Rajan Kohli, CEO CitiusTech – Seri Wawancara

Rajan Kohli adalah Chief Executive Officer dari CitiusTech dan bertanggung jawab atas arah strategis perusahaan dan memajukan misi CitiusTech untuk mempercepat inovasi teknologi kesehatan dan menghasilkan nilai jangka panjang bagi klien. Rajan adalah seorang eksekutif industri jasa teknologi yang sangat berpengalaman dengan pengalaman di bidang transformasi digital, layanan aplikasi dan teknik.

Sebelum bergabung dengan CitiusTech, Rajan telah menghabiskan lebih dari 27 tahun di Wipro dan baru-baru ini menjabat sebagai presiden bisnis Wipro iDEAS (Integrated Digital, Engineering and Application Services). Ia memimpin jalur bisnis global dengan pendapatan USD 6 miliar dan berkomitmen untuk membantu klien di seluruh dunia mempercepat transformasi dan mengubah cara mereka membangun dan mengirimkan produk, layanan, dan pengalaman digital.

CitiusTech adalah penyedia terkemuka konsultasi dan teknologi digital untuk perusahaan kesehatan dan ilmu hayati. Sebagai mitra strategis bagi perusahaan pembayar, penyedia, MedTech, dan ilmu hayati terkemuka di dunia, CitiusTech menggerakkan inovasi, transformasi bisnis, dan konvergensi industri. Mereka memainkan peran yang mendalam dan bermakna dalam mempercepat inovasi digital, menghasilkan nilai yang berkelanjutan, dan membantu meningkatkan hasil di seluruh ekosistem kesehatan.

Apa elemen kunci yang diperlukan untuk mengimplementasikan strategi transformasi digital di organisasi kesehatan dan ilmu hayati?

Industri kesehatan telah bergelut dalam penerimaan solusi digital, dengan perjalanan transformasi digital yang sukses terjadi secara sporadis selama bertahun-tahun. Namun, dengan teknologi yang siap untuk memicu lompatan paradigmatik dalam perawatan pasien, sudah waktunya bagi industri untuk melampaui tantangan ini.

Transformasi digital memiliki potensi untuk berdampak positif pada kesehatan di semua spesialisasi. Misalnya, produsen obat khusus harus menangani banyak tuntutan dari berbagai pemangku kepentingan dan ekosistem untuk memenuhi permintaan yang terus meningkat. Mengelola jaringan kompleks pemangku kepentingan dan ekosistem ini tidaklah mudah, dan banyak dari mereka mencari untuk memanfaatkan layanan hub dukungan pasien yang mengalihkan tanggung jawab ini dari produsen obat untuk mengelola tanggung jawab ini dan mengoptimalkan kinerja obat-klien. Namun, dengan layanan hub pasien menghadapi tantangan terkait skalabilitas dan efisiensi karena volume yang meningkat, banyak produsen obat khusus harus menerima strategi transformasi digital untuk merampingkan operasi dan meningkatkan efisiensi secara keseluruhan.

Mengimplementasikan transformasi digital di kesehatan dan ilmu hayati memerlukan pendekatan multifaset tiga arah.

• Komitmen kepemimpinan sangat penting untuk mengarahkan dan mempertahankan inisiatif ini, memastikan bahwa ada dukungan dari atas dan keselarasan dengan tujuan strategis. Ini berarti tidak hanya menciptakan visi dan peta jalan yang jelas yang menguraikan tujuan dan tonggak tertentu, tetapi juga berinvestasi pada teknologi dan solusi inovatif.
• Pengelolaan data yang kuat adalah elemen kritis lainnya. Membangun kerangka kerja tata kelola informasi yang kuat memastikan kualitas data, keamanan, dan kepatuhan terhadap peraturan. Ini termasuk mendefinisikan standar data, kebijakan, dan proses untuk pengelolaan data, serta memanfaatkan analitik lanjutan dan teknologi big data untuk mengekstrak wawasan yang dapat ditindaklanjuti dari data kesehatan.
• Interoperabilitas sangat penting untuk transformasi digital, yang memerlukan adopsi standar industri seperti HL7, FHIR, dan DICOM untuk memfasilitasi pertukaran data yang lancar antara sistem dan platform yang berbeda. Dengan menggunakan platform integrasi dan solusi middleware, dapat menjembatani sistem yang berbeda, memastikan aliran data yang lancar dan komunikasi di seluruh organisasi. Dengan menerima interoperabilitas sepenuhnya, organisasi dapat menghasilkan pengiriman kesehatan yang lebih efisien, efektif, dan berpusat pada pasien.

Namun, pada akhirnya, transformasi digital dimulai dan diakhiri dengan pasien. Organisasi kesehatan dapat mengotomatisasi proses sebanyak yang mereka inginkan, tetapi jika mereka tidak mengubah pengalaman atau nilai yang diterima pasien, akan sangat sulit untuk menemukan kesuksesan. Pendekatan yang berfokus pada pasien dengan implementasi solusi kesehatan digital yang meningkatkan keterlibatan pasien, memperbaiki akses ke perawatan, dan memungkinkan rencana perawatan yang dipersonalisasi sangat penting.

Bagaimana AI generatif saat ini digunakan untuk meningkatkan pengobatan kesehatan dan memperbaiki hasil pasien?

AI generatif (Gen) menawarkan manfaat transformasional di seluruh ekosistem kesehatan. Untuk kesehatan, industri di mana banyak tantangan yang berkelanjutan dapat dikaitkan dengan interaksi manusia-mesin yang tidak efektif, Gen AI memiliki kekuatan untuk menjembatani kesenjangan ini dan benar-benar mendemokratisasikan kesehatan.

Ini terutama benar dalam pengobatan yang dipersonalisasi. Mengembangkan rencana perawatan yang dipersonalisasi untuk pasien tertentu dapat sulit dan memakan waktu jika dilakukan secara manual. Dengan menggunakan Gen AI, algoritma menganalisis data genetik dan riwayat pasien untuk membuat rencana perawatan yang dipersonalisasi sesuai dengan keunikan genetik dan riwayat medis individu. Setelah rencana perawatan tersebut diterapkan, akses pasien ke asisten kesehatan virtual yang ditenagai AI sangat penting, karena pasien memiliki akses 24/7 ke saran medis, pemeriksaan gejala, dan penjadwalan janji, yang meningkatkan keterlibatan pasien, pengobatan yang lebih efektif, dan hasil pasien yang lebih baik.

Gen AI juga memainkan peran penting dalam mempercepat proses persetujuan dan peluncuran obat. Pandemi menunjukkan potensi untuk pengembangan obat yang cepat, didorong oleh kemampuan AI. Gen AI mempercepat pengembangan obat baru dengan mensimulasikan interaksi molekuler dan memprediksi senyawa mana yang kemungkinan efektif. Ini secara signifikan mengurangi waktu dan biaya yang terkait dengan metode penemuan obat tradisional. Platform AI yang ditenagai ini juga dapat menghasilkan kandidat obat potensial dan mengoptimalkan struktur kimia mereka, mempercepat proses dari konsep ke uji klinis.

Algoritma Gen AI juga meningkatkan akurasi pencitraan medis, memperbaiki kualitas gambar dan membantu mendeteksi anomali. Dengan melakukan ini, memfasilitasi diagnosis dini dan perawatan kondisi seperti kanker, secara signifikan meningkatkan hasil pasien.

Akhirnya, analitik prediktif yang ditenagai Gen AI memiliki potensi yang sangat penting. Model Gen AI prediktif menganalisis sejumlah besar data kesehatan untuk memprediksi wabah penyakit, readmisi pasien, dan komplikasi potensial, memungkinkan intervensi proaktif dan manajemen penyakit kronis yang lebih baik.

Bagaimana AI generatif dapat membantu mengurangi tugas-tugas yang membosankan bagi profesional kesehatan, sehingga memungkinkan mereka untuk fokus lebih pada perawatan pasien dan inovasi?

Gen AI dapat secara signifikan mengurangi beban tugas-tugas yang membosankan bagi profesional kesehatan seperti dokumentasi klinis, penjadwalan janji, pengelolaan catatan medis, dan pengolahan klaim asuransi. Profesional kesehatan dapat fokus pada perawatan pasien dan inovasi.

Contohnya, profesional kesehatan sangat bergantung pada Catatan Medis Elektronik (EMR) untuk pengiriman kesehatan yang lebih aman dan konsisten, tetapi melakukan ini memerlukan individu tersebut untuk terus-menerus bernavigasi antara pemahaman naratif mereka tentang riwayat pasien dan gejala, dan presentasi data terstruktur EMR. Gen AI menjembatani kesenjangan ini dan secara signifikan mengurangi beban kognitif bagi profesional kesehatan dengan merangkum riwayat pasien dan mengotomatisasi tugas manual, membebaskan waktu yang berharga untuk perawatan pasien yang lebih dipersonalisasi.

Sistem dukungan keputusan klinis memanfaatkan AI untuk memberikan profesional kesehatan dengan rekomendasi berbasis bukti, peringatan, dan pengingat. Sistem ini menganalisis data pasien dan literatur medis untuk menawarkan wawasan yang membantu dalam diagnosis dan perencanaan pengobatan, meningkatkan hasil klinis dan mengurangi beban kognitif pada penyedia kesehatan.

Teknologi pemantauan jarak jauh, yang ditenagai AI, terus-menerus melacak tanda-tanda vital pasien dan status kesehatan, memungkinkan penilaian kesehatan waktu nyata tanpa perlu kunjungan tatap muka yang sering. Ini meningkatkan kenyamanan pasien dan memungkinkan deteksi dini potensial masalah kesehatan, yang menyebabkan intervensi yang tepat waktu dan manajemen kondisi kronis yang lebih baik.

Gen AI meningkatkan potensi manusia, meningkatkan kepuasan kerja bagi profesional kesehatan, lebih fokus pada pengiriman kesehatan inovatif dan kepuasan pasien.

Apa langkah-langkah yang dapat diambil untuk memaksimalkan efektivitas solusi Gen AI dalam memantau kualitas dan memastikan kepercayaan dalam keputusan kesehatan?

Kualitas dan kepercayaan telah menjadi poin penting dalam diskusi di seluruh industri kesehatan di tengah-tengah pertumbuhan Gen AI yang cepat. Ini memerlukan fokus yang kuat pada masalah-masalah ini untuk memastikan manfaatnya dapat direalisasikan secara bertanggung jawab. Di antara langkah-langkah yang dapat diambil:

Privasi dan Keamanan Data: Memastikan privasi pasien sangat penting, yang memerlukan anonimisasi data yang cermat dan tindakan keamanan siber yang ketat untuk mencegah akses tidak sah dan pelanggaran data. Mengimplementasikan protokol enkripsi yang kuat dan mekanisme pertahanan terhadap serangan adversarial dapat melindungi data pasien, sementara klinisi harus mempertahankan otoritas pengambilan keputusan akhir untuk melindungi terhadap kesalahan AI potensial.

Pemeliharaan Kualitas dan Keadilan: Sistem Gen AI dapat secara tidak sengaja mempertahankan bias yang ada dalam data pelatihan, yang menyebabkan disparitas dalam hasil kesehatan. Mengimplementasikan algoritma yang dapat menghilangkan bias, dan terus-menerus melatih ulang sistem AI untuk mendeteksi dan mitigasi bias, sangat penting.

Akuntabilitas dan Transparansi: Akuntabilitas dalam keputusan yang didorong Gen AI melibatkan banyak pemangku kepentingan, termasuk pengembang, penyedia kesehatan, dan pengguna akhir. Model AI yang dapat dijelaskan dan transparan diperlukan untuk pengambilan keputusan yang terinformasi. Pengembang harus memastikan bahwa model AI tidak bias dan aman, sementara penyedia kesehatan perlu memahami bahwa mereka tetap bertanggung jawab atas keputusan yang diambil menggunakan rekomendasi AI. Mengimplementasikan kerangka kerja regulasi yang kuat sangat penting untuk mengatasi masalah tanggung jawab dan mempertahankan kepercayaan.

Kerangka Etika: Mengembangkan kerangka etika untuk Gen AI adalah tentang memupuk tanggung jawab tanpa menghambat inovasi. Pemain kesehatan harus proaktif mematuhi standar etika yang berkembang untuk memastikan aplikasi Gen AI adil, bertanggung jawab, dan berfokus pada pasien. Pendekatan “manusia di dalam loop” yang dikombinasikan dengan praktik AI yang bertanggung jawab dapat membantu mencapai hasil kesehatan yang adil sambil memaksimalkan potensi Gen AI.

Kerangka Kualitas dan Kepercayaan Berbasis Platform: Membangun kerangka kualitas dan kepercayaan yang terintegrasi ke dalam sistem manajemen kualitas yang ada dan selaras dengan rekomendasi regulasi sangat penting. Kerangka ini harus mengukur, memvalidasi, dan memantau solusi GenAI untuk memastikan hasil yang konsisten dan dapat dipercaya.

Awal tahun ini, kami meluncurkan Solusi Kualitas dan Kepercayaan Gen AI CitiusTech, solusi ujung-ke-ujung pertama dari jenisnya di kesehatan. Solusi ini dapat menangani persyaratan ini dengan menyediakan validasi komprehensif, pemantauan terus-menerus, dan kepatuhan terhadap standar regulasi, menjamin efektivitas dan kepercayaan solusi Gen AI di kesehatan.

Bagaimana organisasi kesehatan dapat bekerja untuk mengidentifikasi dan mitigasi bias algoritma dan data pelatihan untuk memastikan keputusan perawatan yang adil?

Organisasi kesehatan harus sangat proaktif dalam pendekatannya. Menggunakan dataset yang beragam dan representatif selama fase pelatihan membantu mengurangi bias, memastikan bahwa model AI berkinerja baik di berbagai kelompok populasi. Mengimplementasikan alat deteksi bias dapat membantu mengidentifikasi dan mengatasi bias dalam model AI dengan menganalisis output model untuk mendeteksi disparitas dalam rekomendasi perawatan atau prediksi.

Pemeriksaan dan tinjauan reguler terhadap sistem AI membantu mengidentifikasi dan memperbaiki bias. Ini melibatkan mengevaluasi kinerja sistem di berbagai kelompok demografis dan membuat penyesuaian yang diperlukan. Desain dan pengembangan yang inklusif, yang terdiri dari kelompok pemangku kepentingan yang beragam dalam desain dan pengembangan solusi AI, memastikan bahwa berbagai perspektif dipertimbangkan, mengurangi kemungkinan bias. Terakhir, pendidikan dan pelatihan untuk karyawan tentang potensi bias dalam sistem AI dan bagaimana mengatasinya sangat penting dalam menciptakan kesadaran dan mempromosikan penggunaan AI yang bertanggung jawab.

Bagaimana organisasi kesehatan dapat menggunakan data tentang Determinan Sosial Kesehatan (DSK) secara efektif untuk meningkatkan perawatan pasien, dan apa tantangan dalam mengintegrasikan data ini ke dalam kode diagnostik resmi?

Mengintegrasikan data tentang DSK secara signifikan dapat meningkatkan perawatan pasien, tetapi ada tantangan yang perlu diatasi. Pengumpulan data yang komprehensif sangat penting, termasuk informasi seperti status sosioekonomi, pendidikan, dan faktor lingkungan. Data ini memberikan wawasan tentang faktor sosial yang mempengaruhi kesehatan pasien.

Integrasi data dan interoperabilitas sangat penting untuk menggunakan data DSK secara efektif. Mengintegrasikan data ini ke dalam catatan kesehatan elektronik (EHR) dan memastikan interoperabilitas antara sistem yang berbeda memungkinkan penyedia kesehatan untuk memiliki gambaran yang holistik tentang kesehatan pasien, memungkinkan rencana perawatan yang dipersonalisasi. Misalnya, pasien dari latar belakang dengan pendapatan rendah atau mereka yang tinggal di daerah dengan akses terbatas ke layanan kesehatan mungkin memerlukan dukungan tambahan untuk mengelola kondisi kronis. Dengan mengintegrasikan data DSK, organisasi kesehatan dapat mengembangkan program pendekatan yang ditargetkan, menyediakan sumber daya untuk transportasi ke janji medis, dan menawarkan bantuan nutrisi bagi mereka yang membutuhkan.

Manajemen kesehatan populasi juga merupakan area di mana data DSK memainkan peran kritis. Dengan menganalisis data DSK pada tingkat komunitas, organisasi kesehatan dapat mengidentifikasi tren dan pola yang memandu strategi kesehatan masyarakat.

Namun, mengintegrasikan data DSK ke dalam kode diagnostik resmi menimbulkan masalah interoperabilitas atau standarisasi. Saat ini tidak ada kerangka yang diterima secara universal untuk mengkodekan data DSK. Memastikan kualitas data juga sulit, karena data DSK sering berasal dari berbagai sumber dengan tingkat akurasi dan kelengkapan yang berbeda. Kolaborasi antara organisasi kesehatan, pembuat kebijakan, dan vendor teknologi untuk membangun praktik standar dan memastikan integrasi data yang komprehensif akan menjadi langkah penting dalam mengatasi hambatan ini.

Apa tantangan keamanan siber utama yang dihadapi organisasi kesehatan, dan bagaimana mereka dapat diatasi?

Sebagaimana yang kita lihat selama setahun terakhir, organisasi kesehatan sangat rentan terhadap ancaman keamanan siber. Pelanggaran data dan serangan ransomware adalah masalah signifikan, yang memerlukan implementasi enkripsi yang kuat, autentikasi multifaktor, dan audit keamanan reguler untuk mitigasi ancaman ini. Sistem dan perangkat lunak yang sudah ketinggalan zaman umum terjadi di organisasi kesehatan, karena banyak yang masih menggunakan sistem yang sudah ketinggalan zaman. Mengupdate dan memperbarui perangkat lunak secara teratur, serta bermigrasi ke platform modern yang aman, sangat penting.

Ancaman dari dalam, di mana karyawan dengan akses ke data sensitif, juga menimbulkan risiko signifikan. Mengimplementasikan kontrol akses yang ketat, memantau aktivitas pengguna, dan menyediakan pelatihan keamanan siber dapat memainkan peran penting dalam mencegah masalah ini. Sangat penting untuk menciptakan tim kepatuhan yang didedikasikan yang bertanggung jawab untuk melakukan audit keamanan reguler dan penilaian risiko untuk mengidentifikasi kerentanan dan memastikan kepatuhan terhadap persyaratan regulasi seperti HIPAA.

Langkah paling penting adalah pelatihan dan pendidikan yang berkelanjutan untuk staf TI dan profesional kesehatan untuk melindungi terhadap ancaman keamanan siber yang berkembang. Banyak ancaman ini memanfaatkan kerentanan manusia, sehingga semakin terdidik staf tentang praktik keamanan siber terbaik, semakin rendah kemungkinan kesalahan manusia, yang mengarah ke data pasien yang lebih aman.

Apa pertimbangan etika utama yang harus dipertimbangkan organisasi kesehatan saat mengimplementasikan solusi AI, dan bagaimana mereka dapat menavigasi penolakan terhadap implementasi AI di rumah sakit?

Ini adalah salah satu masalah paling penting yang harus diatasi organisasi kesehatan, dengan kebutuhan untuk mempertimbangkan beberapa aspek etika dan menavigasi penolakan potensial terhadap implementasi AI. Memastikan privasi dan kerahasiaan pasien sangat penting, yang memerlukan kepatuhan terhadap peraturan perlindungan data yang ketat dan mengimplementasikan langkah-langkah keamanan yang kuat. Pasien harus diberitahu tentang penggunaan AI dalam perawatan mereka dan memberikan persetujuan, yang melibatkan penjelasan tentang bagaimana AI akan digunakan dan manfaat serta risiko potensial.

Bias dan keadilan juga merupakan pertimbangan penting. Sistem AI dirancang untuk menghindari bias dan memastikan perlakuan yang adil bagi semua pasien, tetapi masalah dapat timbul jika organisasi tidak berhati-hati. Itu membuat pemantauan dan penyesuaian terus-menerus dari model AI ini sangat penting untuk mempertahankan keadilan.

Sangat penting untuk transparan tentang penggunaan AI dan bertanggung jawab atas keputusan yang diambil oleh sistem AI, terutama dengan menyediakan penjelasan untuk keputusan yang didorong AI dan mengembangkan mekanisme untuk pengawasan. Melakukan semua ini adalah langkah besar untuk menangani kekhawatiran dan perlawanan yang dimiliki profesional kesehatan dan pasien terhadap implementasi AI.

Namun, juga penting untuk menyediakan pendidikan tentang implementasi dan manfaat AI, melibatkan pemangku kepentingan dalam proses implementasi AI, dan membangun komitmen untuk pendekatan yang komprehensif yang berfokus pada membangun kepercayaan, menyediakan komunikasi yang jelas, dan memastikan penggunaan AI yang etis.

Bagaimana solusi CitiusTech dapat membantu organisasi kesehatan mencapai integrasi data yang lancar dan interoperabilitas di berbagai platform dan aplikasi?

Di CitiusTech, kami dapat memungkinkan inovasi digital kesehatan, transformasi bisnis, dan konvergensi industri untuk perusahaan kesehatan dan ilmu hayati di seluruh dunia. Solusi kami dirancang untuk mencapai integrasi data yang lancar dan interoperabilitas di berbagai platform dan aplikasi. Platform integrasi kami yang canggih memastikan bahwa sistem yang berbeda dapat berkomunikasi dan berbagi data secara efektif, memfasilitasi pertukaran data yang lancar untuk gambaran yang terintegrasi tentang informasi pasien.

Contohnya, sebuah rencana biru besar dengan lebih dari satu juta anggota ingin melampaui data klaim anggota dan pengejaran bagan manual dan memanfaatkan data klinis untuk mempercepat penutupan celah perawatan. Mencari solusi yang dapat menggunakan data klinis secara efektif, mereka menggunakan CitiusTech untuk mengintegrasikan data klinis dari berbagai EHR dan pengumpul data, membawa tabungan tahunan sebesar $10 juta.

Solusi manajemen CitiusTech mempertahankan kualitas data, keamanan, dan kepatuhan sepanjang proses integrasi untuk menangani kompleksitas data kesehatan, termasuk integrasi dan interoperabilitas sumber data dan platform yang beragam.

Solusi Kualitas dan Kepercayaan Gen AI CitiusTech yang baru diluncurkan, solusi ujung-ke-ujung yang lebih memperkuat integrasi data, memastikan keandalan, akurasi, dan kepercayaan wawasan yang didorong AI. Solusi ini menyediakan validasi yang kuat, pemantauan terus-menerus, dan kepatuhan terhadap standar regulasi, memungkinkan organisasi kesehatan untuk memanfaatkan AI secara efektif untuk pengambilan keputusan yang ditingkatkan dan hasil pasien yang lebih baik.

Apa tren masa depan yang Anda lihat dalam integrasi AI dalam kesehatan dan ilmu hayati, dan bagaimana CitiusTech mempersiapkan diri untuk menangani tren tersebut?

Dengan integrasi AI dalam kesehatan dan ilmu hayati yang tumbuh dengan cepat, penggunaan AI yang meningkat untuk analitik prediktif dan pengobatan yang dipersonalisasi, meningkatkan efisiensi operasional melalui otomatisasi, dan kemajuan dalam pencitraan medis dan diagnostik akan memiliki dampak signifikan pada industri.

Di CitiusTech, kami tetap mendahului tren ini dengan terus-menerus berinvestasi dalam R&D untuk tetap berada di garis depan kemajuan AI. Seperti yang disebutkan, kami telah mengembangkan solusi Gen AI seperti alat kualitas dan kepercayaan kami, serta solusi AI lainnya yang memanfaatkan teknologi terbaru untuk meningkatkan hasil pasien dan efisiensi operasional. Ini adalah prioritas penting untuk fokus pada memastikan penggunaan AI yang etis dan adil, menangani bias, dan mempertahankan transparansi dan akuntabilitas dalam keputusan yang didorong AI. Ini adalah prioritas bagi tim kami untuk tetap mendahului tren AI terbaru untuk memastikan kami memiliki sumber daya terbaik yang tersedia untuk membantu organisasi kesehatan menavigasi lanskap yang berkembang dari integrasi AI.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi CitiusTech.