Dr. Rihan Javid, CEO dan Co-Founder Rinova – Seri Wawancara

Dr. Rihan Javid, CEO dan Co-Founder Rinova AI, adalah seorang eksekutif dan wirausaha yang fokus pada modernisasi operasi kesehatan melalui kecerdasan buatan. Selain memimpin Rinova, ia adalah Co-Founder dan Presiden Edge, yang menyediakan infrastruktur tempat kerja jarak jauh untuk praktik asuransi, medis, dan gigi. Sebagai seorang psikiater yang berpraktik, ia saat ini menjabat sebagai Direktur Medis dan Chief Medical Officer di CommonSpirit Health dan St. Joseph’s Behavioral Health Center, sementara juga memegang peran klinis di Touro University Medical Group. Pengalaman sebelumnya termasuk berpraktik psikiatri di The Permanente Medical Group, Inc. dan menyelesaikan pelatihan residensi di California Pacific Medical Center dan University of South Florida, serta pengalaman kepemimpinan sebelumnya sebagai principal di rekrutmen hukum.

Rinova AI adalah sebuah perusahaan teknologi kesehatan yang fokus pada manajemen siklus pendapatan yang didorong oleh kecerdasan buatan dan otomatisasi penagihan medis. Platform ini dirancang untuk mengurangi beban administratif bagi penyedia layanan kesehatan dengan mengotomatisasi proses-proses kunci seperti verifikasi asuransi, optimasi kode, pengajuan klaim, dan manajemen penolakan. Dengan memanfaatkan kecerdasan buatan untuk menyederhanakan alur kerja dan meningkatkan akurasi, Rinova bertujuan untuk menyediakan penghematan biaya yang signifikan dibandingkan dengan layanan penagihan tradisional sambil mempercepat pembayaran dan meningkatkan kinerja keuangan untuk organisasi kesehatan.

Anda co-found Edge pada 2021 setelah bertahun-tahun bekerja sebagai seorang psikiater dan kemudian sebagai direktur medis dan CMO. Dari perspektif kecerdasan buatan, apa sinyal awal yang Anda perhatikan dalam alur kerja penagihan seperti data yang terfragmentasi, perubahan aturan pembayar, atau penanganan pengecualian manual yang meyakinkan Anda bahwa otomatisasi pada akhirnya akan menjadi tidak terhindarkan?

Ketika saya berpraktik dan kemudian mengelola operasi klinik, saya melihat seberapa banyak gesekan yang ada dalam penagihan. Data hidup dalam beberapa sistem yang tidak berkomunikasi dengan baik. Persyaratan pembayar berubah terus-menerus. Staf menghabiskan jam-jam untuk mengulangi klaim karena alasan yang sering kali dapat diprediksi dalam retrospeksi.

Apa yang menonjol bagi saya adalah repetisi. Kesalahan yang sama, pola penolakan yang sama, celah dokumentasi yang sama. Ini bukanlah masalah yang jarang atau nuansa. Mereka adalah kegagalan operasional yang berulang. Pada skala tertentu, Anda menyadari bahwa meminta orang untuk mengelola kompleksitas tersebut secara manual tidak berkelanjutan. Itulah saatnya menjadi jelas bahwa otomatisasi bukanlah pilihan. Itu sudah pasti.

Ketika Anda meluncurkan Rinova AI beberapa tahun kemudian, apa yang telah berubah pada sisi teknologi atau data yang membuatnya mungkin untuk menerapkan kecerdasan buatan pada manajemen siklus pendapatan dengan cara yang dapat beroperasi dengan andal melawan aturan pembayar yang sebenarnya dan kompleksitas klaim dunia nyata?

Dua hal berubah. Pertama, lingkungan data membaik. Integrasi antara EHR, clearing house, dan platform penagihan menjadi lebih terstruktur. Itu memberi kami input yang lebih bersih dan umpan balik yang lebih kuat.

Kedua, teknologi matang. Kami melampaui mesin aturan sederhana. Model menjadi mampu mengevaluasi konteks, bukan hanya memeriksa kotak. Itu memungkinkan kami untuk menganalisis dokumentasi, pengkodean, dan logika pembayar bersama-sama, bukan dalam isolasi.

Ini bukan berarti penagihan tiba-tiba menjadi sederhana. Ini karena ekosistem menjadi stabil enough untuk kecerdasan buatan beroperasi dengan andal.

Manajemen siklus pendapatan secara tradisional bergantung pada aturan statis dan pemulihan pascapenolakan. Bagaimana memperkenalkan kecerdasan buatan lebih awal dalam alur kerja mengubah cara rumah sakit memikirkan tentang risiko keuangan dan prediktabilitas pembayaran?

Secara tradisional, tim siklus pendapatan menerima tingkat penolakan tertentu sebagai bagian dari melakukan bisnis. Pekerjaan dimulai setelah sesuatu salah.

Ketika kecerdasan buatan diperkenalkan di hulu, tujuan bergeser dari pemulihan ke pencegahan. Anda dapat mengidentifikasi celah dokumentasi atau kesalahan pengkodean sebelum pengajuan. Itu mengurangi variabilitas dalam pembayaran.

Rumah sakit mulai berpikir kurang tentang mengejar pendapatan dan lebih tentang mengontrol risiko sebelum itu materialisasi. Itu mengubah peramalan, model staf, dan bahkan diskusi tingkat dewan tentang stabilitas keuangan.

Sistem kecerdasan buatan sering berperforma baik pada kasus standar tetapi berjuang di tepi. Dalam operasi penagihan saat ini, jenis skenario apa yang paling efektif ditangani oleh otomatisasi, dan di mana penilaian manusia masih memainkan peran kritis?

Otomatisasi bekerja paling baik dalam tugas terstruktur, volume tinggi. Pemeriksaan kelayakan, validasi otorisasi, konsistensi pengkodean, dan deteksi pola penolakan semuanya merupakan area di mana mesin dapat memproses lebih cepat dan konsisten daripada orang.

Penilaian manusia masih penting dalam kasus tepi. Banding yang memerlukan nuansa klinis, sengketa kontraktual, perilaku pembayar yang tidak biasa, atau skenario pasien yang kompleks semuanya mendapat manfaat dari pengalaman dan penalaran. Kecerdasan buatan dapat mengidentifikasi risiko. Manusia masih menafsirkan area abu-abu dan membuat keputusan akhir.

Edge menyematkan tim siklus pendapatan yang terlatih dalam kesehatan ke dalam alur kerja rumah sakit, sementara Rinova mengotomatisasi pengambilan keputusan di hulu. Bagaimana Anda mendekati desain sistem kecerdasan buatan yang memperkuat pengambilan keputusan manusia daripada memperkenalkan risiko operasional baru?

Kami mendekati kecerdasan buatan sebagai lapisan dukungan, bukan pengganti. Sistem menyajikan rekomendasi dan menjelaskan logikanya. Tim kesehatan yang terlatih kami tetap tersemat dalam alur kerja.

Struktur itu penting. Kecerdasan buatan menangani skala dan pengenalan pola. Manusia menangani pengawasan dan akuntabilitas. Ketika peran tersebut jelas, Anda mengurangi risiko daripada meningkatkannya.

Tujuan adalah mengurangi beban kognitif, bukan menghilangkan penilaian manusia.

Kebijakan pembayar berubah secara teratur dan tidak selalu ditegakkan secara konsisten. Bagaimana intelijen pembayar waktu nyata mengubah umpan balik antara pengajuan klaim, penolakan, dan perbaikan model terus-menerus?

Kebijakan pembayar berubah secara teratur dan penegakan tidak selalu konsisten. Secara historis, organisasi memperbarui aturan secara berkala dan berharap mereka mutakhir.

Dengan umpan balik waktu nyata, setiap penolakan dan persetujuan menjadi titik data. Model belajar dari hasil aktual daripada asumsi statis. Itu mempersingkat kesenjangan antara perubahan kebijakan dan penyesuaian operasional.

Seiring waktu, itu mengurangi penolakan yang tidak terduga dan meningkatkan akurasi pengajuan. Itu membuat sistem lebih adaptif.

Rumah sakit secara alami berhati-hati tentang sistem kecerdasan buatan yang mempengaruhi arus kas. Apa tingkat transparansi atau kontrol yang Anda pikir pemimpin kesehatan harus harapkan sebelum mempercayai keputusan penagihan yang didorong oleh kecerdasan buatan?

Pemimpin harus mengharapkan kejelasan. Mereka harus memahami mengapa rekomendasi dibuat. Mereka harus dapat mengesampingkannya. Dan mereka harus memiliki jejak audit yang jelas.

Siklus pendapatan secara langsung mempengaruhi arus kas dan kepatuhan. Kepercayaan datang dari visibilitas dan kontrol, bukan dari otomatisasi buta. Setiap sistem kecerdasan buatan yang beroperasi dalam ruang ini harus memenuhi standar tersebut.

Kekurangan staf dalam tim siklus pendapatan sering dianggap sebagai masalah tenaga kerja. Dari perspektif Anda, seberapa besar masalahnya sebenarnya berakar pada kualitas data dan desain alur kerja, dan di mana kecerdasan buatan dapat memiliki dampak terbesar?

Tantangan staf sangat nyata, tetapi banyak di antaranya diperburuk oleh desain alur kerja yang buruk. Ketika tim menghabiskan sebagian besar waktu mereka untuk memperbaiki kesalahan yang dapat dicegah, kelelahan meningkat dan produktivitas menurun.

Jika Anda membersihkan input data dan mengurangi penolakan yang dapat dihindari, tim yang sama dapat beroperasi lebih efektif. Kecerdasan buatan memiliki dampak terbesar di mana ia menghilangkan pekerjaan ulang yang berulang dan memstandarisasi proses.

Seringkali, masalahnya bukan hanya jumlah staf. Ini adalah gesekan.

Seiring kecerdasan buatan menjadi tertanam dalam operasi siklus pendapatan, bagaimana Anda melihat peran tim siklus pendapatan berkembang dalam beberapa tahun ke depan dalam hal pengawasan, penanganan pengecualian, dan tata kelola?

Saya berharap tim siklus pendapatan menjadi lebih strategis. Kurang waktu untuk pemrosesan berulang. Lebih banyak waktu untuk pengawasan, banding kompleks, negosiasi pembayar, dan analisis kinerja.

Ketika otomatisasi menangani pekerjaan rutin, tim manusia beralih ke tata kelola dan optimasi. Itu meningkatkan fungsi daripada menguranginya.

Memprediksi ke depan, apakah Anda berharap platform siklus pendapatan yang didorong oleh kecerdasan buatan menjadi infrastruktur keuangan inti untuk rumah sakit daripada alat opsional, dan apa yang akan diaktifkan oleh pergeseran tersebut untuk organisasi yang beroperasi di bawah tekanan margin konstan?

Ya. Tekanan margin tidak akan pergi. Prediktabilitas dalam pembayaran akan menjadi sangat penting.

Platform yang didorong oleh kecerdasan buatan yang meningkatkan akurasi dan mengurangi kebocoran akan berpindah dari menjadi alat opsional ke infrastruktur dasar. Ketika arus kas menjadi lebih stabil, rumah sakit dapat merencanakan dengan lebih percaya diri dan berinvestasi lebih sengaja dalam perawatan pasien.

Itu adalah hasil akhir yang kami pedulikan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Rinova AI atau Edge.