インタビュー
ラジャン・コーリ氏、CitiusTech CEO – インタビュー・シリーズ：リターン・コンベーション
ラジャン・コーリは、CitiusTechの最高経営責任者であり、同社のグローバル戦略、成長、ヘルスケアおよびライフサイエンスにおけるイノベーションの加速を担当しています。30年以上の経験を持つベテラン技術エグゼクティブであるラジャンは、ヘルスケア、エンジニアリング、クラウドモダERN化、データプラットフォーム、人工知能を含む大規模なデジタル変革イニシアチブを率いてきました。CitiusTechの指揮をとって以来、彼はヘルスケア組織がデジタル変革を超えて、人工知能、相互運用性、先進的な分析によって推進される知能駆動型の運用モデルに向けて進むのを支援することに重点を置いてきました。
CitiusTechは、ヘルスケア技術サービス、コンサルティング、デジタルソリューションのリーディングプロバイダーであり、世界中のヘルスケアプロバイダー、ペイアー、メドテック企業、ライフサイエンス組織にサービスを提供しています。同社はヘルスケアデータプラットフォーム、相互運用性、クラウドモダERN化、デジタルエンジニアリング、分析、人工知能に特化しています。ヘルスケア組織が大規模に人工知能を導入するにつれて、CitiusTechは、信頼できるデータ基盤、ガバナンス、相互運用性、ワークフロー認識人工知能を組み合わせた知能駆動型ヘルスケアシステムを構築することに重点を置いてきました。Knewronやその広範な人工知能およびデータエコシステムを含むソリューションを通じて、CitiusTechは、断片化されたヘルスケア運用を、接続された、コンテキスト認識可能な環境に変換するのを支援しています。これにより、効率、意思決定、患者の結果が向上します。
このインタビューは、以前のラジャン・コーリとの会話のフォローアップであり、ヘルスケアエコシステム全体における生成的人工知能、相互運用性、ヘルスケアデータモダERN化、デジタル変革の役割について探究しました。以来、業界は急速に進化し、人工知能の実験から本稼働環境への展開に移行し、新しい課題が生じました。ガバナンス、信頼性、説明可能性、運用スケールに関する課題です。この最新の議論では、ラジャンは、ヘルスケア組織が孤立した人工知能パイロットを超えて知能駆動型ケアに向けて進む方法、コンテキストエンジニアリングがヘルスケア人工知能の基盤として重要性を増している理由、信頼できるスケーラブルなシステムを構築するために何が必要かについて説明しています。
大規模なデジタル変革イニシアチブを率いてきた経験を生かして、ヘルスケア変革が独自に複雑である理由についてどう考えていますか。
ヘルスケア変革は、成功の定義が一意的でないため、独自に困難です。臨床的成果、正確な請求および支払い、接続性、コスト、経験は、しばしば異なる方向に引っ張られます。他の業界とは異なり、ヘルスケアは、臨床的リスク、規制の厳格さ、倫理的責任によって制約されています。故障モードは、収益の漏れではなく、患者の成果で測定されます。
ここで、コンテキストエンジニアリングが基盤となる重要性を持ちます。コンテキストエンジニアリングとは、人工知能が動作する情報環境を構造化することであり、出力が臨床的に正確で、ワークフローに認識され、コンプライアンスに準拠したものとなることを保証します。スケーラビリティには、価値チェーン全体にわたるシステム思考が必要であり、機能のシロ化をデジタル化するのではなく、システム全体の思考が必要です。ヘルスケアには、ワークフロー、データセマンティクス、臨床、請求、デバイスデータ、複雑なコンプライアンスパスに関する深いコンテキスト化が必要です。Knewronのようなプラットフォームは、汎用人工知能を超えて、ドメイン固有のコンテキストをアーキテクチャレベルで埋め込むことを目指しています。
この複雑さは、ペイアー、プロバイダー、メドテック、ライフサイエンスを含む断片化されたエコシステムによって増幅されます。これらのプレイヤーは、異なるシステム、インセンティブ、データ標準で動作します。表面的な技術的な問題は、実際にはコンテキストと整合性の問題です。
最終的に、変革の成功は、技術のモダERN化のみに依存するのではなく、信頼のエンジニアリングに依存します。私たちは、信頼のレイヤーをグローバルヘルスケア人工知能に積極的にエンジニアリングしなければなりません。システムを設計して、臨床医と規制当局が現実のケア設定で信頼できるシステムを作成する必要があります。コンテキストエンジニアリングは、信頼を可能にするメカニズムです。人工知能が臨床的および運用的コンテキストを完全に理解するとき、信頼は体系的に獲得されます。
現在、ヘルスケアを変化させる具体的な力は何ですか。
現在経験している転換点は、技術的な新規性ではなく、運用的ストレスによって推進されています。コストの圧力、臨床医の焼き尽き症候群、深刻な労働力不足は、ヘルスケアシステムが運用モデルを完全に再考えることを余儀なくしています。手動プロセスはスケールしません。特に請求、請求書、臨床運用では、人工知能が積極的に本稼働環境に導入されています。
しかし、人工知能を本稼働環境に導入することは、半分の解決策です。他の半分は、人工知能が正しいコンテキストで動作することを保証することです。コンテキストエンジニアリングがなければ、人工知能は臨床的または行政的に不一致な出力が生成するリスクがあります。
同時に、規制上の力、CMSの相互運用性ルール、価格透明性、デジタル品質測定は、データの流動性を義務付け、モダERN化を加速しています。クラウドの採用は、エンタープライズスケールのモダERN化とコンプライアンス対応人工知能の展開が可能なまでに成熟しました。人工知能は、ヘルスケアの準備に合わせて、デジタル化されたワークフロー、豊富なデータ資産、明確な説明責任フレームワークが利用可能になりました。
今まで欠けていたのは、生のデータ資産と有意義な人工知能アクションの間のつなぎ目でした。そのつなぎ目がコンテキストです。ヘルスケア組織が運用的ストレスを計測可能な効率性に変えることを支援するソリューションに対する明確な市場需要が生じています。
ヘルスケアで人工知能の展開がスケールするのは何が理由ですか。
人工知能は、ヘルスケア組織がポリシー、臨床ガイドライン、運用ロジックをコード化することを学んだため、スケールします。根本的な変化は、生の情報を解釈するモデルから、厳格な監視の下でプログラム可能な知識を実行するシステムへの移行です。これは、コンテキストエンジニアリングが可能にするものであり、人工知能が受動的な解釈から、管理された実行への移行を可能にします。
基盤となる摩擦は、FHIR、HL7、クラウドネイティブデータプラットフォーム、イベント駆動アーキテクチャの広範な採用によって大幅に軽減されています。ヘルスケア組織は、人工知能がスタンドアロンなダッシュボードではなく、ワークフロー内に埋め込まれる必要があることを認識しています。ワークフロー認識人工知能は、システムがワークフローセマンティクスを理解し、実行可能な成果を生み出すことを可能にします。
ツール seperti MLOps、DevSecOps、コンプライアンス自動化により、継続的な検証、監視、制御された再トレーニングが可能になりました。実験から価値連動用途への移行、ケアギャップ、事前承認、請求書の完全性、画像、臨床的意思決定支援への移行が見られます。このスケールは、ワークフロー内に厳格なガードレールと人間の監視を埋め込むことでのみ可能になります。
業界は毎月新しい仕事を生み出しています。これは、人工知能が仕事を奪うのではなく、患者の結果と臨床医のための投資を導くのに役立つことを意味します。
多くの組織はパイロット段階に留まっています。ヘルスケアで人工知能が本稼働段階に移行できない主な障害は何ですか。
人工知能は、複数の構造的現実が同時に浮かび上がるため、ヘルスケアでスケールしません。ヘルスケアプロセスは、通常、単一の目的に向けて動作しません。臨床的成果、コスト、接続性、患者の経験、請求書の正確性、長期的なリスクは、プロバイダー、ペイアー、規制当局、患者の競合を伴うことが多いです。成功の定義は複雑ですが、必須です。多くのパイロットは、明確な共有成果メトリクスに固定されていないため、失敗します。構造化された運用コンテキストは、モデルが生のデータからそれらを推測するのではなく、目標、制約、利害関係者の優先順位を最初からコード化することで、これに対処します。
2番目の障害は、注釈と検証のコストと労力です。スケールには、臨床医と収益サイクルエキスパートからの継続的な関与が必要であり、彼らの時間は限られているかつ高価であり、パイロット段階では頻繁に過小評価されます。
3番目の障害は、ガバナンスと統合のギャップです。パイロットは、PHIを含む高リスクワークフローに必要な監査可能性、ポリシーコントロール、人間の監視を欠きます。さらに、請求書や請求書で、出力がペイアーのルールや相互運用性の期待に反するエラーが発生します。レガシーシステム、独自のプラットフォーム、HL7/FHIRの不均一な採用を含む断片化されたテクノロジーエコシステムにより、統合は脆弱で、汎用人工知能ソリューションにとって困難です。
スケールは、人工知能が実際の運用目標と一致し、強固なデータ基盤によってサポートされ、複雑なワークフローに設計されている場合にのみ成功します。価値チェーン駆動のMVPへの移行が進んでおり、高影響力のユースケースに焦点を当て、明確なビジネス価値とエグゼクティブの後援を目指しています。会話は、人工知能の実験から計測可能なプロセストランスフォーメーションへの移行です。
システムの観点から、現代のAI対応ヘルスケアアーキテクチャはどのようなものですか。特にデータパイプライン、相互運用性、クラウドインフラストラクチャについてはどうですか。
AI対応アーキテクチャとは、ポリシーの適用、検証、エスカレーションがワークフローに直接組み込まれているものであり、後から考慮されるものではありません。統一されたクラウドネイティブデータプラットフォームが、請求書、EHR、画像、デバイス、運用データを厳格に管理されたレイヤーに取り込みます。
私たちは、FHIR、HL7、SMART on FHIR、DICOMを使用した規格第一の相互運用性を優先しなければなりません。インジェスト、処理、分析、AIサービス、ガバナンスレイヤー間の懸念の明確な分離が必要です。コンテキストエンジニアリングは、これらのレイヤーの交差点に位置し、生のインジェストデータを、人工知能サービスが精度と説明責任を持って動作できる、管理されたセマンティクスに富んだ入力に接続することを可能にします。
組み込みセキュリティは、RBAC、暗号化、同意管理、データのプロビエンス、監査ログを含む、交渉不能なものです。アーキテクチャの成功は、コンポーネントの洗練度ではなく、システムが安全に故障するかどうかで測定されます。HIPAAやGDPRなどのフレームワークを実行レイヤーに直接組み込むことで、グローバル展開に必要なアーキテクチャトラストを構築します。
リアルタイムデータ処理と電子ヘルスレコード（EHR）、医療機器、ペイアープラットフォームの統合についてはどうですか。AI駆動の意思決定を可能にするために、組織はどのように対応していますか。
リアルタイム処理は、洞察が臨床医とオペレーターのワークフロー内に表面化する場合にのみ重要であり、ダウンストリームのセカンダリーダッシュボードではありません。核心的な課題は、データの変動性と例外を管理することであり、単にデータのスループットに焦点を当てるのではなく、データを正規化して人工知能の消費のために豊富化するミドルウェアを使用することで、これに対処します。
ここで、コンテキストエンジニアリングが重要な役割を果たします。システムは、EHR、医療機器、ペイアープラットフォームからの入力データを、特定の臨床的または運用上の決定にセマンティクス的に整合したコンテキスト基盤に構造化する必要があります。これにより、人工知能の入力が、ポイントオブケアでの洞察を可能にするEHRワークフローと緊密に統合されます。
さらに重要なのは、これが統合を技術的なものではなく、意味のあるものにすることを可能にすることです。出力は、データのみではなく、臨床ガイドライン、ペイアールール、ワークフローの制約を反映するものでなければなりません。これは、ワークフローに適切なタイミングで介入し、既存の運用リズムを妨げることなく、実行可能なサポートを提供することに焦点を当てています。
臨床環境でAIモデルを展開する際の最大の技術的課題は何ですか。特にモデル検証、監視、ドリフト管理についてはどうですか。
最も困難な課題は、単に精度の低下ではなく、相互接続されたワークフロー全体にわたるエラーの伝播です。コンテキストエンジニアリングは、モデルが動作する知識環境を構造化することによって、最初の防御線を提供します。システムは、人工知能の推論を開始する前に、入力を臨床的および運用上の整合性のために検証しなければなりません。これにより、エラーは元の段階で軽減されます。
検証には、自動メトリクスを超えて、人間の再解釈を含める必要があります。出力は、統計的パフォーマンスのみではなく、実際の臨床的関連性を反映していることを確認する必要があります。これにより、モデル評価は、抽象的なベンチマークではなく、実際の臨床的および行政的成果に根ざします。
モデルドリフトも、患者の集団、臨床ガイドライン、行動が進化するにつれて、積極的に管理する必要があります。これには、臨床的関連性、ペイアールールの整合性、ワークフローの一貫性の観点からドリフトを検出するために、リアルワールドのフィードバックループに連動した継続的な監視が必要です。
最終的に、成功は、適応性と厳格な規制の期待のバランスに依存します。臨床およびSaMD環境での人工知能の展開には、厳格なガードレールを実施し、人間のレビューをトリガし、患者ケアに影響を及ぼす前に制御された再トレーニングを確実に行う強固な信頼レイヤーが必要です。
規制されたヘルスケア環境で使用されるAIシステムに説明可能性と監査可能性を構築するにはどうすればよいですか。
説明可能性は、人間が人工知能の出力を争う、覆す、学ぶことができるように存在します。コンテキストエンジニアリングにより、これが構造的なものとなり、臨床ガイドライン、ポリシールール、ワークフローロジックが人工知能環境に直接組み込まれるため、出力はそれが形成されたコンテキストに逆戻りできます。
監査可能性も、コンプライアンスの後付けではなく、機関の記憶を作成する必要があります。これは、規制および組織のルールを実行フローに直接組み込むことで実現され、HIPAAやCMSガイドラインなどのフレームワークは、最初からガバナンス入力として扱われます。
さらに、変更不能のログと監査トレイルは、規制の監督と臨床的信頼をサポートするために不可欠です。システムは、決定がなされたことだけでなく、決定を形成したコンテキスト、データ、制約、ワークフローの状態もキャプチャしなければなりません。
これらすべての中で、人間の監視は、高リスクまたは不可逆的な臨床的決定には不可欠な要件です。透明な信頼レイヤーを構築することで、規制当局や臨床医が人工知能システムの特定の推奨についてなぜ決定したのかを尋ねたときに、答えはすぐに利用可能で、守備可能です。
エージェントベースおよび自律システムの台頭により、ヘルスケアの臨床ワークフローで信頼性を確保し、予期しない結果を防ぐために、どのような安全対策が必要ですか。
ヘルスケアでは、エージェントシステムは、自動化の境界が明確で、逆転可能である場合にのみ有用です。コンテキストエンジニアリングにより、これらの境界が定義され、運用的スコープ、臨床的制約、エスカレーションロジックが環境に構造化され、自律性は管理されたフレームワーク内で動作し、モデル自体が自己規制に頼るのではなく、自己規制に頼るのではなく、管理されたフレームワーク内で動作します。
これには、説明責任を伴う自律性、役割の明確な定義、エスカレーションパス、決定の質、予期しない相互作用の継続的な監視が必要です。エージェントの動作を、臨床的におよび運用的に承認された境界内で動作するように設計する必要があります。臨床ワークフローでは、人間の監視は基本的な設計原則であり、フォールバックメカニズムではありません。
エージェント間のオーケストレーションが進化するにつれて、これらのエージェントは、信頼性を確保するために、厳格に管理された、コード化されたフレームワーク内で動作しなければなりません。
次の10年で、知能駆動型ケアは患者のためにどのように見えますか。
次の10年では、AIはケアを変革する前に、行政、調整、意思決定の支援で摩擦を減らすことから始めます。知能駆動型ケアは、臨床医がデフォルトを信頼するが、堅牢に権限を保持する場合に成功します。AIはケアの連続体全体を通じて調整者となり、イベントに反応するのではなく、ニーズを予測します。
「コンテキスト認識可能」というフレーズが重要です。これは、AIシステムが患者の臨床的歴史、ペイアーの環境、ケア設定の深いコンテキスト知識を継承する必要があることを意味します。臨床医は、コパイロットと意思決定インテリジェンスによってサポートされ、認知的および行政的負担が大幅に軽減されます。
時間の経過とともに、ヘルスケアシステムは、データ、モデル、リアルワールドのフィードバックが蓄積するにつれて、継続的に改善する学習システムに進化します。今日、信頼のレイヤーをエンジニアリングすることで、私たちはこの摩擦のない将来のための運用基盤を築きます。
詳細な回答ありがとうございます。さらに詳しく知りたい読者は、CitiusTechを訪問してください。
