Dr. Rihan Javid, CEO og medgrunnlegger av Rinova – Intervju-serie

Dr. Rihan Javid, CEO og medgrunnlegger av Rinova AI, er en lege-eksekutiv og entrepreneur som fokuserer på å modernisere helseoperasjoner gjennom kunstig intelligens. I tillegg til å lede Rinova, er han medgrunnlegger og president i Edge, som leverer fjernarbeidsinfrastruktur-løsninger til forsikring, medisinske og tannlegepraksiser. En praktiserende psykiater, er han for tiden medisinsk direktør og sjefmedisiner ved CommonSpirit Health og St. Joseph’s Behavioral Health Center, samt holder en klinisk stilling ved Touro University Medical Group. Hans tidligere erfaring inkluderer å praktisere psykiatri ved The Permanente Medical Group, Inc. og fullføre turnusutdanning ved California Pacific Medical Center og University of South Florida, samt tidligere ledererfaring som hovedansvarlig i juridisk rekruttering.

Rinova AI er et helse-teknologiselskap som fokuserer på kunstig intelligens-drevet inntekts-syklus-håndtering og medisinsk fakturering-automatisering. Plattformen er designet for å redusere administrative byrder for leverandører ved å automatisere nøkkelprosesser som forsikringsverifisering, kodeoptimalisering, krav-innsending og avvisningshåndtering. Ved å utnytte kunstig intelligens for å strømlinje arbeidsflyter og forbedre nøyaktigheten, har Rinova som mål å levere betydelige kostnadsbesparelser sammenlignet med tradisjonelle faktureringstjenester, samtidig som de akselererer refusjoner og forbedrer økonomisk ytelse for helseorganisasjoner.

De grunnla Edge i 2021 etter å ha arbeidet som psykiater og senere som medisinsk direktør og sjefmedisiner. Fra et kunstig intelligens-perspektiv, hva var de tidlige signalene du la merke til i fakturering-arbeidsflyter, som fragmentert data, skiftende betaler-regler eller manuell unntakshåndtering, som overbeviste deg om at automatisering ville bli uunngåelig?

Når jeg praktiserte og senere ledet kliniske operasjoner, så jeg hvor mye friksjon det var i faktureringen. Data lå i flere systemer som ikke kommuniserte godt. Betaler-kravene skiftet konstant. Personale brukte timer på å gjøre om krav av grunner som ofte var forutsigbare i etterkant.

Hva som sto ut for meg, var gjentakelsen. De samme feilene, de samme avvisningsmønstrene, de samme dokumentasjonsgapene. Disse var ikke sjeldne, nyanserte problemer. De var gjentakende operasjonelle sammenbrudd. På en viss skala, innser du at å be mennesker om å håndtere den kompleksiteten manuelt, er ikke bærekraftig. Da blir det klart at automatisering ikke er valgfritt. Det er uunngåelig.

Når du lanserte Rinova AI noen år senere, hva hadde endret seg på teknologi- eller data-siden som gjorde det mulig å anvende kunstig intelligens på inntekts-syklus-håndtering på en måte som kunne operere pålitelig mot live betaler-regler og virkelige krav-kompleksitet?

To ting endret seg. Først ble data-miljøet bedre. Integreringer mellom EHR-er, clearing-hus og fakturering-plattformer ble mer strukturert. Det ga oss renere inndata og sterkere tilbakekoblingsløkker.

For det andre, ble teknologien moden. Vi gikk utenfor enkle regel-motorer. Modellene ble i stand til å evaluere kontekst, ikke bare å sjekke bokser. Det tillot oss å analysere dokumentasjon, kode og betaler-logikk sammen, i stedet for i isolasjon.

Det var ikke at faktureringen plutselig ble enkel. Det var at økosystemet ble stabilt nok for kunstig intelligens å operere med pålitelighet.

Inntekts-syklus-håndtering har tradisjonelt avhengig av statiske regler og etter-avvisnings-gjenoppretting. Hvordan endrer innføringen av kunstig intelligens tidligere i arbeidsflyten hvordan sykehus tenker om finansiell risiko og refusjons-forutsigbarhet?

Tradisjonelt aksepterer inntekts-syklus-teamene en viss grad av avvisning som en del av å drive forretning. Arbeidet begynner etter at noe går galt.

Når kunstig intelligens blir introdusert tidligere i arbeidsflyten, skifter målet fra gjenoppretting til forebygging. Du kan identifisere dokumentasjonsgap eller kode-uvanlige før innsending. Det reduserer variasjonen i refusjon.

Sykehusene begynner å tenke mindre på å jakte på inntekt og mer på å kontrollere risiko før det materialiseres. Det endrer prognoser, bemanningsmodeller og selv styre-gruppe-samtaler om finansiell stabilitet.

Kunstig intelligens-systemer fungerer ofte bra på standard-saker, men sliter på kantene. I fakturering-operasjoner i dag, hvilke typer scenarioer håndteres best av automatisering, og hvor spiller menneskelig dømmekraft en kritisk rolle?

Automatisering fungerer best i strukturerte, høy-volum-arbeidsoppgaver. Forsikringsverifisering, autorisasjonsvalidering, kode-konsistens og avvisningsmønster-avdekning er alle områder hvor maskiner kan prosessere raskere og mer konsistent enn mennesker.

Menneskelig dømmekraft spiller fortsatt en rolle i kant-tilfeller. Anker som krever klinisk nyanser, kontrakt-disputter, uvanlig betaler-atferd eller komplekse pasient-scenarier, alle disse fordelene med erfaring og resonnering. Kunstig intelligens kan flagge risiko. Mennesker tolker grå soner og tar endelige avgjørelser.

Edge integrerer helse-trente inntekts-syklus-team i sykehus-arbeidsflyter, mens Rinova automatiserer beslutningstaking tidligere. Hvordan nærmer du deg å designe kunstig intelligens-systemer som styrker menneskelig beslutningstaking, i stedet for å introdusere nye operasjonelle risiko?

Vi nærmer oss kunstig intelligens som et støtte-lag, ikke en erstatning. Systemet presenterer anbefalinger og forklarer sin logikk. Våre helse-trente team forblir integrert i arbeidsflyten.

Den struktureringen er viktig. Kunstig intelligens håndterer skala og mønster-gjenkjenning. Mennesker håndterer tilsyn og ansvar. Når disse rollene er klare, reduserer du risiko i stedet for å øke den.

Målet er å redusere kognitivt overbelastning, ikke å fjerne menneskelig dømmekraft.

Betaler-politikker endrer ofte og blir ikke alltid håndhevet konsistent. Hvordan former sanntids-betaler-intelligens tilbakekoblings-løkken mellom krav-innsending, avvisninger og kontinuerlig modell-forbedring?

Betaler-politikker endrer ofte og håndheves ikke alltid konsistent. Historisk sett oppdaterte organisasjoner regler periodisk og håpet de var aktuelle.

Med sanntids-tilbakekobling, blir hver avvisning og godkjenning et data-punkt. Modellen lærer av faktiske resultater, i stedet for statiske antagelser. Det forkorter gapet mellom politikk-endring og operasjonell tilpasning.

Over tid, reduserer det overraskende avvisninger og forbedrer innsendings-nøyaktighet. Det gjør systemet mer tilpasningsdyktig.

Sykehus er forståelige forsiktige med kunstig intelligens-systemer som påvirker kontant-strøm. Hva nivå av gjennomsiktighet eller kontroll bør helse-ledere forvente før de stoler på kunstig intelligens-drevne fakturering-beslutninger?

Lederne bør forvente klare forklaringer. De bør forstå hvorfor en anbefaling ble gjort. De bør kunne overstyre den. Og de bør ha en tydelig audit-spor.

Inntekts-syklus direkte påvirker kontant-strøm og overholdelse. Tillit kommer fra synlighet og kontroll, ikke fra blind automatisering. Ethvert kunstig intelligens-system som opererer i dette området, må møte den standarden.

Personalmangel i inntekts-syklus-team er ofte behandlet som arbeids-problemer. Fra ditt perspektiv, hvor mye av problemet er egentlig rotet i data-kvalitet og arbeidsflyt-design, og hvor kan kunstig intelligens ha den største innvirkningen?

Personalmangelen er reell, men mye av det er forsterket av dårlig arbeidsflyt-design. Når teamene bruker mesteparten av tiden på å korrigere forebyggelige feil, øker utbrenthet og produktiviteten synker.

Hvis du renser opp data-inndata og reduserer unngåelige avvisninger, kan samme team operere mer effektivt. Kunstig intelligens har den største innvirkningen hvor den fjerner gjentakende om-arbeid og standardiserer prosesser.

Ofte er problemet ikke bare antall ansatte. Det er friksjon.

Som kunstig intelligens blir integrert i inntekts-syklus-operasjoner, hvordan ser du på utviklingen av inntekts-syklus-team over de neste årene, i terms of tilsyn, unntakshåndtering og styring?

Jeg forventer at inntekts-syklus-teamene blir mer strategiske. Mindre tid på gjentakende prosessering. Mer tid på tilsyn, komplekse anker, betaler-forhandlinger og ytelses-analyse.

Når automatisering håndterer rutine-arbeid, skifter menneskelige teamer mot styring og optimalisering. Det eleverer funksjonen, i stedet for å redusere den.

Ser fremover, forventer du at kunstig intelligens-drevne inntekts-syklus-plattformer blir kjern-finansiell infrastruktur for sykehus, i stedet for valgfrie verktøy, og hva vil den skiftningen muliggjøre for organisasjoner som opererer under konstant margin-trykk?

Ja. Margin-trykket forsvinner ikke. Forutsigbarhet i refusjon blir essensiell.

Kunstig intelligens-drevne plattformer som forbedrer nøyaktighet og reduserer lekkasje, vil flytte fra å være valgfrie verktøy til å bli kjern-infrastruktur. Når kontant-strøm blir mer stabil, kan sykehus planlegge med mer tillit og investere mer bevisst i pasient-omsorg.

Det er slutten på det vi bryr oss om.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Rinova AI eller Edge.