라잔 코흘리, 시티어스테크의 CEO – 인터뷰 시리즈: 복귀 대화

라잔 코흘리는 시티어스테크의 최고 경영자이며, 회사의 글로벌 전략, 성장, 그리고 의료 및 생명 과학 분야의 혁신을 가속화하는 사명을 책임지고 있습니다. 3십 년 이상의 경험을 가진 베테랑 기술 이사인 라잔은 의료, 엔지니어링, 클라우드 현대화, 데이터 플랫폼, 인공지능 등 대규모 디지털 변革을 주도해 왔습니다. 시티어스테크의 지휘를 맡은 이후, 그는 의료 기관들이 디지털 변革을 넘어서 인공지능, 상호 운용성, 고급 분석을 기반으로 하는 지능형 운영 모델로 나아갈 수 있도록 지원하는 데 집중해 왔습니다.

시티어스테크는 의료 기술 서비스, 컨설팅, 디지털 솔루션을 제공하는 선도 기업으로, 전 세계의 의료 제공자, 지불자, 메드테크 회사, 생명 과학 기관을 대상으로 합니다. 이 회사는 의료 데이터 플랫폼, 상호 운용성, 클라우드 현대화, 디지털 엔지니어링, 분석, 인공지능에 전문성을 가지고 있습니다. 의료 기관들이 대규모로 인공지능을 운영 환경에 도입하고자 하는 가운데, 시티어스테크는 신뢰할 수 있는 데이터 기반, 거버넌스, 상호 운용성, 워크플로우 인식 인공지능을 결합한 지능형 의료 시스템을 구축하는 데 중점을 두고 있습니다. Knewron 및 더 넓은 인공지능 및 데이터 생태계와 같은 솔루션을 통해, 시티어스테크는 조각난 의료 운영을 연결된, 상황 인식 환경으로 변환하여 효율성, 의사 결정, 환자 결과를 개선하는 데 도움을 줍니다.

이 인터뷰는 이전에 라잔 코흘리와 가진 대화의 후속입니다. 그 때 우리는 의료 생태계 전반에 걸친 생성적 인공지능, 상호 운용성, 의료 데이터 현대화, 디지털 변革의 역할을 탐讨했습니다. 이후 산업은 급격히 발전하여 인공지능을 실험하는 단계에서 생산 환경에 도입하는 단계로 전환했습니다. 이로 인해 거버넌스, 신뢰, 설명 가능성, 운영 규모와 관련한 새로운 도전이 등장했습니다. 이 최신 논의에서 라잔은 의료 기관들이 분리된 인공지능 시범을 넘어서 지능형 치료로 나아갈 수 있는 방법, 컨텍스트 엔지니어링이 왜 의료 인공지능의 중요한 기초가 되는지, 그리고 신뢰할 수 있는 시스템을 구축하기 위해 무엇이 필요한지에 대해 공유합니다.

대규모 디지털 변革을 이끈 경험을 바탕으로, 의료 변革이 왜 독특하게 복잡한지에 대한您的 관점은 무엇입니까?

의료 변革은 성공의 정의가 단일하지 않기 때문에 독특하게 어렵습니다. 임상 결과, 정확한 청구 및 지불, 접근성, 비용, 경험은 종종 다른 방향으로 끌립니다. 다른 산업과 달리, 의료는 임상 위험, 규제적 검토, 윤리적 책임에 의해 제약됩니다. 실패 모드는 환자 결과로 측정되며, 수익 손실이 아닙니다.

이것이 컨텍스트 엔지니어링이 기본이 되는 이유입니다. 정보 환경을 구조화하여 인공지능이 임상적으로 정확하고 워크플로우 인식 및 규정 준수 준비가 된 출력을 생성하도록 하는 것입니다. 규모를 확대하려면 가치 사슬 전반에 걸친 시스템 사고가 필요하며, 단순히 디지털화된 기능을 넘어섭니다. 의료는 워크플로우, 데이터 의미, 임상, 청구, 기기 데이터 및 복잡한 규정 경로에 대한 깊은 컨텍스트화가 필요합니다. Knewron과 같은 플랫폼은 이 원칙에 따라 구축되며, 일반적인 인공지능을 넘어서서 아키텍처 수준에서 도메인별 컨텍스트를 내장합니다.

이 복잡성은 조각난 생태계로 인해 증폭됩니다. 지불자, 제공자, 메드테크, 생명 과학은 모두 다른 시스템, 인센티브, 데이터 표준을 운영합니다. 표면적으로 기술 문제로 보이지만, 사실은 컨텍스트와 일관성의 문제입니다.

최종적으로, 변革의 성공은 기술 현대화만큼 신뢰 엔지니어링에 달려 있습니다. 우리는 의료 인공지능에 신뢰 계층을 적극적으로 엔지니어링해야 합니다. 시스템을 설계하여 임상가와 규제자가 실제 치료 환경에서 신뢰할 수 있도록 해야 합니다. 컨텍스트 엔지니어링은 이 신뢰를 가능하게 하는 메커니즘입니다. 인공지능이 임상 및 운영 컨텍스트를 완전히 이해할 때, 시스템은 체계적으로 신뢰를 얻습니다.

의료가 현재 접근하고 있는 전환점은 무엇입니까?

현재 경험하고 있는 전환점은 기술적 нов기보다는 운영 스트레스에 의해 주도됩니다. 비용 압박, 임상가의 소진, 심각한 인력 부족으로 인해 의료 시스템은 운영 모델을 완전히 재고해야 합니다. 수동 프로세스는 더 이상 확장되지 않으며, 특히 청구, 청구, 임상 운영에서 인공지능을 생산 환경에 도입하는 것이 급격히 증가하고 있습니다.

그러나 인공지능을 생산 환경에 도입하는 것은 반쪽짜리입니다. 다른 반쪽은 인공지능이 올바른 컨텍스트에서 작동하는지 확인하는 것입니다. 컨텍스트 엔지니어링 없이, 임상 및 운영 워크플로우에서 인공지능은 기술적으로 올바르지만 임상적으로 또는 행정적으로 잘못된 출력을 생성할 위험이 있습니다.

同時적으로, 규제적 힘으로 인해 데이터 유동성과 현대화를 가속화하고 있습니다. 클라우드 채택은 성숙도를 넘어섰으며, 기업 규모의 현대화와 규정 준수 인공지능 배포가 가능해졌습니다. 인공지능은 이제 의료 준비와 완전히 일치합니다. 우리는 마침내 디지털화된 워크플로우, 더 풍부한 데이터 자산, 더 분명한 책임 프레임워크를 이전 기술 波보다 가지고 있습니다.

컨텍스트가 결여된 것이 지금까지 부족했습니다. 우리는 의료 기관들이 운영 스트레스를 측정 가능한 효율성으로 전환하는 데 도움이 되는 솔루션에 대한 구체적인 시장 수요를 보고 있습니다.

의료에서 인공지능을 대규모로 배포하는 데 방해가 되는 주요 기술적 도전은 무엇입니까?

인공지능은 의료에서 확장하기 어렵습니다. 의료 프로세스는 종종 단일 목표를 향해 작동하지 않습니다. 임상 결과, 비용, 접근성, 환자 경험, 수수료 정확성, 장기 위험은 종종 상반되며, 제공자, 지불자, 규제자, 환자가 모두 관련됩니다. 성공을 정의하는 것은 복잡하지만 필수적입니다. 많은 시범은 성공을 정의하지 못하기 때문에 실패합니다. 구조화된 운영 컨텍스트는 목표, 제약, 이해관계자 우선순위를 사전에 정의하여 모델이 원시 데이터에서 이를 추론하는 대신 이를 해결하는 데 도움이 됩니다.

두 번째 장벽은 주석 및 검증의 비용과 노력입니다. 확장은 임상가와 수수료 주기 전문가의 지속적인 참여을 필요로 하며, 그들의 시간은 제한적이고 비싸며, 시범 단계에서 종종 과소평가됩니다.

세 번째 장벽은 거버넌스 및 통합 간격입니다. 시범은 종종 감사 가능성, 정책 제어, 높은 위험 워크플로우에 대한 인간 감시를 缺하고 있습니다. 또한, 오류는 실제 환경에서 특히 청구 및 청구에서 발생하며, 출력이 지불자 규칙 또는 상호 운용성 기대에 실패합니다. 조각난 기술 생태계, 레거시 시스템, 독점 플랫폼, 불균일한 HL7/FHIR 채택으로 인해 통합이 취약하고 일반적인 인공지능 솔루션에 대해 어려워집니다.

확장은 인공지능이 실제 운영 목표와 일치하고, 강력한 데이터 기반 및 복잡한 워크플로우에 의해 지원될 때만 성공합니다. 가치 사슬 주도형 MVP를 대상으로 하는焦点의 전환, 명확한 비즈니스 가치 및 집행자 후원과 함께, 인공지능 실험에서 측정 가능한 프로세스 변환으로 대화를 이동하는 전환이 발생하고 있습니다.

시스템 관점에서, 현대적인 인공지능 준비 의료 아키텍처는 무엇입니까? 특히 데이터 파이프라인, 상호 운용성, 클라우드 인프라를 고려하여?

인공지능 준비 아키텍처는 정책 시행, 검증, 에스컬레이션이 워크플로우에 직접 내장된 것입니다. 이는 규정 준수 인공지능 배포를 위한 통일된 클라우드 네이티브 데이터 플랫폼이 필요합니다. FHIR, HL7, SMART on FHIR, DICOM을 사용한 표준 우선 상호 운용성이 필요합니다. 또한, 수신, 처리, 분석, 인공지능 서비스, 거버넌스 레이어 간에 관심사 분리를 명확히 해야 합니다. 컨텍스트 엔지니어링은 이러한 레이어의 교차점에 위치하며, 원시 수신 데이터를 인공지능 서비스가 정밀하고 책임 있게 작동할 수 있는 거버넌스된, 의미론적으로 풍부한 입력으로 연결하는 것입니다.

내장된 보안은 협상할 수 없습니다. RBAC, 암호화, 동의 관리, 계보, 감사 기록이 포함됩니다. 아키텍처의 성공은 구성 요소의 정교함에 의해 측정되지 않으며, 시스템이 안전하게 실패하는지 여부에 의해 측정됩니다. HIPAA 및 GDPR와 같은 프레임워크를 실행 레이어에 직접 인코딩하여, 글로벌 배포에 필요한 아키텍처 신뢰를 구축합니다.

의료 기관은 전자 건강 기록, 의료 기기, 지불자 플랫폼을 통해 실시간 데이터 처리 및 통합을 어떻게 처리합니까? 인공지능 기반 의사 결정 지원을 가능하게 하기 위해?

실시간 처리는 임상가 및 운영자의 워크플로우 내에서洞察력이 나타날 때 중요합니다. 핵심 도전은 데이터 처리량에만 집중하는 것이 아니라, 변동성 및 예외를 관리하는 것입니다. 의료 기관은 데이터를 인공지능 소비 전에 정규화 및 강화하는 미들웨어를 사용하여 이를 해결합니다.

컨텍스트 엔지니어링은 중요한 역할을 합니다. 시스템은 EHR, 의료 기기, 지불자 플랫폼에서 들어오는 데이터를 일관된 컨텍스트 기반으로 구조화하여, 인공지능 입력이 특정 임상 또는 운영 결정과 의미론적으로 일치하도록 합니다. 이는 EHR 워크플로우와의 긴밀한 통합을 가능하게 하며,洞察력이 치료 지점에서 나타날 수 있습니다.

더욱 중요한 것은, 출력이 데이터만을 반영하는 것이 아니라, 임상 가이드라인, 지불자 규칙, 워크플로우 제약 및 각 환자 및遭遇에 관련된 컨텍스트를 반영하도록 합니다.焦点은 워크플로우를 올바른 순간에截断하고, 기존의 운영 리듬을 방해하지 않는 작동 가능한 지원을 제공하는 것입니다.

의료 환경에서 인공지능 모델을 배포하는 데 가장 큰 기술적 도전은 무엇입니까? 특히 모델 검증, 모니터링, 드리프트 관리를 고려하여?

가장 어려운 도전은 정확도 감소만이 아닙니다. 서로 연결된 워크플로우에서 오류 전파를 탐지하지 못하는 것입니다. 컨텍스트 엔지니어링은 최초의 방어선으로 작용하여, 모델이 작동하는 지식 환경을 구조화합니다. 시스템은 인공지능이 작동하기 전에 임상 및 운영 일관성을 위해 입력을 검증해야 합니다. 이는 오류를 원천적으로 줄입니다.

검증은 자동화된 메트릭을 넘어서 인간의 재해석을 포함해야 하며, 출력이 실제 임상 관련성에 반영하는지 확인해야 합니다. 이는 모델 평가를 추상적인 벤치마크가 아닌 실제 임상 및 행정 결과에 आध 础합니다.

모델 드리프트는 환자 인구통계, 임상 가이드라인, 행동이 진화함에 따라 적극적으로 관리되어야 합니다. 이는 실제 세계 피드백 루프에 연결된 지속적인 모니터링을 필요로 하며, 임상 관련성, 지불자 규칙 및 워크플로우 일관성의 측면에서 드리프트를 감지하기 위한 체크포인트가 내장되어 있습니다.

궁극적으로, 성공은 적응성과 엄격한 규제적 기대 사이의 균형에 달려 있습니다. 임상 및 SaMD 환경에서 인공지능 배포는 강력한 신뢰 계층을 필요로 합니다. 이는 가드레일을 시행하고, 인간의 검토를 트리거하며, 환자 치료에 영향을 미치기 전에 제어된 재학습을 보장합니다.

규제된 의료 환경에서 인공지능 시스템에 설명 가능성과 감사 가능성을 구축하는 방법은 무엇입니까?

설명 가능성은 인간이 인공지능 출력을争議, 재정의, 학습할 수 있도록 존재합니다. 컨텍스트 엔지니어링은 이를 구조적으로 만듭니다. 임상 가이드라인, 정책 규칙, 워크플로우 논리를 인공지능 환경에 직접 인코딩하여, 출력이 컨텍스트 입력에 의해 형성되는 것을 추적할 수 있도록 합니다.

감사 가능성도 기관의 기억을 생성해야 하며, 단순한 준수 후속 조치가 아닙니다. 이는 정책을 코드로 변환하여, 규제 및 조직 규칙을 실행 흐름에 직접 내장함으로써 달성됩니다. HIPAA 및 CMS 지침과 같은 프레임워크는 처음부터 거버넌스 입력으로 처리됩니다.

또한, 변경 불가능한 로그 및 감사 기록은 규제적 감독 및 임상 신뢰를 지원하는 데 필수적입니다. 시스템은 결정이 이루어진 컨텍스트, 데이터, 제약, 워크플로우 상태를 포함하여, 어떤 결정이 이루어졌는지 캡처해야 합니다.

전반적으로, 높은 위험 또는 반전이 불가능한 임상 결정에 대한 인간의 감시는 필수적입니다. 투명한 신뢰 계층을 구축함으로써, 규제자 또는 임상가가 인공지능 시스템이 특정 추천을 왜 했는지 물었을 때, 답은 즉시 접근 가능하고 옹호 가능합니다.

에이전트 기반 및 자율 시스템의 부상과 함께, 임상 워크플로우에서 신뢰성과 예기치 않은 결과를 방지하기 위한 안전 장치는 무엇입니까?

의료에서 에이전트 기반 시스템은 자동화 경계가 명확하고 반전 가능할 때만 가치가 있습니다. 컨텍스트 엔지니어링은 이러한 경계를 정의하여, 운영 범위, 임상 제약, 에스컬레이션 논리를 환경에 구조화함으로써, 자율성이 거버넌스된 프레임워크 내에서 작동하도록 합니다.

이것은 책임이 있는 자율성을 필요로 합니다. 역할 정의, 에스컬레이션 경로, 결정 품질, 예기치 않은 상호 작용에 대한 지속적인 모니터링이 포함됩니다. 시스템은 에이전트가 임상적으로 및 운영적으로 승인된 범위 내에서 작동하도록 보장해야 합니다. 임상 워크플로우에서 인간의 감시는 기본 설계 원칙입니다.

에이전트 간 오케스트레이션으로 나아갈 때, 이러한 에이전트는 거버넌스된, 코딩된 프레임워크 내에서 작동해야 합니다.

앞으로 10년 동안 지능형 치료는 환자에게 어떤 모습일까요?

다음 10년 동안 인공지능은 치료를 변革하기 전에 마찰을 줄일 것입니다. 행정, 조정, 의사 결정 지원에서 시작하여, 임상가는 기본값을 신뢰하지만 엄격하게 권한을 유지할 것입니다. 인공지능은 치료 연속체를 통해 예측하여 필요를 예측할 것입니다.

컨텍스트 엔지니어링이 이를 가능하게 합니다. 임상, 청구, 운영 데이터를 구조화하여 인공지능이 연속체 전반에 걸쳐 필요한 깊이로 이유를 제시할 수 있도록 합니다. 이는 더 개인화된, 연속적이고 상황 인식적인 치료 경로를 지원합니다.

컨텍스트 인식이라는 용어는 작동합니다. 대규모로 개인화된 치료 경로를 제공하려면, 인공지능 시스템이 각 환자의 임상 역사, 지불자 환경, 치료 환경에 대한 깊은 컨텍스트 지식을 상속받아야 합니다. 임상가는 공중 지원 및 의사 결정 지능에 의해 지원될 것입니다.

시간이 지남에 따라, 의료 시스템은 지속적으로 데이터, 모델, 실제 세계 피드백이 축적됨에 따라 학습 시스템으로 발전할 것입니다. 오늘날 강력한 신뢰 계층을 엔지니어링함으로써, 우리는 무마찰 미래의 운영 기반을 마련합니다.

세부적인 답변에 감사합니다. 더 많은 정보를 원하는 독자는 시티어스테크를 방문할 수 있습니다.