Rajan Kohli, CEO van CitiusTech – Interviewreeks: Een terugkeerconversatie

Rajan Kohli is de Chief Executive Officer van CitiusTech en is verantwoordelijk voor de wereldwijde strategie, groei en missie van het versnellen van innovatie in de gezondheidszorg en levenswetenschappen. Als ervaren technisch directeur met meer dan drie decennia ervaring, heeft Rajan grote digitale transformatie-initiatieven geleid in de gezondheidszorg, techniek, cloudmodernisering, dataplatforms en kunstmatige intelligentie. Sinds hij de leiding heeft overgenomen bij CitiusTech, heeft hij zich gericht op het helpen van gezondheidsorganisaties om verder te gaan dan digitale transformatie naar intelligentie-gedreven bedrijfsmodellen die worden aangedreven door AI, interoperabiliteit en geavanceerde analyse.

CitiusTech is een toonaangevende aanbieder van gezondheidstechnologieservices, consulting en digitale oplossingen voor gezondheidszorgverleners, verzekeraars, MedTech-bedrijven en levenswetenschapsorganisaties wereldwijd. Het bedrijf specialiseert zich in gezondheidsdataplatforms, interoperabiliteit, cloudmodernisering, digitale techniek, analyse en kunstmatige intelligentie. Aangezien gezondheidsorganisaties steeds vaker AI op grote schaal willen inzetten, heeft CitiusTech zijn focus uitgebreid naar het opbouwen van intelligentie-gedreven gezondheidssystemen die vertrouwde gegevensfundamenten, governance, interoperabiliteit en workflow-georiënteerde AI combineren. Met oplossingen zoals Knewron en zijn bredere AI- en dataecosysteem helpt CitiusTech organisaties om gefragmenteerde gezondheidsoperaties te transformeren in verbonden, contextueel bewuste omgevingen die efficiëntie, besluitvorming en patiëntresultaten verbeteren.

Dit interview is een vervolg op ons vorige gesprek met Rajan Kohli, waarin we de groeiende rol van generatieve AI, interoperabiliteit, gezondheidsdatamodernisering en digitale transformatie in de gezondheidszorg hebben besproken. Sindsdien is de industrie snel geëvolueerd van het experimenteren met AI naar het inzetten ervan in productieomgevingen, waardoor nieuwe uitdagingen zijn ontstaan rond governance, vertrouwen, verklarbaarheid en operationele schaal. In dit laatste gesprek deelt Rajan hoe gezondheidsorganisaties verder kunnen gaan dan geïsoleerde AI-piloten naar intelligentie-gedreven zorg, waarom contextuele techniek een kritieke basis voor gezondheids-AI wordt en wat het zal kosten om vertrouwde, schaalbare systemen te bouwen die de volgende generatie patiëntenzorg kunnen ondersteunen.

U heeft decennia ervaring met het leiden van grote digitale transformatie-initiatieven. Hoe heeft die reis uw perspectief beïnvloed op waarom gezondheidstransformatie uniek complex is?

Gezondheidstransformatie is uniek moeilijk omdat er geen enkele definitie van succes is. Klinische resultaten, nauwkeurige facturering en betalingen, toegang, kosten en ervaring trekken vaak in verschillende richtingen. In tegenstelling tot andere sectoren, wordt de gezondheidszorg beperkt door klinisch risico, regulatorische controle en ethische verantwoordelijkheid. Falen wordt gemeten in patiëntresultaten, niet in omzetverlies.

Dit is waar contextuele techniek fundamenteel wordt: de discipline van het structureren van de informatieomgeving waarin AI werkt, zodat uitvoer klinisch nauwkeurig, workflow-bewust en compliance-klaar is vanaf het begin. Schaalbaarheid vereist systeemdenken over waardeketens in plaats van het digitaliseren van geïsoleerde functies. Gezondheidszorg vereist diepe contextualisering van workflows, gegevenssemantiek over klinische, claims- en apparaatgegevens, evenals complexe compliance-paddestoelen. Platforms zoals Knewron zijn gebouwd op precies dit principe, waarbij men verder gaat dan algemene AI naar het integreren van domeinspecifieke context op architectuurniveau.

Deze complexiteit wordt verergerd door gefragmenteerde ecosystemen met verzekeraars, zorgverleners, MedTech- en levenswetenschapsbedrijven. Elk van deze spelers werkt met verschillende systemen, stimulansen en gegevensstandaarden. Wat op het eerste gezicht een technisch probleem lijkt, is bijna altijd een context- en coherentieprobleem onder de oppervlakte.

Uiteindelijk hangt transformatiesucces niet alleen af van technische modernisering, maar ook van trust-engineering. We moeten actief een vertrouwenslaag in de wereldwijde gezondheids-AI-engineeren, systemen ontwerpen die clinicians en regulators impliciet kunnen vertrouwen in echte zorgomgevingen. Contextuele techniek is het mechanisme dat dit vertrouwen mogelijk maakt. Wanneer AI de volledige klinische en operationele context van een beslissing begrijpt, verdient het dat vertrouwen systematisch, niet door toeval.

U heeft gezondheidszorg omschreven als een keerpunt. Welke specifieke krachten drijven deze verschuiving op dit moment?

Het keerpunt dat we nu meemaken, wordt gedreven door operationele stress, niet door technische nieuwheid. Kostenpressuren, clinician burn-out en ernstige werkgebrekschappen dwingen gezondheidssystemen ertoe hun operationele modellen volledig te heroverwegen in plaats van alleen te digitaliseren. Handmatige processen schalen niet langer, vooral in claims, facturering en klinische operaties, waardoor AI agressief in productieomgevingen wordt getrokken.

Maar het trekken van AI in productie is slechts de helft van de vergelijking; de andere helft is ervoor zorgen dat AI met de juiste context werkt. Zonder contextuele techniek riskeert AI in klinische en operationele workflows uitvoer te genereren die technisch correct zijn, maar klinisch of administratief misgealigneerd.

Tegelijkertijd dwingen regulatorische krachten zoals CMS-interoperabiliteitsregels, prijstransparantie en digitale kwaliteitsmaatstaven tot gegevensliquiditeit en versnellen modernisering. Cloudadoptie heeft een volwassenheidsgrens overschreden, waardoor ondernemingsbrede modernisering en compliance-klaar AI-deployment haalbaar is. AI is nu volledig afgestemd op de gezondheidsbereidheid, omdat we eindelijk gedigitaliseerde workflows, rijkere gegevensassets en duidelijkere verantwoordelijkheidskaders hebben dan in eerdere technologiegolven.

Wat tot nu toe ontbrak, is het verbindende weefsel tussen rauwe gegevensassets en betekenisvolle AI-actie, en dat verbindende weefsel is context. We zien een duidelijke marktvraag naar oplossingen die speciaal zijn ontwikkeld om gezondheidsorganisaties te helpen deze operationele stress om te zetten in meetbare efficiëntie.

Gezondheidszorg is lange tijd achtergebleven in digitalisering in vergelijking met andere industrieën. Wat is er veranderd om AI-implementatie op grote schaal mogelijk te maken vandaag?

AI schaalt nu omdat gezondheidsorganisaties leren om beleid, klinische richtlijnen en operationele logica te codificeren, in plaats van grote hoeveelheden gegevens te consumeren. De fundamentele verschuiving is van modellen die rauwe informatie interpreteren naar systemen die geprogrammeerde kennis met strikte toezicht uitvoeren. Dit is precies wat contextuele techniek mogelijk maakt, door de kennisomgeving te structureren waarin modellen opereren.

De fundamentele wrijving is drastisch verlaagd door de bredere adoptie van FHIR, HL7, cloud-native dataplatforms en event-driven architecturen. Gezondheidsorganisaties erkennen steeds vaker dat AI moet worden geïntegreerd in workflows in plaats van als zelfstandige dashboards te bestaan. Workflow-georiënteerde AI is cruciaal voor het mogelijk maken van dit.

Hulpmiddelen zoals MLOps, DevSecOps en compliance-automatisering hebben continue validatie, monitoring en gecontroleerde opnieuw trainen mogelijk gemaakt. We zien een duidelijke verschuiving van experimenten naar waarde-gekoppelde use-cases zoals care-gaps, prioritaire autorisatie, claims-integriteit, imaging en klinische beslissingen. Deze schaal is alleen mogelijk wanneer we robuuste guardrails en human-in-the-loop-toezicht rechtstreeks in deze operationele workflows integreren.

De industrie voegt maand na maand banen toe, en dat helpt omdat AI niet wordt gezien als banen wegnemend. Grote AI helpt bij het richten van investeringen voor betere resultaten voor patiënten en clinicians.

Veel organisaties blijven vastzitten in pilotfases. Wat zijn de belangrijkste barrières die voorkomen dat AI naar echte operationele gebruik in de gezondheidszorg gaat?

AI worstelt met schaalbaarheid in de gezondheidszorg omdat meerdere structurele realiteiten tegelijkertijd naar boven komen. Gezondheidsprocessen werken zelden naar een enkel doel; klinische resultaten, kosten, toegang, patiëntervaring, factuuringsnauwkeurigheid en langetermijnrisico concurreren vaak, waarbij zorgverleners, verzekeraars, regulators en patiënten zijn betrokken. Het definiëren van succes is complex, maar essentieel. Veel pilots falen omdat ze niet zijn verankerd in duidelijke, gedeelde resultaatmetrieken.

Een tweede barrière is de kosten en inspanning van annotatie en validatie. Schaalbaarheid vereist continue betrokkenheid van clinicians en revenue cycle-experts, waarvan de tijd zowel beperkt als duur is en vaak onderschat wordt tijdens pilotfases.

Derde, governance- en integratiegaten worden zichtbaarder bij schaal. Pilots ontbreken vaak auditability, policy-controles en human-toezicht dat nodig is voor high-risk workflows met PHI. Bovendien ontstaan fouten laat in echte omgevingen, vooral in claims en facturering, waar uitvoer faalt voor verzekeraarsregels of interoperabiliteitverwachtingen.

Schaalbaarheid slaagt alleen wanneer AI is afgestemd op echte operationele doelen, wordt ondersteund door sterke gegevensfundamenten en is ontworpen voor complexe workflows. Een verschuiving is nu zichtbaar naar gefocuste, waardeketen-gedreven MVP’s die hoog-impactuse-cases met duidelijke businesswaarde en executive-sponsorship targeten, waardoor de conversatie van AI-experimenten naar meetbare proces-transformatie verschuift.

Vanuit een systeemperspectief, hoe ziet een moderne AI-klaar gezondheidsarchitectuur eruit, met name in termen van datapipelines, interoperabiliteit en cloud-infrastructuur?

Een AI-klaar architectuur is er een waarin policy-enforcing, validatie en escalatie rechtstreeks in workflows zijn geïntegreerd, niet extern als een afterthought worden beheerd. Het vereist unified cloud-native dataplatforms die claims, EHR, imaging, apparaat- en operationele gegevens in hoog-gereguleerde lagen consumeren.

We moeten prioriteit geven aan standaarden-gebaseerde interoperabiliteit met FHIR, HL7, SMART op FHIR en DICOM, ondersteund door toegewijde validatie-engines. Er moet een duidelijke scheiding van zorgen zijn over ingestion, processing, analytics, AI-services en governance-lagen. Contextuele techniek zit op het snijvlak van deze lagen; het is de discipline die rauwe geconsumeerde gegevens verbindt met gereguleerde, semantisch verrijkte invoer die AI-services met precisie en verantwoordelijkheid kunnen activeren.

Ingebouwde beveiliging is onmisbaar, waaronder RBAC, encryptie, toestemmingsbeheer, lineage en audit-trails. Architectuursucces wordt uiteindelijk gemeten door of systemen veilig falen, niet door component-sophisticatie. Door frameworks zoals HIPAA en GDPR rechtstreeks in de uitvoeringslaag te coderen, bouwen we de architectonische vertrouwenslaag die nodig is voor wereldwijde implementatie.

Hoe gaan organisaties om met real-time dataprocessing en integratie over elektronische gezondheidsdossiers (EHR), medische apparaten en verzekeraarsplatforms om AI-gedreven besluitvorming mogelijk te maken?

Real-time verwerking is alleen belangrijk wanneer inzichten naar boven komen in clinician- en operator-workflows, niet downstream in secundaire dashboards. De kernuitdaging is het beheren van variabiliteit en uitzonderingen, in plaats van puur te focussen op dataprocessing. Organisaties lossen dit op door middelware die gegevens normaliseert en verrijkt voordat AI-consumptie plaatsvindt, in plaats van rauwe feeds downstream te pushen.

Dit is waar contextuele techniek een kritieke rol speelt. Het systeem moet inkomende gegevens van EHR, medische apparaten en verzekeraarsplatforms structureren in een coherente contextuele basis, waardoor AI-invoer semantisch is afgestemd op de specifieke klinische of operationele beslissing. Dit maakt een nauwe integratie met EHR-workflows mogelijk, waardoor inzichten op het punt van zorg verschijnen.

Belangrijker nog, dit maakt integratie zinvol in plaats van puur technisch, waardoor uitvoer niet alleen gegevens weerspiegelen, maar ook klinische richtlijnen, verzekeraarsregels en workflow-beperkingen relevant voor elke patiënt en ontmoeting. De focus ligt op het onderscheppen van de workflow op het juiste moment en het bieden van actieve ondersteuning zonder bestaande operationele ritmes te verstoren.

Wat zijn de grootste technische uitdagingen bij het implementeren van AI-modellen in klinische omgevingen, met name rond modelvalidatie, monitoring en driftbeheer?

De moeilijkste uitdaging is niet alleen het verval van nauwkeurigheid, maar onopgemerkt foutpropagatie over verbonden workflows. Contextuele techniek dient als de eerste verdedigingslinie door de kennisomgeving te structureren waarin modellen opereren. Het systeem moet invoer valideren voor klinische en operationele coherentie voordat AI-redenering begint, waardoor fouten aan de bron worden verminderd.

Validatie moet verder gaan dan geautomatiseerde metrieken en menselijke herinterpretatie omvatten, waardoor uitvoer weerspiegelt wat echt klinisch relevant is, in plaats van alleen statistische prestaties. Deze aanpak grondt modelbeoordeling in echte klinische en administratieve resultaten in plaats van abstracte benchmarks.

Modeldrift moet ook actief worden beheerd aangezien patiëntpopulaties, klinische richtlijnen en gedragspatronen evolueren. Dit vereist continue monitoring gekoppeld aan real-world feedback-lussen, met checkpoints geïntegreerd om drift in klinische relevantie, verzekeraarsregelalignement en workflowconsistentie te detecteren.

Uiteindelijk hangt succes af van het balanceren van adaptiviteit met strikte regulatorische verwachtingen. AI-implementatie in klinische en SaMD-omgevingen vereist een sterke vertrouwenslaag die guardrails afdwingt, human-toezicht activeert en gecontroleerde opnieuw training voorafgaand aan enig effect op patiëntenzorg.

Hoe benaderen jullie het opbouwen van verklarbaarheid en auditability in AI-systemen die in gereguleerde gezondheidsomgevingen worden gebruikt?

Verklarbaarheid bestaat zodat mensen AI-uitvoer kunnen betwisten, overschrijven en leren, niet alleen begrijpen. Contextuele techniek maakt deze betwistbaarheid structureel in plaats van oppervlakkig door klinische richtlijnen, policy-regels en workflow-logica rechtstreeks in de AI-omgeving te coderen. Als resultaat kan elke uitvoer worden teruggespoord naar de contextuele invoer die het heeft gevormd, in plaats van achteraf te worden omgekeerd geëngineerd.

Auditability, evenzo, moet institutioneel geheugen creëren in plaats van een compliance-nawerk te zijn. Dit wordt bereikt door policy-as-code te gebruiken om regulatorische en organisatorische regels rechtstreeks in uitvoeringsstromen te integreren, waarbij frameworks zoals HIPAA en CMS-richtlijnen als sturende invoer vanaf het begin worden behandeld, niet als externe controles die later worden toegepast.

Bovendien zijn onveranderlijke logs en audit-trails essentieel om regulatorische toezicht en klinische vertrouwen te ondersteunen. Het systeem moet niet alleen de beslissing vastleggen die is genomen, maar ook de volledige context, inclusief gegevens, beperkingen en workflow-status die het heeft geïnformeerd.

Over al dit, blijft human-in-the-loop-toezicht een essentiële vereiste voor high-risk of onomkeerbare klinische beslissingen. Het opbouwen van deze transparante vertrouwenslaag zorgt ervoor dat wanneer een regulator of clinician vraagt waarom een AI-systeem een specifieke aanbeveling heeft gedaan, het antwoord onmiddellijk toegankelijk en verdedigbaar is.

Met de opkomst van agent-gebaseerde en autonome systemen, welke waarborgen zijn nodig om betrouwbaarheid te garanderen en onbedoelde resultaten in klinische workflows te voorkomen?

In de gezondheidszorg zijn agent-gebaseerde systemen alleen waardevol wanneer automatiseringsgrenzen expliciet en omkeerbaar zijn. Contextuele techniek helpt deze grenzen te definiëren door operationele scope, klinische beperkingen en escalatielogica in de omgeving te structureren, waardoor autonomie werkt binnen een gereguleerd kader in plaats van te vertrouwen op modellen om zichzelf te reguleren.

Dit vereist autonomie met verantwoordelijkheid, waaronder duidelijke roldefinities, escalatiepaden en deterministische checkpoints die in agent-gedrag zijn geïntegreerd. Het systeem moet ervoor zorgen dat agenten opereren binnen klinisch en operationeel goedgekeurde grenzen die architectonisch worden afgedwongen, niet alleen policy-gebaseerd.

Verder vereist het continue monitoring van agent-gedrag, besluitkwaliteit en onbedoelde interacties. We implementeren policy-gebaseerde beperkingen die voorkomen dat agenten buiten hun goedgekeurde klinische of operationele scope handelen. Voor klinische workflows is human-in-the-loop een fundamenteel ontwerpprincipe, niet een fallback-mechanisme.

Naarmate we naar geavanceerde agent-tot-agent-orkestratie gaan, moeten deze agenten strikt binnen gereguleerde, gecodeerde kaders opereren om betrouwbaarheid te garanderen.

Kijkend naar de toekomst, hoe ziet intelligentie-gedreven zorg eruit voor patiënten in de komende decennia?

De komende decennia zullen AI zien die wrijving reduceert voordat het zorg transformeert, beginnend met administratie, coördinatie en besluitvorming. Intelligentie-gedreven zorg slaagt wanneer clinicians de defaults vertrouwen, maar stevig hun autoriteit behouden. AI wordt een orkestrator over de zorgcontinuüm, anticiperend op behoeften in plaats van alleen te reageren op gebeurtenissen.

Contextuele techniek maakt deze verschuiving mogelijk door longitudinale klinische, claims- en operationele gegevens te structureren, zodat AI redeneert over de volledige continuüm met de diepte die nodig is voor betrouwbare actie, niet alleen voor predictieve inzichten. Dit ondersteunt meer gepersonaliseerde, continue en contextueel bewuste zorgpaden over instellingen heen.

De frase “contextueel bewust” is de operationele, en het is niet toevallig. Het leveren van echt gepersonaliseerde zorgpaden op grote schaal vereist dat AI-systemen diepe contextuele kennis van elke patiënt hebben, inclusief klinische geschiedenis, verzekeraarsomgeving en zorginstelling. Clinicians zullen worden ondersteund door copiloten en beslissingsintelligentie, waardoor hun cognitieve en administratieve last aanzienlijk wordt verlaagd.

Na verloop van tijd zullen gezondheidssystemen evolueren naar lerende systemen, continu verbeterend naarmate gegevens, modellen en real-world feedback accumuleren. Door vandaag een robuuste vertrouwenslaag te engineeren, leggen we de operationele basis voor deze wrijvingsloze toekomst.

Dank u voor de gedetailleerde antwoorden, lezers die meer willen leren, kunnen bezoeken CitiusTech.