Rajan Kohli, CEO of CitiusTech – Interview Series

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 berprestasi dengan pengalaman di bidang transformasi digital, aplikasi, dan layanan 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 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 utama konsultasi dan teknologi digital untuk perusahaan kesehatan dan ilmu kehidupan. Sebagai mitra strategis untuk perusahaan pembayar, penyedia, MedTech, dan ilmu kehidupan terkemuka di dunia, CitiusTech memacu 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 saja elemen kunci yang diperlukan untuk mengimplementasikan strategi transformasi digital di organisasi kesehatan dan ilmu kehidupan?

Industri kesehatan telah bergelut dalam mengadopsi solusi digital, dengan perjalanan transformasi digital yang sukses terjadi secara sporadis selama bertahun-tahun. Namun, dengan teknologi yang siap untuk memicu lompatan paradoks 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 berbagai 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 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 skala dan efisiensi karena volume yang meningkat, banyak produsen obat khusus harus mengadopsi strategi transformasi digital untuk merampingkan operasi dan meningkatkan efisiensi secara keseluruhan.

Mengimplementasikan transformasi digital di kesehatan dan ilmu kehidupan memerlukan pendekatan 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 dalam 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 mulus antara sistem dan platform yang berbeda. Dengan menggunakan platform integrasi dan solusi middleware, perusahaan dapat menjembatani sistem yang berbeda, memastikan aliran data yang lancar dan komunikasi di seluruh organisasi. Dengan mengadopsi 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 mencapai 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.

Hal ini terutama benar dalam kedokteran pribadi. Mengembangkan rencana perawatan yang dipersonalisasi untuk pasien tertentu dapat sulit dan memakan waktu jika dilakukan secara manual. Dengan memanfaatkan 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 disiapkan, akses pasien ke asisten kesehatan virtual yang dipimpin AI sangat penting, karena pasien memiliki akses 24/7 ke saran medis, pemeriksaan gejala, dan penjadwalan janji, yang meningkatkan keterlibatan pasien, perawatan yang lebih efektif, dan hasil pasien yang lebih baik.

Gen AI juga memainkan peran signifikan dalam mempercepat proses persetujuan dan peluncuran obat. Pandemi menunjukkan potensi 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 dipimpin 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 dalam deteksi anomali. Dengan demikian, memfasilitasi diagnosis dini dan perawatan kondisi seperti kanker, secara signifikan memperbaiki hasil pasien.

Terakhir, analitik prediktif yang dipimpin Gen AI memiliki potensi yang revolusioner. Model Gen AI prediktif menganalisis sejumlah besar data kesehatan untuk memprediksi wabah penyakit, readmisi pasien, dan komplikasi potensial, memungkinkan intervensi proaktif dan pengelolaan yang lebih baik dari penyakit kronis.

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

AI generatif 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.

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

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

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

AI generatif melengkapi potensi manusia, meningkatkan kepuasan kerja bagi profesional kesehatan, dan lebih fokus pada perawatan inovatif dan kepuasan pasien.

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

Kualitas dan kepercayaan telah menjadi titik kritis dalam diskusi di seluruh industri kesehatan di tengah pertumbuhan cepat AI generatif. Ini memerlukan fokus yang kuat pada masalah ini untuk memastikan manfaat yang dihasilkan 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 langkah-langkah 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 wewenang pengambilan keputusan akhir untuk melindungi terhadap potensi kesalahan AI.

Mempertahankan Kualitas dan Keadilan: Sistem AI generatif dapat secara tidak sengaja memperkuat bias yang ada dalam data pelatihan, yang mengarah pada 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 dipimpin AI generatif melibatkan banyak pemangku kepentingan, termasuk pengembang, penyedia kesehatan, dan pengguna akhir. Model AI yang dapat dijelaskan dan transparan diperlukan untuk pengambilan keputusan yang tepat. Pengembang harus memastikan bahwa model AI tidak bias dan aman, sementara penyedia kesehatan perlu memahami bahwa mereka tetap bertanggung jawab atas keputusan yang diambil dengan menggunakan rekomendasi AI. Mengimplementasikan kerangka kerja regulasi yang kuat sangat penting untuk menangani masalah tanggung jawab dan mempertahankan kepercayaan.

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

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 AI generatif untuk memastikan hasil yang konsisten dan dapat dipercaya.

Awal tahun ini, kami meluncurkan Solusi Kualitas dan Kepercayaan AI Generatif 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 AI generatif 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 seluruh 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 sistem AI membantu mengidentifikasi dan memperbaiki bias. Ini melibatkan evaluasi kinerja sistem di seluruh 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 meningkatkan kesadaran dan mempromosikan penggunaan AI yang bertanggung jawab.

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

Mengintegrasikan data tentang DSK secara signifikan dapat memperbaiki 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 pandangan holistik tentang kesehatan pasien, memungkinkan rencana perawatan yang dipersonalisasi. Misalnya, pasien dari latar belakang berpenghasilan 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 gizi bagi mereka yang membutuhkan.

Manajemen kesehatan populasi adalah area lain 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 kerja 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 mengembangkan 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?

Seperti 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 warisan dan kerentanan perangkat lunak umum di organisasi kesehatan, karena banyak masih menggunakan sistem kuno. Mengupdate dan memperbaiki 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 signifikan dalam mencegah masalah ini. Sangat penting untuk menciptakan tim kepatuhan khusus yang bertanggung jawab untuk melakukan audit keamanan dan asesmen risiko secara teratur untuk mengidentifikasi kerentanan dan memastikan kepatuhan terhadap persyaratan regulasi seperti HIPAA.

Langkah paling penting mungkin adalah pelatihan dan pendidikan yang berkelanjutan untuk staf TI dan profesional kesehatan untuk melindungi terhadap ancaman keamanan siber yang berkembang. Banyak ancaman ini yang mengeksploitasi 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. Memastikan privasi dan kerahasiaan pasien sangat penting, dengan solusi AI yang mematuhi peraturan perlindungan data yang ketat dan menggunakan 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 harus dirancang untuk menghindari bias dan memastikan perawatan 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 dipimpin AI dan mengembangkan mekanisme untuk pengawasan.

Mengikuti semua ini adalah langkah besar untuk menangani kekhawatiran dan perlawanan yang dimiliki profesional kesehatan dan pasien terhadap implementasi. Tetapi juga penting untuk menyediakan pendidikan tentang implementasi dan manfaat AI, yang melibatkan pemangku kepentingan dalam proses implementasi AI, membangun komitmen untuk mendekati 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 seluruh platform dan aplikasi yang berbeda?

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

Misalnya, sebuah rencana biru besar dengan lebih dari satu juta anggota ingin melampaui data klaim anggota dan pencarian chart manual dan memanfaatkan data klinis untuk mempercepat penutupan celah perawatan. Mencari solusi yang dapat memanfaatkan 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 AI Generatif CitiusTech yang baru diluncurkan, solusi ujung-ke-ujung yang lebih memperkuat integrasi data, memastikan keandalan, akurasi, dan kepatuhan terhadap wawasan yang dipimpin AI. Solusi ini menyediakan validasi komprehensif, pemantauan terus-menerus, dan kepatuhan terhadap standar regulasi, memungkinkan organisasi kesehatan untuk memanfaatkan AI secara efektif untuk pengambilan keputusan yang ditingkatkan dan hasil pasien.

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

Dengan integrasi AI dalam kesehatan dan ilmu kehidupan yang tumbuh dengan cepat, penggunaan AI yang meningkat untuk analitik prediktif dan kedokteran pribadi, meningkatkan efisiensi operasional melalui otomatisasi, dan memajukan pencitraan medis dan diagnosis 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 AI generatif seperti alat kualitas dan kepercayaan kami, serta solusi AI lainnya yang memanfaatkan teknologi terbaru untuk memperbaiki hasil pasien dan efisiensi operasional. Ini adalah prioritas utama untuk fokus pada memastikan penggunaan AI yang etis dan adil, menangani bias, dan mempertahankan transparansi dan akuntabilitas dalam keputusan yang dipimpin AI. Ini adalah prioritas utama bagi tim kami untuk tetap terupdate dengan tren AI terbaru, memastikan bahwa kami memiliki sumber daya terbaik yang tersedia untuk membantu organisasi kesehatan menavigasi lanskap integrasi AI yang berkembang.

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