Rajan Kohli, CEO of CitiusTech – Interview Series: Percakapan Balasan

Rajan Kohli adalah Chief Executive Officer dari CitiusTech dan bertanggung jawab atas strategi global perusahaan, pertumbuhan, dan misi untuk mempercepat inovasi di bidang kesehatan dan ilmu kehidupan. Sebagai eksekutif teknologi veteran dengan lebih dari tiga dekade pengalaman, Rajan telah memimpin inisiatif transformasi digital skala besar yang meliputi kesehatan, teknik, modernisasi cloud, platform data, dan kecerdasan buatan. Sejak memimpin CitiusTech, ia telah fokus membantu organisasi kesehatan melampaui transformasi digital menuju model operasional yang didorong oleh kecerdasan, yang ditenagai oleh AI, interoperabilitas, dan analitik lanjutan.

CitiusTech adalah penyedia layanan teknologi kesehatan, konsultasi, dan solusi digital yang memimpin, yang melayani penyedia kesehatan, pembayar, perusahaan MedTech, dan organisasi ilmu kehidupan di seluruh dunia. Perusahaan ini berspesialisasi dalam platform data kesehatan, interoperabilitas, modernisasi cloud, teknik digital, analitik, dan kecerdasan buatan. Ketika organisasi kesehatan semakin mencari untuk mengoperasikan AI pada skala besar, CitiusTech telah memperluas fokusnya untuk membangun sistem kesehatan yang didorong oleh kecerdasan, yang menggabungkan fondasi data yang tepercaya, tata kelola, interoperabilitas, dan AI yang sadar alur kerja. Melalui solusi seperti Knewron dan ekosistem AI dan data yang lebih luas, CitiusTech membantu organisasi mengubah operasi kesehatan yang terfragmentasi menjadi lingkungan yang terhubung, sadar konteks, yang meningkatkan efisiensi, pengambilan keputusan, dan hasil pasien.

Wawancara ini berfungsi sebagai lanjutan dari percakapan sebelumnya dengan Rajan Kohli, di mana kami menjelajahi peran yang berkembang dari kecerdasan buatan generatif, interoperabilitas, modernisasi data kesehatan, dan transformasi digital di seluruh ekosistem kesehatan. Sejak itu, industri telah berkembang pesat dari bereksperimen dengan AI ke penerapan dalam lingkungan produksi, menciptakan tantangan baru seputar tata kelola, kepercayaan, keterjelasan, dan skala operasional. Dalam diskusi terbaru ini, Rajan berbagi bagaimana organisasi kesehatan dapat melampaui pilot AI yang terisolasi menuju perawatan yang didorong oleh kecerdasan, mengapa teknik konteks muncul sebagai fondasi kritis untuk AI kesehatan, dan apa yang diperlukan untuk membangun sistem yang tepercaya dan dapat diskalakan yang mampu mendukung generasi berikutnya perawatan pasien.

Anda membawa puluhan tahun pengalaman memimpin inisiatif transformasi digital skala besar. Bagaimana perjalanan itu telah membentuk perspektif Anda tentang mengapa transformasi kesehatan uniknya kompleks?

Transformasi kesehatan uniknya sulit karena tidak ada definisi tunggal keberhasilan. Hasil klinis, penagihan dan pembayaran yang akurat, akses, biaya, dan pengalaman sering menarik ke arah yang berbeda. Tidak seperti sektor lain, kesehatan dibatasi oleh risiko klinis, pengawasan regulasi, dan akuntabilitas etika. Mode kegagalan diukur dalam hasil pasien, bukan kebocoran pendapatan.

Ini adalah tempat teknik konteks menjadi fondasi: disiplin untuk membangun lingkungan informasi di mana AI beroperasi, sehingga outputnya secara klinis akurat, sadar alur kerja, dan siap patuhi dari awal. Penskalaan memerlukan pemikiran sistemik di seluruh rantai nilai, bukan sekadar mendigitalkan fungsi yang terisolasi. Kesehatan memerlukan kontekstualisasi yang mendalam dari alur kerja, semantik data di seluruh klinis, klaim, dan data perangkat, serta jalur patuhi yang kompleks. Platform seperti Knewron dibangun berdasarkan prinsip ini, melampaui AI umum untuk memasukkan konteks domain-spesifik pada tingkat arsitektur.

Kompleksitas ini diperkuat oleh ekosistem yang terfragmentasi yang melibatkan pembayar, penyedia, MedTech, dan ilmu kehidupan. Setiap pemain ini beroperasi pada sistem, insentif, dan standar data yang berbeda. Apa yang tampak sebagai masalah teknologi di permukaan hampir selalu menjadi masalah konteks dan kohesi di bawahnya.

Akhirnya, keberhasilan transformasi tidak hanya bergantung pada modernisasi teknologi, tetapi juga pada teknik kepercayaan. Kami harus secara aktif membangun lapisan kepercayaan ke dalam AI kesehatan global, merancang sistem yang klinisi dan regulator dapat secara implisit mengandalkan dalam pengaturan perawatan nyata. Teknik konteks adalah mekanisme yang membuat kepercayaan ini memungkinkan. Ketika AI memahami konteks klinis dan operasional penuh dari keputusan, itu mendapatkan kepercayaan secara sistematis, bukan oleh kebetulan.

Anda telah menggambarkan kesehatan mencapai titik infleksi. Apa gaya-gaya spesifik yang mendorong pergeseran ini sekarang?

Titik infleksi yang kita alami sekarang didorong oleh stres operasional, bukan novitas teknologi. Tekanan biaya, kelelahan klinisi, dan kekurangan tenaga kerja yang parah memaksa sistem kesehatan untuk memikirkan kembali model operasional secara keseluruhan, bukan hanya mendigitalkan yang ada. Proses manual tidak lagi berskala, terutama dalam klaim, penagihan, dan operasi klinis, yang mengapa AI sedang ditarik agresif ke dalam lingkungan produksi.

Tapi menarik AI ke produksi hanya setengah dari persamaan; setengah lainnya adalah memastikan AI beroperasi dengan konteks yang tepat. Tanpa teknik konteks, AI dalam alur kerja klinis dan operasional berisiko menghasilkan output yang secara teknis benar tetapi secara klinis atau administratif tidak sejalan.

Bersamaan, gaya-gaya regulasi seperti aturan interoperabilitas CMS, transparansi harga, dan ukuran kualitas digital memaksakan likuiditas data dan mempercepat modernisasi. Adopsi cloud telah melintasi ambang kematangan, membuat modernisasi skala perusahaan dan penerapan AI yang siap patuhi memungkinkan. AI sekarang sepenuhnya sejalan dengan kesiapan kesehatan karena kita akhirnya memiliki alur kerja yang didigitalkan, aset data yang lebih kaya, dan kerangka akuntabilitas yang lebih jelas daripada gelombang teknologi sebelumnya.

Apa yang telah hilang sampai sekarang adalah jaringan penghubung antara aset data mentah dan tindakan AI yang bermakna, dan jaringan penghubung itu adalah konteks. Kami melihat permintaan pasar yang jelas untuk solusi yang dirancang khusus untuk membantu organisasi kesehatan mengubah stres operasional menjadi efisiensi yang dapat diukur.

Kesehatan telah lama tertinggal dalam digitalisasi dibandingkan dengan industri lain. Apa yang telah berubah untuk membuat penerapan AI skala besar memungkinkan hari ini?

AI sekarang berskala karena organisasi kesehatan belajar untuk mengkodekan kebijakan, pedoman klinis, dan logika operasional, bukan mengkonsumsi sejumlah besar data. Perubahan fundamental adalah beralih dari model yang menafsirkan informasi mentah ke sistem yang mengeksekusi pengetahuan yang diprogram dengan pengawasan ketat. Ini persis apa yang teknik konteks memungkinkan, memindahkan AI dari interpretasi pasif ke eksekusi yang diperintah dan diawasi dengan ketat dengan membangun lingkungan pengetahuan di mana model beroperasi.

Gesekan dasar telah drastis berkurang oleh adopsi luas FHIR, HL7, platform data cloud-asli, dan arsitektur berbasis peristiwa. Organisasi kesehatan semakin mengakui bahwa AI harus terintegrasi ke dalam alur kerja, bukan ada sebagai dashboard mandiri. AI yang sadar alur kerja adalah kunci untuk memungkinkan ini, memastikan sistem memahami semantik alur kerja dan menghasilkan hasil yang dapat diambil tindakan.

Alat seperti MLOps, DevSecOps, dan otomatisasi patuhi telah memungkinkan validasi, pemantauan, dan pelatihan ulang yang terkendali. Kami melihat pergeseran yang jelas dari eksperimen ke kasus penggunaan yang terkait nilai seperti celah perawatan, otorisasi sebelumnya, integritas klaim, pencitraan, dan dukungan keputusan klinis. Skala ini hanya memungkinkan ketika kita memasukkan guardrail yang kuat dan pengawasan manusia langsung ke dalam alur kerja operasional ini.

Industri ini menambahkan pekerjaan bulan demi bulan, dan itu membantu karena AI tidak dianggap sebagai pengambil alih pekerjaan. AI skala membantu mengarahkan investasi untuk hasil yang lebih baik bagi pasien dan klinisi.

Banyak organisasi masih terjebak dalam fase pilot. Apa hambatan kunci yang mencegah AI berpindah ke penggunaan operasional nyata di kesehatan?

AI bergelut untuk berskala di kesehatan karena kenyataan struktural yang muncul secara bersamaan. Proses kesehatan jarang beroperasi menuju satu tujuan; hasil klinis, biaya, akses, pengalaman pasien, akurasi pembayaran, dan risiko jangka panjang sering bersaing, melibatkan penyedia, pembayar, regulator, dan pasien. Mendefinisikan keberhasilan itu kompleks tetapi penting. Banyak pilot gagal karena tidak dilengkapi dengan metrik hasil yang jelas dan bersama. Konteks yang terstruktur membantu mengatasi ini dengan mengkodekan tujuan, kendala, dan prioritas pemangku kepentingan sebelumnya, bukan mengandalkan model untuk menyimpulkannya dari data mentah.

Hambatan kedua adalah biaya dan upaya anotasi dan validasi. Penskalaan memerlukan keterlibatan terus-menerus dari klinisi dan ahli siklus pendapatan, waktu yang terbatas dan mahal dan sering kali diremehkan selama fase pilot.

Ketiga, kesenjangan tata kelola dan integrasi menjadi lebih terlihat pada skala. Pilot sering kali kekurangan auditabilitas, kontrol kebijakan, dan pengawasan manusia yang diperlukan untuk alur kerja risiko tinggi yang melibatkan PHI. Selain itu, kesalahan muncul terlambat di lingkungan nyata, terutama dalam klaim dan penagihan, di mana output gagal memenuhi aturan pembayar atau harapan interoperabilitas. Ekosistem teknologi yang terfragmentasi, termasuk sistem warisan, platform milik, dan adopsi HL7/FHIR yang tidak merata, membuat integrasi menjadi rapuh dan sulit untuk solusi AI generik.

Penskalaan hanya berhasil ketika AI sejalan dengan tujuan operasional nyata, didukung oleh fondasi data yang kuat, dan dirancang untuk alur kerja yang kompleks. Perubahan sekarang muncul menuju MVP yang terfokus, didorong oleh rantai nilai, yang menargetkan kasus penggunaan berdampak tinggi dengan nilai bisnis yang jelas dan sponsor eksekutif, memindahkan percakapan dari eksperimen AI ke transformasi proses yang dapat diukur.

Dari perspektif sistem, apa yang tampak seperti arsitektur kesehatan yang siap AI, terutama dalam hal pipa data, interoperabilitas, dan infrastruktur cloud?

Arsitektur yang siap AI adalah di mana penegakan kebijakan, validasi, dan eskalasi terintegrasi langsung ke dalam alur kerja, bukan dikelola secara eksternal sebagai pemikiran kedua. Ini memerlukan platform data cloud-asli yang terunifikasi yang mengonsumsi klaim, EHR, pencitraan, perangkat, dan data operasional ke dalam lapisan yang sangat tergovernansi.

Kita harus memprioritaskan interoperabilitas berstandar menggunakan FHIR, HL7, SMART on FHIR, dan DICOM, didukung oleh mesin validasi khusus. Harus ada pemisahan yang jelas dari perhatian di seluruh lapisan penggunaan, pemrosesan, analitik, layanan AI, dan tata kelola. Teknik konteks berada di persimpangan lapisan ini; ini adalah disiplin yang menghubungkan data mentah yang dikonsumsi ke input yang diperkaya secara semantik yang layanan AI dapat bertindak dengan presisi dan akuntabilitas.

Keamanan bawaan adalah tidak dapat dinegosiasikan, mencakup RBAC, enkripsi, manajemen persetujuan, garis keturunan, dan jejak audit. Keberhasilan arsitektur akhirnya diukur oleh apakah sistem gagal dengan aman, bukan oleh kecanggihan komponen. Dengan mengkodekan kerangka kerja seperti HIPAA dan pedoman CMS langsung ke lapisan eksekusi, kita membangun kepercayaan arsitektur yang diperlukan untuk penerapan global.

Bagaimana organisasi menangani pemrosesan data waktu nyata dan integrasi di seluruh catatan kesehatan elektronik (EHR), perangkat medis, dan platform pembayar untuk memungkinkan pengambilan keputusan yang didorong oleh AI?

Pemrosesan waktu nyata hanya penting ketika wawasan muncul di dalam alur kerja klinisi dan operator, bukan di dasbor sekunder. Tantangan utama adalah mengelola variabilitas dan pengecualian, bukan hanya fokus pada throughput data. Organisasi menangani ini melalui middleware yang menormalkan dan memperkaya data sebelum konsumsi AI, bukan mendorong feed mentah ke hilir.

Ini adalah tempat teknik konteks memainkan peran kritis. Sistem harus membangun data masuk dari EHR, perangkat medis, dan platform pembayar ke dalam fondasi konteks yang kohesif, memastikan bahwa input AI sejalan secara semantik dengan keputusan klinis atau operasional spesifik. Ini memungkinkan integrasi yang erat dengan alur kerja EHR, memungkinkan wawasan muncul pada titik perawatan.

Lebih penting lagi, ini membuat integrasi menjadi bermakna, bukan hanya teknis, memastikan output mencerminkan tidak hanya data, tetapi juga pedoman klinis, aturan pembayar, dan kendala alur kerja yang relevan dengan setiap pasien dan pertemuan. Fokusnya adalah pada menangkap alur kerja pada saat yang tepat dan memberikan dukungan yang dapat diambil tindakan tanpa mengganggu irama operasional yang ada.

Apa tantangan teknis terbesar dalam menerapkan model AI di lingkungan klinis, terutama seputar validasi model, pemantauan, dan manajemen drift?

Tantangan terberat adalah tidak hanya penurunan akurasi, tetapi propagasi kesalahan yang tidak terdeteksi di seluruh alur kerja yang terhubung. Teknik konteks berfungsi sebagai garis pertahanan pertama dengan membangun lingkungan pengetahuan di mana model beroperasi. Sistem harus memvalidasi input untuk kohesi klinis dan operasional sebelum AI memulai penalaran, mengurangi kesalahan di sumber.

Validasi harus melampaui metrik otomatis dan mencakup reinterpretasi manusia, memastikan output mencerminkan relevansi klinis nyata, bukan hanya kinerja statistik. Pendekatan ini mengarahkan evaluasi model ke dalam hasil klinis dan administratif nyata, bukan hanya benchmark abstrak.

Drift model juga harus dikelola secara aktif karena populasi pasien, pedoman klinis, dan perilaku berkembang. Ini memerlukan pemantauan terus-menerus yang terkait dengan umpan balik dunia nyata, dengan titik periksa yang tertanam untuk mendeteksi drift dalam hal relevansi klinis, keselarasan aturan pembayar, dan konsistensi alur kerja.

Akhirnya, keberhasilan bergantung pada keseimbangan antara adaptabilitas dan harapan regulasi yang ketat. Penerapan AI di lingkungan klinis dan SaMD memerlukan lapisan kepercayaan yang kuat, yang menegakkan guardrail, memicu tinjauan manusia, dan memastikan pelatihan ulang yang terkendali sebelum dampak apa pun mencapai perawatan pasien.

Bagaimana Anda mendekati membangun keterjelasan dan auditabilitas ke dalam sistem AI yang digunakan dalam pengaturan kesehatan yang diatur?

Keterjelasan ada sehingga manusia dapat membantah, mengesampingkan, dan belajar dari output AI, bukan hanya memahaminya. Teknik konteks membuat keterjelasan ini struktural, bukan superfisial, dengan mengkodekan pedoman klinis, aturan kebijakan, dan logika operasional langsung ke dalam lingkungan AI. Sehingga, setiap output dapat dilacak kembali ke input konteks yang membentuknya, bukan hanya direkayasa ulang setelah fakta.

Auditabilitas, serupa, harus menciptakan memori institusional, bukan hanya sebagai pemikiran patuhi. Ini dicapai dengan menggunakan kode kebijakan untuk mengintegrasikan aturan regulasi dan organisasi langsung ke dalam alur eksekusi, mengobati kerangka kerja seperti HIPAA dan pedoman CMS sebagai input yang mengatur dari awal, bukan pemeriksaan eksternal yang diterapkan kemudian.

Di samping itu, log dan jejak audit yang tidak dapat diubah sangat penting untuk mendukung pengawasan regulasi dan kepercayaan klinis. Sistem harus mencatat tidak hanya keputusan yang diambil, tetapi juga konteks penuh, termasuk data, kendala, dan keadaan alur kerja yang mempengaruhi keputusan itu.

Di seluruh ini, pengawasan manusia dalam lingkar tetap menjadi persyaratan penting untuk keputusan klinis yang berisiko tinggi atau tidak dapat diubah. Membangun lapisan kepercayaan yang transparan ini memastikan bahwa ketika regulator atau klinisi bertanya mengapa sistem AI membuat rekomendasi tertentu, jawabannya segera tersedia dan dapat dipertahankan.

Dengan munculnya sistem berbasis agen dan otonom, apa safeguard yang diperlukan untuk memastikan keandalan dan mencegah hasil yang tidak diinginkan dalam alur kerja klinis?

Di kesehatan, sistem agen bernilai hanya ketika batasan otomatisasi eksplisit dan dapat dibalik. Teknik konteks membantu mendefinisikan batasan ini dengan membangun cakupan operasional, kendala klinis, dan logika eskalasi ke dalam lingkungan, memastikan bahwa otonomi beroperasi dalam kerangka yang tergovernansi, bukan hanya mengandalkan model untuk mengatur diri sendiri.

Ini memerlukan otonomi dengan akuntabilitas, termasuk definisi peran yang jelas, jalur eskalasi, dan titik periksa deterministik yang tertanam dalam perilaku agen. Sistem harus memastikan agen beroperasi dalam batasan klinis dan operasional yang disetujui secara arsitektur, bukan hanya kebijakan yang ditetapkan.

Ini juga memerlukan pemantauan terus-menerus terhadap perilaku agen, kualitas keputusan, dan interaksi yang tidak diinginkan. Kami menerapkan kendala berbasis kebijakan yang mencegah agen bertindak di luar cakupan klinis atau operasional yang disetujui. Untuk alur kerja klinis, manusia dalam lingkar adalah prinsip desain fundamental, bukan mekanisme cadangan.

Ketika kita beralih ke orkestrasi agen-ke-agen yang lebih maju, agen-agen ini harus beroperasi secara ketat dalam kerangka yang tergovernansi dan dikodekan untuk memastikan keandalan.

Melihat ke depan, apa yang terlihat seperti perawatan yang didorong oleh kecerdasan bagi pasien selama dekade berikutnya?

Dekade berikutnya akan melihat AI mengurangi gesekan sebelum mengubah perawatan, dimulai dengan administrasi, koordinasi, dan dukungan keputusan. Perawatan yang didorong oleh kecerdasan berhasil ketika klinisi mempercayai default tetapi tetap mempertahankan otoritas mereka. AI menjadi pengatur di seluruh kontinum perawatan, mengantisipasi kebutuhan daripada hanya bereaksi terhadap peristiwa.

Teknik konteks memungkinkan pergeseran ini dengan membangun data klinis, klaim, dan operasional longitudinal sehingga AI dapat bernalar di seluruh kontinum dengan kedalaman yang diperlukan untuk tindakan yang dapat diandalkan, bukan hanya wawasan prediktif. Ini mendukung jalur perawatan yang lebih personal, berkelanjutan, dan sadar konteks pada skala.

Frasa “sadar konteks” adalah yang operatif, dan itu tidak kebetulan. Mengirimkan jalur perawatan yang benar-benar personal pada skala memerlukan bahwa sistem AI mewarisi pengetahuan konteks yang mendalam tentang sejarah klinis pasien, lingkungan pembayar, dan pengaturan perawatan. Klinisi akan didukung oleh kopilot dan kecerdasan keputusan, secara signifikan mengurangi beban kognitif dan administratif mereka.

Seiring waktu, sistem kesehatan akan berkembang menjadi sistem pembelajaran, meningkatkan terus-menerus karena data, model, dan umpan balik dunia nyata bergabung. Dengan membangun lapisan kepercayaan yang kuat hari ini, kita meletakkan fondasi operasional untuk masa depan yang tanpa gesekan ini.

Terima kasih atas jawaban yang terperinci, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi CitiusTech.