Rajan Kohli, CEO di CitiusTech – Serie di interviste: Una conversazione di ritorno

Rajan Kohli è l’amministratore delegato di CitiusTech e si occupa della strategia globale, della crescita e della missione dell’azienda di accelerare l’innovazione nel settore sanitario e delle scienze della vita. Un veterano dirigente tecnologico con oltre tre decenni di esperienza, Rajan ha guidato importanti iniziative di trasformazione digitale in settori come la sanità, l’ingegneria, la modernizzazione cloud, le piattaforme di dati e l’intelligenza artificiale. Dal suo insediamento alla guida di CitiusTech, si è concentrato sull’aiuto alle organizzazioni sanitarie per andare oltre la trasformazione digitale verso modelli operativi guidati dall’intelligenza, alimentati da AI, interoperabilità e analisi avanzate.

CitiusTech è un importante fornitore di servizi tecnologici sanitari, consulenza e soluzioni digitali per i fornitori di servizi sanitari, i pagatori, le aziende di tecnologia medica e le organizzazioni delle scienze della vita in tutto il mondo. L’azienda si specializza in piattaforme di dati sanitari, interoperabilità, modernizzazione cloud, ingegneria digitale, analisi e intelligenza artificiale. Mentre le organizzazioni sanitarie cercano sempre più di operazionalizzare l’AI su larga scala, CitiusTech ha ampliato la sua attenzione verso la costruzione di sistemi sanitari guidati dall’intelligenza che combinano fondamenta di dati affidabili, governance, interoperabilità e AI consapevole del flusso di lavoro. Attraverso soluzioni come Knewron e il suo più ampio ecosistema di AI e dati, CitiusTech aiuta le organizzazioni a trasformare operazioni sanitarie frammentate in ambienti connessi e consapevoli del contesto, migliorando l’efficienza, la capacità di decisione e gli esiti per i pazienti.

Questa intervista serve come seguito alla nostra precedente conversazione con Rajan Kohli, in cui abbiamo esplorato il crescente ruolo dell’AI generativa, dell’interoperabilità, della modernizzazione dei dati sanitari e della trasformazione digitale in tutto l’ecosistema sanitario. Da allora, l’industria ha progredito rapidamente dall’esperimento con l’AI alla sua implementazione in ambienti di produzione, creando nuove sfide relative alla governance, alla fiducia, alla spiegabilità e alla scala operativa. In questa ultima discussione, Rajan condivide come le organizzazioni sanitarie possano andare oltre i piloti isolati di AI verso la cura guidata dall’intelligenza, perché l’ingegneria del contesto sta emergendo come fondamento critico per l’AI sanitaria e cosa sarà necessario per costruire sistemi affidabili e scalabili in grado di sostenere la prossima generazione di cure per i pazienti.

Porti decenni di esperienza nella guida di importanti iniziative di trasformazione digitale. Come ha plasmato il tuo punto di vista sulla complessità unica della trasformazione sanitaria?

La trasformazione sanitaria è particolarmente difficile perché non esiste una singola definizione di successo. Gli esiti clinici, la fatturazione e i pagamenti precisi, l’accesso, il costo e l’esperienza spesso tirano in direzioni diverse. A differenza di altri settori, la sanità è vincolata dal rischio clinico, dalla scrupolosità normativa e dalla responsabilità etica. I modi di fallimento sono misurati dagli esiti dei pazienti, non dalla perdita di entrate.

È qui che l’ingegneria del contesto diventa fondamentale: la disciplina di strutturare l’ambiente di informazione in cui l’AI opera, in modo che i risultati siano clinicamente precisi, consapevoli del flusso di lavoro e pronti per la conformità fin dall’inizio. La scalabilità richiede un pensiero sistemico attraverso le catene di valore piuttosto che la digitalizzazione di funzioni isolate. La sanità richiede una profonda contestualizzazione dei flussi di lavoro, della semantica dei dati tra clinica, richieste e dati dei dispositivi, nonché percorsi di conformità complessi. Piattaforme come Knewron sono costruite esattamente su questo principio, andando oltre l’AI generica per incorporare il contesto specifico del dominio a livello di architettura.

Questa complessità è amplificata da ecosistemi frammentati che coinvolgono pagatori, fornitori, aziende di tecnologia medica e scienze della vita. Ognuno di questi giocatori opera con sistemi, incentivi e standard di dati diversi. Ciò che sembra un problema tecnologico in superficie è quasi sempre un problema di contesto e coerenza al di sotto.

In definitiva, il successo della trasformazione dipende non solo dalla modernizzazione tecnologica, ma anche dall’ingegneria della fiducia. Dobbiamo attivamente progettare uno strato di fiducia nella AI sanitaria globale, progettando sistemi che i clinici e i regolatori possano affidarsi implicitamente in ambienti di cura reali. L’ingegneria del contesto è il meccanismo che rende possibile questa fiducia. Quando l’AI comprende il contesto clinico e operativo completo di una decisione, guadagna quella fiducia sistematicamente, non per caso.

Hai descritto la sanità come un settore che sta raggiungendo un punto di svolta. Quali sono le forze specifiche che stanno guidando questo cambiamento proprio adesso?

Il punto di svolta che stiamo vivendo adesso è guidato dallo stress operativo, non dalla novità tecnologica. Le pressioni sui costi, l’esaurimento dei clinici e le gravi carenze di personale stanno costringendo i sistemi sanitari a ripensare completamente i modelli operativi invece di limitarsi a digitalizzare quelli esistenti. I processi manuali non scalano più, in particolare nelle richieste, nella fatturazione e nelle operazioni cliniche, ed è per questo che l’AI sta essere aggressivamente inserita in ambienti di produzione.

Ma inserire l’AI in produzione è solo metà dell’equazione; l’altra metà consiste nel garantire che l’AI operi con il contesto giusto. Senza l’ingegneria del contesto, l’AI nei flussi di lavoro clinici e operativi rischia di generare output che sono tecnicamente corretti ma clinicamente o amministrativamente non allineati.

Contemporaneamente, le forze regolatorie come le regole di interoperabilità del CMS, la trasparenza dei prezzi e le misure di qualità digitali stanno imponendo la liquidità dei dati e accelerando la modernizzazione. L’adozione del cloud ha superato una soglia di maturità, rendendo possibile la modernizzazione e il deploy di AI a livello aziendale e conforme. L’AI è ora pienamente allineata alla prontezza sanitaria perché finalmente abbiamo flussi di lavoro digitalizzati, asset di dati più ricchi e quadri di responsabilità più chiari rispetto a precedenti ondate tecnologiche.

Ciò che è stato fino a ora mancante è il tessuto connettivo tra asset di dati grezzi e azione significativa dell’AI, e quel tessuto connettivo è il contesto. Stiamo vedendo una chiara domanda di mercato per soluzioni progettate per aiutare le organizzazioni sanitarie a trasformare questo stress operativo in efficienza misurabile.

La sanità è stata a lungo in ritardo nella digitalizzazione rispetto ad altri settori. Cosa è cambiato per rendere possibile l’implementazione dell’AI su larga scala oggi?

L’AI scala ora perché le organizzazioni sanitarie stanno imparando a codificare la politica, le linee guida cliniche e la logica operativa, invece di inghiottire grandi quantità di dati. Il fondamentale spostamento è passare da modelli che interpretano le informazioni grezze a sistemi che eseguono conoscenza programmabile con una stretta supervisione. Questo è esattamente ciò che l’ingegneria del contesto consente, spostando l’AI dall’interpretazione passiva all’esecuzione attiva e governata, strutturando l’ambiente di conoscenza in cui i modelli operano.

La frizione fondamentale è stata drasticamente ridotta dall’ampia adozione di FHIR, HL7, piattaforme di dati cloud-native e architetture basate su eventi. Le organizzazioni sanitarie riconoscono sempre più che l’AI deve essere incorporata all’interno dei flussi di lavoro piuttosto che esistere come dashboard isolate. L’AI consapevole del flusso di lavoro è la chiave per abilitare questo, garantendo che i sistemi comprendano la semantica del flusso di lavoro e guidino risultati azionabili.

Strumenti come MLOps, DevSecOps e automazione della conformità hanno abilitato la convalida continua, il monitoraggio e la ri-formazione controllata. Stiamo vedendo uno spostamento distintivo dall’esperimento a casi d’uso collegati al valore come lacune di cura, autorizzazione preventiva, integrità delle richieste, imaging e supporto alle decisioni cliniche. Questa scala è possibile solo quando incorporiamo robuste barriere di sicurezza e una supervisione umana nel loop direttamente in questi flussi di lavoro operativi.

L’industria sta aggiungendo posti di lavoro mese dopo mese, e questo aiuta perché l’AI non è vista come un sostituto dei posti di lavoro. L’AI su larga scala sta aiutando a dirigere gli investimenti per migliori esiti per i pazienti e i clinici.

Molte organizzazioni rimangono bloccate nelle fasi di pilotaggio. Quali sono le principali barriere che impediscono all’AI di muoversi verso un uso operativo reale nella sanità?

L’AI fatica a scalare nella sanità perché molte realtà strutturali si presentano simultaneamente. I processi sanitari raramente operano verso un singolo obiettivo; gli esiti clinici, il costo, l’accesso, l’esperienza del paziente, la precisione del rimborso e il rischio a lungo termine spesso competono, coinvolgendo fornitori, pagatori, regolatori e pazienti. Definire il successo è complesso ma essenziale. Molti piloti falliscono perché non sono ancorati a metriche di esito chiare e condivise. Il contesto operativo strutturato aiuta ad affrontare questo codificando gli obiettivi, le limitazioni e le priorità degli stakeholder in anticipo, piuttosto che affidarsi ai modelli per inferirle dai dati grezzi.

Una seconda barriera è il costo e lo sforzo di annotazione e convalida. La scalabilità richiede il coinvolgimento continuo dei clinici e degli esperti del ciclo di ricavi, il cui tempo è limitato e costoso e spesso sottovalutato durante le fasi di pilotaggio.

Terzo, le lacune di governance e di integrazione diventano più visibili alla scala. I piloti spesso mancano di tracciabilità, controlli di politica e supervisione umana richiesta per flussi di lavoro ad alto rischio che coinvolgono informazioni sulla salute protette. Inoltre, gli errori emergono tardi in ambienti reali, in particolare nelle richieste e nella fatturazione, dove gli output falliscono le regole dei pagatori o le aspettative di interoperabilità. Gli ecosistemi tecnologici frammentati, compresi i sistemi legacy, le piattaforme proprietarie e l’adozione disomogenea di HL7/FHIR, rendono le integrazioni fragili e difficili per soluzioni di AI generiche.

La scalabilità ha successo solo quando l’AI si allinea con gli obiettivi operativi reali, è supportata da solide fondamenta di dati e è progettata per flussi di lavoro complessi. Uno spostamento sta emergendo verso MVP (Minimum Viable Product) focalizzati e guidati dalla catena di valore che puntano a casi d’uso ad alto impatto con chiaro valore aziendale e sponsorizzazione esecutiva, spostando la conversazione dall’esperimento di AI alla trasformazione dei processi misurabili.

Dal punto di vista dei sistemi, cosa assomiglia un’architettura sanitaria pronta all’AI, in particolare in termini di pipeline di dati, interoperabilità e infrastruttura cloud?

Un’architettura pronta all’AI è quella in cui l’applicazione delle politiche, la convalida e l’escalation sono incorporate direttamente nei flussi di lavoro, non gestite esternamente come un ripensamento. Richiede piattaforme di dati cloud-native unificate che inglobano richieste, registri elettronici sanitari, imaging, dati dei dispositivi e dati operativi in strati altamente governati.

Dobbiamo dare priorità all’interoperabilità basata sugli standard utilizzando FHIR, HL7, SMART su FHIR e DICOM, supportata da motori di convalida dedicati. Deve esserci una chiara separazione di preoccupazioni attraverso l’ingestione, l’elaborazione, l’analisi, i servizi di AI e i livelli di governance. L’ingegneria del contesto si trova all’intersezione di questi livelli; è la disciplina che collega i dati inglobati grezzi a input governati e semanticamente arricchiti che i servizi di AI possono agire con precisione e responsabilità.

La sicurezza integrata è imprescindibile, comprendendo il controllo degli accessi in base al ruolo (RBAC), la crittografia, la gestione del consenso, la tracciabilità e le tracce di audit. Il successo dell’architettura è misurato in definitiva da come i sistemi falliscono in modo sicuro, non dalla sofisticazione dei componenti. Codificando framework come HIPAA e GDPR direttamente nel livello di esecuzione, costruiamo il trust architettonico richiesto per il deploy globale.

Come le organizzazioni gestiscono l’elaborazione e l’integrazione dei dati in tempo reale attraverso i registri elettronici sanitari (EHR), dispositivi medici e piattaforme dei pagatori per abilitare la presa di decisioni guidata dall’AI?

L’elaborazione in tempo reale conta solo quando le informazioni emergono all’interno dei flussi di lavoro dei clinici e degli operatori, non a valle in dashboard secondarie. La sfida principale è gestire la variabilità e le eccezioni, piuttosto che concentrarsi solo sulla velocità dei dati. Le organizzazioni stanno affrontando questo attraverso middleware che normalizzano e arricchiscono i dati prima del consumo dell’AI, piuttosto che spingere feed grezzi a valle.

È qui che l’ingegneria del contesto gioca un ruolo critico. Il sistema deve strutturare i dati in ingresso da EHR, dispositivi medici e piattaforme dei pagatori in una base contestuale coerente, garantendo che gli input dell’AI siano allineati semanticamente con la decisione clinica o operativa specifica. Ciò consente una stretta integrazione con i flussi di lavoro dell’EHR, permettendo che le informazioni appaiano nel punto di cura.

Ancor più importante, questo rende l’integrazione significativa piuttosto che puramente tecnica, garantendo che gli output riflettano non solo i dati, ma anche le linee guida cliniche, le regole dei pagatori e le limitazioni del flusso di lavoro pertinenti a ogni paziente e incontro. L’attenzione è focalizzata sull’intercettazione del flusso di lavoro nel momento giusto e fornire supporto azionabile senza interrompere i ritmi operativi esistenti.

Quali sono le più grandi sfide tecniche nell’implementazione di modelli di AI in ambienti clinici, in particolare intorno alla convalida del modello, al monitoraggio e alla gestione della deriva?

La sfida più difficile non è solo il decadimento dell’accuratezza, ma la propagazione degli errori non rilevati attraverso flussi di lavoro interconnessi. L’ingegneria del contesto serve come prima linea di difesa strutturando l’ambiente di conoscenza in cui i modelli operano. Il sistema deve convalidare gli input per la coerenza clinica e operativa prima che l’AI inizi a ragionare, riducendo gli errori alla fonte.

La convalida deve andare oltre le metriche automatiche e includere la reinterpretazione umana, garantendo che gli output riflettano la rilevanza clinica reale e non solo la prestazione statistica. Questo approccio fonda la valutazione del modello negli esiti clinici e amministrativi reali invece di benchmark astratti.

La deriva del modello deve anche essere gestita attivamente man mano che le popolazioni dei pazienti, le linee guida cliniche e i comportamenti evolvono. Ciò richiede un monitoraggio continuo legato a feedback loop nel mondo reale, con checkpoint incorporati per rilevare la deriva in termini di rilevanza clinica, allineamento con le regole dei pagatori e coerenza del flusso di lavoro.

In definitiva, il successo dipende dall’equilibrio tra adattabilità e strette aspettative regolatorie. L’implementazione dell’AI in ambienti clinici e di SaMD richiede uno strato di fiducia robusto, che impone barriere di sicurezza, attiva la revisione umana e garantisce la ri-formazione controllata prima che qualsiasi impatto raggiunga la cura del paziente.

Come affronti la costruzione della spiegabilità e della tracciabilità all’interno dei sistemi di AI utilizzati in ambienti sanitari regolamentati?

La spiegabilità esiste in modo che gli esseri umani possano contestare, annullare e imparare dagli output dell’AI, non solo comprenderli. L’ingegneria del contesto rende questa contestabilità strutturale piuttosto che superficiale, codificando le linee guida cliniche, le regole di politica e la logica operativa direttamente nell’ambiente dell’AI. Di conseguenza, ogni output può essere ricondotto ai input contestuali che lo hanno plasmato, piuttosto che essere retroingegnerizzato dopo il fatto.

La tracciabilità, allo stesso modo, deve creare una memoria istituzionale piuttosto che servire come un ripensamento della conformità. Ciò è ottenuto utilizzando la politica come codice per incorporare regole regolatorie e organizzative direttamente nei flussi di esecuzione, trattando framework come HIPAA e linee guida del CMS come input di governance fin dall’inizio, non come controlli esterni applicati in seguito.

Inoltre, log e tracce di audit immutabili sono essenziali per supportare la supervisione regolatoria e la fiducia clinica. Il sistema dovrebbe catturare non solo la decisione presa, ma anche il contesto completo, inclusi i dati, le limitazioni e lo stato del flusso di lavoro che l’hanno informato.

Attraverso tutto ciò, la supervisione umana nel loop rimane un requisito essenziale per decisioni cliniche ad alto rischio o irreversibili. Costruendo questo strato di fiducia trasparente, garantiamo che quando un regolatore o un clinico chiede perché un sistema di AI ha fatto una specifica raccomandazione, la risposta sia immediatamente accessibile e difendibile.

Con il crescente utilizzo di sistemi basati su agenti e autonomi, quali sono le salvaguardie necessarie per garantire l’affidabilità e prevenire esiti inattesi nei flussi di lavoro clinici?

Nella sanità, i sistemi agentic sono preziosi solo quando i confini dell’automazione sono espliciti e reversibili. L’ingegneria del contesto aiuta a definire questi confini strutturando l’ambito operativo, le limitazioni cliniche e la logica di escalation nell’ambiente, garantendo che l’autonomia operi all’interno di un framework governato piuttosto che affidarsi ai modelli per autoregolamentarsi.

Questo richiede l’autonomia con responsabilità, inclusi ruoli definiti chiaramente, percorsi di escalation e checkpoint deterministici incorporati nel comportamento dell’agente. Il sistema deve garantire che gli agenti operino all’interno di confini clinicamente e operativamente approvati che sono architettonicamente applicati, non solo definiti dalla politica.

È anche necessario un monitoraggio continuo del comportamento dell’agente, della qualità della decisione e delle interazioni inattese. Implementiamo vincoli basati sulla politica che impediscono agli agenti di agire al di fuori del loro ambito clinico o operativo approvato. Per i flussi di lavoro clinici, l’intervento umano nel loop è un principio di progettazione fondamentale, non un meccanismo di fallback.

Man mano che ci muoviamo verso un’orchestrazione avanzata di agente a agente, questi agenti devono operare strettamente all’interno di framework governati e codificati per garantire l’affidabilità.

Guardando avanti, cosa assomiglia la cura guidata dall’intelligenza per i pazienti nel prossimo decennio?

Il prossimo decennio vedrà l’AI ridurre la frizione prima di trasformare la cura, iniziando con l’amministrazione, la coordinazione e il supporto alle decisioni. La cura guidata dall’intelligenza ha successo quando i clinici si fidano dei default ma mantengono saldamente la loro autorità. L’AI diventa un orchestratore attraverso il continuum di cura, anticipando i bisogni piuttosto che reagire semplicemente agli eventi.

L’ingegneria del contesto consente questo spostamento strutturando i dati clinici, delle richieste e operativi longitudinali in modo che l’AI possa ragionare attraverso l’intero continuum con la profondità necessaria per un’azione affidabile, non solo per un’indicazione predittiva. Ciò supporta percorsi di cura più personalizzati, continui e consapevoli del contesto su più ambienti.

Il termine “consapevole del contesto” è operativo e non è casuale. Fornire percorsi di cura personalizzati su larga scala richiede che i sistemi di AI ereditino una conoscenza contestuale profonda della storia clinica del paziente, dell’ambiente del pagatore e dell’impostazione della cura. I clinici saranno supportati da copiloti e intelligenza decisionale, riducendo notevolmente il loro carico cognitivo e amministrativo.

Nel tempo, i sistemi sanitari evolveranno in sistemi di apprendimento, migliorando continuamente man mano che i dati, i modelli e i feedback del mondo reale si accumulano. Progettando uno strato di fiducia robusto oggi, gettiamo le fondamenta operative per questo futuro senza frizioni.

Grazie per le risposte dettagliate, i lettori che desiderano saperne di più possono visitare CitiusTech.