C’est exactement ce que permet l’ingénierie du contexte, en déplaçant l’IA de l’interprétation passive à l’exécution active et réglementée en structurant l’environnement de connaissances dans lequel les modèles opèrent.

La friction fondamentale a été considérablement réduite par l’adoption généralisée de FHIR, HL7, des plateformes de données natives du cloud et des architectures basées sur les événements. Les organisations de soins de santé reconnaissent de plus en plus que l’IA doit être intégrée dans les flux de travail plutôt que d’exister sous forme de tableaux de bord autonomes. L’IA consciente du flux de travail est essentielle pour permettre cela, en garantissant que les systèmes comprennent la sémantique du flux de travail et conduisent à des résultats actionnables.

Des outils tels que MLOps, DevSecOps et l’automatisation de la conformité ont permis une validation, un suivi et une rééducation contrôlés en continu. Nous voyons un déplacement distinct de l’expérimentation vers des cas d’utilisation liés à la valeur, tels que les lacunes de soins, l’autorisation préalable, l’intégrité des réclamations, l’imagerie et le soutien à la décision clinique. Cette échelle n’est possible que lorsque nous intégrons des garde-fous robustes et une surveillance humaine dans ces flux de travail opérationnels.

Le secteur ajoute des emplois mois après mois, et cela aide car l’IA n’est pas considérée comme prenant des emplois. L’IA à grande échelle aide à diriger les investissements pour de meilleurs résultats pour les patients et les cliniciens.

De nombreuses organisations restent bloquées dans les phases de pilote. Quels sont les principaux obstacles qui empêchent l’IA de passer à une utilisation opérationnelle réelle dans les soins de santé ?

L’IA a du mal à évoluer dans les soins de santé parce que plusieurs réalités structurelles apparaissent simultanément. Les processus de soins de santé opèrent rarement vers un seul objectif ; les résultats cliniques, le coût, l’accès, l’expérience du patient, la précision du remboursement et le risque à long terme impliquent souvent des fournisseurs, des payeurs, des régulateurs et des patients. Définir le succès est complexe mais essentiel. De nombreux pilotes échouent parce qu’ils ne sont pas ancrés dans des métriques de résultats partagées. Le contexte opérationnel structuré aide à résoudre ce problème en codifiant les objectifs, les contraintes et les priorités des parties prenantes dès le départ, plutôt que de compter sur les modèles pour les déduire des données brutes.

Un second obstacle est le coût et l’effort d’annotation et de validation. La mise à l’échelle nécessite une implication continue des cliniciens et des experts du cycle de revenus, dont le temps est à la fois limité et coûteux et souvent sous-estimé lors des phases de pilote.

Troisièmement, les lacunes de gouvernance et d’intégration deviennent plus visibles à l’échelle. Les pilotes manquent souvent de traçabilité, de contrôles de politique et de surveillance humaine nécessaires pour les flux de travail à haut risque impliquant les informations sur la santé protégées. De plus, les erreurs émergent tard dans les environnements réels, en particulier dans les réclamations et la facturation, où les sorties ne répondent pas aux règles des payeurs ou aux attentes d’interopérabilité. Les écosystèmes technologiques fragmentés, y compris les systèmes hérités, les plateformes propriétaires et l’adoption inégale de HL7/FHIR, rendent les intégrations fragiles et difficiles pour les solutions d’IA génériques.

La mise à l’échelle réussit seulement lorsque l’IA s’aligne sur les objectifs opérationnels réels, est soutenue par de solides fondations de données et est conçue pour des flux de travail complexes. Un déplacement émerge maintenant vers des MVP axés sur la chaîne de valeur, ciblant des cas d’utilisation à forte incidence avec une valeur commerciale claire et un parrainage exécutif, en déplaçant la conversation de l’expérimentation de l’IA vers la transformation des processus mesurables.

D’un point de vue système, à quoi ressemble une architecture d’IA prête pour les soins de santé, en particulier en termes de pipelines de données, d’interopérabilité et d’infrastructure cloud ?

Une architecture prête pour l’IA est celle où l’application des politiques, la validation et l’escalade sont intégrées directement dans les flux de travail, et non gérées à l’extérieur comme une afterthought. Elle nécessite des plateformes de données natives du cloud unifiées qui ingèrent les réclamations, les dossiers médicaux électroniques, l’imagerie, les données des appareils et les données opérationnelles dans des couches hautement réglementées.

Nous devons donner la priorité à l’interopérabilité basée sur les normes en utilisant FHIR, HL7, SMART sur FHIR et DICOM, soutenue par des moteurs de validation dédiés. Il doit y avoir une séparation claire des préoccupations à travers les couches d’ingestion, de traitement, d’analyse, de services d’IA et de gouvernance. L’ingénierie du contexte se situe à l’intersection de ces couches ; c’est la discipline qui relie les données brutes ingérées aux entrées enrichies sémantiquement que les services d’IA peuvent agir avec précision et responsabilité.

La sécurité intégrée est incontournable, englobant le contrôle d’accès basé sur les rôles, le chiffrement, la gestion des consentements, la traçabilité et les journaux d’audit. Le succès de l’architecture est finalement mesuré par la capacité des systèmes à échouer en toute sécurité, et non par la sophistication des composants. En encodant des cadres tels que HIPAA et le RGPD directement dans la couche d’exécution, nous construisons la confiance architecturale requise pour le déploiement mondial.

Comment les organisations gèrent-elles le traitement et l’intégration des données en temps réel à travers les dossiers médicaux électroniques, les appareils médicaux et les plateformes de payeurs pour permettre la prise de décision impulsée par l’IA ?

Le traitement en temps réel n’a d’importance que lorsque les connaissances émergent à l’intérieur des flux de travail des cliniciens et des opérateurs, et non en aval dans les tableaux de bord secondaires. Le défi principal est de gérer la variabilité et les exceptions, plutôt que de se concentrer uniquement sur le débit des données. Les organisations abordent cela à l’aide de middleware qui normalisent et enrichissent les données avant la consommation de l’IA, plutôt que de pousser les flux bruts en aval.

C’est là que l’ingénierie du contexte joue un rôle critique. Le système doit structurer les données entrantes à partir des dossiers médicaux électroniques, des appareils médicaux et des plateformes de payeurs dans une fondation contextuelle cohérente, en garantissant que les entrées de l’IA sont sémantiquement alignées avec la décision clinique ou opérationnelle spécifique. Cela permet une intégration étroite avec les flux de travail des dossiers médicaux électroniques, permettant aux connaissances d’apparaître au point de soin.

Plus important encore, cela rend l’intégration significative et non purement technique, en garantissant que les sorties reflètent non seulement les données, mais également les directives cliniques, les règles des payeurs et les contraintes du flux de travail pertinentes pour chaque patient et rencontre. L’accent est mis sur l’interception du flux de travail au bon moment et la fourniture d’un soutien actionnable sans perturber les rythmes opérationnels existants.

Quels sont les plus grands défis techniques dans le déploiement de modèles d’IA dans les environnements cliniques, en particulier autour de la validation des modèles, de la surveillance et de la gestion du décalage ?

Le défi le plus difficile n’est pas la dégradation de la précision seule, mais la propagation d’erreurs non détectées à travers les flux de travail interconnectés. L’ingénierie du contexte sert de première ligne de défense en structurant l’environnement de connaissances dans lequel les modèles opèrent. Le système doit valider les entrées pour la cohérence clinique et opérationnelle avant que le raisonnement de l’IA ne commence, en réduisant les erreurs à la source.

La validation doit aller au-delà des métriques automatisées et inclure une réinterprétation humaine, en garantissant que les sorties reflètent la pertinence clinique réelle et non seulement la performance statistique. Cette approche ancre l’évaluation du modèle dans les résultats cliniques et administratifs réels, et non dans les benchmarks abstraits.

Le décalage du modèle doit également être géré activement à mesure que les populations de patients, les directives cliniques et les comportements évoluent. Cela nécessite une surveillance continue liée à des boucles de rétroaction du monde réel, avec des points de contrôle intégrés pour détecter le décalage en termes de pertinence clinique, d’alignement sur les règles des payeurs et de cohérence du flux de travail.

En fin de compte, le succès dépend de l’équilibre entre l’adaptabilité et les attentes réglementaires strictes. Le déploiement de l’IA dans les environnements cliniques et les dispositifs médicaux réglementés nécessite une couche de confiance solide, qui impose des garde-fous, déclenche une révision humaine et assure une rééducation contrôlée avant tout impact sur les soins aux patients.

Comment abordez-vous l’explicabilité et la traçabilité dans les systèmes d’IA utilisés dans les environnements de soins de santé réglementés ?

L’explicabilité existe pour que les humains puissent contester, outrepasser et apprendre des sorties de l’IA, et non seulement les comprendre. L’ingénierie du contexte rend cette contestabilité structurelle plutôt que superficielle en encodant les directives cliniques, les règles de politique et la logique opérationnelle directement dans l’environnement d’IA. En conséquence, chaque sortie peut être retracée jusqu’aux entrées contextuelles qui l’ont façonnée, plutôt que d’être rétroconçue après coup.

La traçabilité, de même, doit créer une mémoire institutionnelle et non servir de simple afterthought de conformité. Cela est réalisé en utilisant le code de politique pour intégrer les règles réglementaires et organisationnelles directement dans les flux d’exécution, en traitant des cadres tels que HIPAA et les directives de la CMS comme des entrées de gouvernance dès le départ, et non comme des vérifications externes appliquées plus tard.

En outre, les journaux d’audit et les traces immuables sont essentiels pour soutenir la surveillance réglementaire et la confiance clinique. Le système devrait capturer non seulement la décision prise, mais également le contexte complet, y compris les données, les contraintes et l’état du flux de travail qui l’ont informée.

À travers tout cela, la surveillance humaine dans la boucle reste une exigence essentielle pour les décisions cliniques à haut risque ou irréversibles. La construction de cette couche de confiance transparente garantit que lorsque un régulateur ou un clinicien demande pourquoi un système d’IA a fait une recommandation spécifique, la réponse est immédiatement accessible et défendable.

Avec l’émergence des systèmes basés sur des agents et autonomes, quels sont les garde-fous nécessaires pour assurer la fiabilité et prévenir les résultats non intentionnels dans les flux de travail cliniques ?

Dans les soins de santé, les systèmes agents sont précieux seulement lorsque les limites de l’automatisation sont explicites et inversibles. L’ingénierie du contexte aide à définir ces limites en structurant la portée opérationnelle, les contraintes cliniques et la logique d’escalade dans l’environnement, en garantissant que l’autonomie opère dans un cadre réglementé et non en se fiant à des modèles pour s’auto-réguler.

Cela nécessite une autonomie avec responsabilité, y compris des définitions de rôle claires, des chemins d’escalade et des points de contrôle déterministes intégrés dans le comportement de l’agent. Le système doit garantir que les agents opèrent dans des limites cliniques et opérationnelles approuvées qui sont architecturalement imposées, et non simplement définies par des politiques.

Cela nécessite également une surveillance continue du comportement de l’agent, de la qualité de la décision et des interactions non intentionnelles. Nous mettons en œuvre des contraintes basées sur les politiques qui empêchent les agents d’agir en dehors de leur portée clinique ou opérationnelle approuvée. Pour les flux de travail cliniques, la présence humaine dans la boucle est un principe de conception fondamental, et non un mécanisme de secours.

À mesure que nous nous dirigeons vers une orchestration avancée d’agent à agent, ces agents doivent opérer strictement dans des cadres réglementés et codifiés pour garantir la fiabilité.

En regardant vers l’avenir, à quoi ressemblera réellement les soins impulsés par l’intelligence pour les patients au cours de la prochaine décennie ?

La prochaine décennie verra l’IA réduire la friction avant de transformer les soins, en commençant par l’administration, la coordination et le soutien à la décision. Les soins impulsés par l’intelligence réussissent lorsque les cliniciens font confiance aux valeurs par défaut mais conservent fermement leur autorité. L’IA devient un orchestrateur à travers la continuité des soins, en anticipant les besoins plutôt que de simplement réagir aux événements.

L’ingénierie du contexte permet ce déplacement en structurant les données cliniques, les réclamations et les données opérationnelles longitudinales de telle sorte que l’IA puisse raisonner à travers la continuité des soins avec la profondeur requise pour une action fiable, et non seulement pour une perspicacité prédictive. Cela soutient des parcours de soins plus personnalisés, continus et conscients du contexte à l’échelle.

L’expression « conscient du contexte » est l’expression opérative, et ce n’est pas accidentel. Fournir des parcours de soins vraiment personnalisés à grande échelle nécessite que les systèmes d’IA héritent d’une connaissance contextuelle approfondie de l’histoire clinique de chaque patient, de l’environnement de payeur et du contexte de soins. Les cliniciens seront soutenus par des copilotes et une intelligence de décision, réduisant considérablement leur charge cognitive et administrative.

Au fil du temps, les systèmes de soins de santé évolueront en systèmes d’apprentissage, s’améliorant continuellement à mesure que les données, les modèles et les rétroactions du monde réel se combinent. En ingéniant une solide couche de confiance aujourd’hui, nous posons les fondations opérationnelles pour cet avenir sans friction.

Merci pour les réponses détaillées, les lecteurs qui souhaitent en savoir plus devraient visiter CitiusTech.