Rajan Kohli, CEO av CitiusTech – Intervju-serie: En retur-konversasjon

Rajan Kohli er administrerende direktør i CitiusTech og er ansvarlig for selskapets globale strategi, vekst og misjon om å akselerere innovasjon innen helse og life sciences. En veteran teknologileder med mer enn tre tiår med erfaring, har Rajan ledet store skala digitale transformasjonsinitiativer som omfatter helse, ingeniørarbeid, sky-modernisering, data-plattformer og kunstig intelligens. Siden han overtok ledelsen i CitiusTech, har han fokusert på å hjelpe helseorganisasjoner å gå beyond digitale transformasjoner mot intelligens-drevne driftsmodeller drevet av AI, interoperabilitet og avanserte analyser.

CitiusTech er en ledende leverandør av helseteknologitjenester, konsulenttjenester og digitale løsninger for helsetjenestetilbydere, betalere, MedTech-selskaper og life sciences-organisasjoner verden over. Selskapet spesialiserer seg på helseteknologiplattformer, interoperabilitet, sky-modernisering, digital ingeniørarbeid, analyser og kunstig intelligens. Ettersom helseorganisasjoner stadig mer søker å operasjonalisere AI i stor skala, har CitiusTech utvidet fokus mot å bygge intelligens-drevne helseteknologisystemer som kombinerer pålitelige data-grunnlag, styring, interoperabilitet og arbeidsflyt-AI. Gjennom løsninger som Knewron og dens bredere AI- og data-økosystem, hjelper CitiusTech organisasjoner å transformere fragmenterte helseteknologiske operasjoner til sammenhengende, kontekst-bevisste miljøer som forbedrer effisiens, beslutningstaking og pasientresultater.

Dette intervjuet er en oppfølging av vårt tidligere samtal med Rajan Kohli, hvor vi utforsket den voksende rollen til generativ AI, interoperabilitet, helseteknologimodernisering og digital transformasjon gjennom hele helseteknologimiljøet. Siden da har industrien raskt progredert fra å eksperimentere med AI til å deployere det i produksjonsmiljøer, og skaper nye utfordringer rundt styring, tillit, forklarbarhet og operasjonell skala. I denne siste diskusjonen deler Rajan hvordan helseorganisasjoner kan gå beyond isolerte AI-piloter mot intelligens-drevne omsorg, hvorfor kontekst-ingeniørarbeid er en kritisk grunnmur for helseteknologisk AI, og hva det vil ta å bygge pålitelige, skalerbare systemer som kan støtte den neste generasjonen av pasientbehandling.

Hva har din reise som leder av store skala digitale transformasjonsinitiativer lært deg om hvorfor helsetransformasjon er unikt kompleks?

Helsetransformasjon er unikt vanskelig fordi det ikke finnes en enkelt definisjon av suksess. Kliniske resultater, nøyaktig fakturering og betaling, tilgang, kostnad og erfaring trekker ofte i forskjellige retninger. I motsetning til andre sektorer er helse begrenset av klinisk risiko, regulatorisk skarphet og etisk ansvar. Feilmoduser måles i pasientresultater, ikke i omsetningstap.

Dette er hvor kontekst-ingeniørarbeid blir grunnleggende: disiplinen til å strukturere informasjonsmiljøet hvor AI opererer, så utdata er klinisk nøyaktig, arbeidsflyt-bevisst og styringsklar fra bunnen av. Skalering krever systemtenkning over verdikjeder heller enn å digitalisere silo-aktige funksjoner. Helse krever dypt kontekstualisering av arbeidsflyter, data-semantikk over kliniske, krav og enhetsdata, samt komplekse styringsveier. Plattformer som Knewron er bygget på nettopp dette prinsippet, og går beyond generell AI til å innebygge domene-spesifikk kontekst på arkitektonisk nivå.

Denne kompleksiteten forsterkes av fragmenterte økosystemer som involverer betalere, tjenestetilbydere, MedTech og life sciences. Hver av disse aktørene opererer på forskjellige systemer, incitamenter og data-standarder. Hva som ser ut som et teknologiproblem på overflaten er nesten alltid et kontekst- og kohesjonsproblem under.

Til slutt avhenger transformasjons-suksess ikke bare av teknologimodernisering, men også av tillits-ingeniørarbeid. Vi må aktivt ingeniøre en tillitslag i global helseteknologisk AI, designe systemer som klinikere og regulatorer kan implicit stole på i virkelige omsorgssituasjoner. Kontekst-ingeniørarbeid er mekanismen som gjør denne tilliten mulig. Når AI forstår den fullstendige kliniske og operative konteksten av en beslutning, tjener den tilliten systematisk, ikke ved tilfeldighet.

Hva er de spesifikke kreftene som driver denne skiftet nå?

Skiftet vi opplever nå er drevet av operasjonell stress, ikke teknologisk nyskaping. Kostnadstrykk, kliniker-utbrenning og alvorlige arbeidskraftsmangler tvinger helsetjenestene til å tenke om driftsmodellene sine helt, heller enn bare å digitalisere eksisterende modeller. Manuelle prosesser skalerer ikke lenger, særlig i krav, fakturering og kliniske operasjoner, som er hvorfor AI trekkes aggressivt inn i produksjonsmiljøer.

Men å trekke AI inn i produksjon er bare halveparten av ligningen; den andre halveparten er å sikre at AI opererer med riktig kontekst. Uten kontekst-ingeniørarbeid risikerer AI i kliniske og operative arbeidsflyter å generere utdata som er teknisk korrekte, men klinisk eller administrativt misjustert.

Samtidig driver regulatoriske krefter som CMS-interoperabilitetsregler, pris-transparens og digitale kvalitetsmål data-flyt og akselererer modernisering. Sky-adoptsjon har krysset en modenhetstrinn, og gjort det mulig å deployere AI på en compliant måte. AI er nå fullt ut alignert med helseteknologisk beredskap fordi vi endelig har digitaliserte arbeidsflyter, rikere data-ressurser og tydeligere ansvarlige rammer enn i tidligere teknologibølger.

Hva som har manglet til nå er bindeleddet mellom rå data-ressurser og meningsfull AI-handling, og det bindeleddet er kontekst. Vi ser en distinkt markedsetterspørsel etter løsninger som er spesialbygget for å hjelpe helseorganisasjoner å omdanne dette operative stress til målbare effektivitetsforbedringer.

Hva har endret seg for å gjøre AI-deployering i stor skala mulig i dag?

AI skalerer nå fordi helseorganisasjoner lærer å kodifisere politikk, kliniske retningslinjer og operasjonell logikk, heller enn å innta store mengder data. Den fundamentale skiftet er å gå fra modeller som tolker rå informasjon til systemer som utfører programmerbar kunnskap med streng tilsyn. Dette er nettopp hva kontekst-ingeniørarbeid muliggjør, ved å strukturere kunnskapsmiljøet hvor modellene opererer.

Grundleggende friksjon er drastisk redusert av den vidstrakte adopsjonen av FHIR, HL7, sky-naturlige data-plattformer og hendelses-drevne arkitekturer. Helseorganisasjoner erkjenner stadig mer at AI må være innebygget i arbeidsflyter heller enn å eksistere som separate dashboards. Arbeidsflyt-bevisst AI er nøkkel til å muliggjøre dette, og sikre at systemer forstår arbeidsflyt-semantikk og driver handlinger med handlinger.

Verktøy som MLOps, DevSecOps og compliance-automatisering har muliggjort kontinuerlig validering, overvåking og kontrollert om-trening. Vi ser en distinkt skift fra eksperimentering til verdi-koblede brukstilfeller som å lukke behandlingsgap, prior autorisasjon, krav-integritet, bilde og klinisk beslutningsstøtte. Denne skalaen er bare mulig når vi innebygger robuste retningslinjer og menneske-i-løkken-oversikt direkte i disse operative arbeidsflytene.

Industrien legger til jobber måned for måned, og det hjelper fordi AI ikke sees på som å ta jobber vekk. Skalering av AI hjelper å rette investeringene mot bedre resultater for pasienter og klinikere.

Mange organisasjoner blir værende i pilotfasen. Hva hindrer kunstig intelligens i å bli tatt i bruk i den daglige driften av helsetjenesten?

Flere strukturelle forhold viser seg samtidig når løsningene skal skaleres. Helsetjenesten arbeider sjelden mot ett mål: behandlingsresultater, kostnader, tilgang, pasientopplevelse, riktig refusjon og langsiktig risiko kan trekke i ulike retninger for behandlere, betalere, myndigheter og pasienter. Derfor må man bli enige om tydelige resultatmål. Mange pilotprosjekter mislykkes fordi slike mål mangler. Strukturert driftskontekst gjør det mulig å fastsette mål, begrensninger og prioriteringer på forhånd, i stedet for å forvente at en modell skal utlede dem fra rådata.

En annen hindring er arbeidet med merking og validering av data. Skalering krever løpende bidrag fra klinikere og eksperter på refusjonsprosesser. Tiden deres er knapp og kostbar, og innsatsen blir ofte undervurdert i pilotfasen.

Styrings- og integrasjonsmangler blir også tydeligere i stor skala. Pilotene mangler ofte sporbarhet, policykontroller og menneskelig tilsyn som trengs i arbeidsflyter med høy risiko og beskyttede helseopplysninger. I fakturering og kravbehandling kan feil først vise seg sent, når resultatene ikke oppfyller betalerens regler eller krav til samhandling. Eldre systemer, lukkede plattformer og ujevn bruk av HL7 og FHIR gjør integrasjonen skjør. Skalering lykkes når KI er knyttet til reelle driftsmål, solide datagrunnlag og komplekse arbeidsflyter. Vi ser derfor en dreining mot avgrensede MVP-er i verdikjeden, med tydelig nytte og støtte fra ledelsen, fremfor eksperimentering uten målbar prosessendring.

Hvordan ser en moderne KI-klar arkitektur for helsetjenesten ut når det gjelder dataflyt, samhandling og skyinfrastruktur?

Regelhåndheving, validering og eskalering må være bygget inn i arbeidsflyten, ikke legges til etterpå. Det krever felles skybaserte dataplattformer som tar inn kravdata, elektroniske pasientjournaler, bildedata, data fra medisinsk utstyr og driftsdata i godt styrte lag.

Samhandling bør bygge på standardene FHIR, HL7, SMART on FHIR og DICOM, støttet av egne valideringsmotorer. Innhenting, behandling, analyse, KI-tjenester og styring må ha tydelige ansvarsområder. Kontekstutforming binder lagene sammen ved å gjøre rådata om til styrte, semantisk berikede innganger som KI-tjenester kan bruke presist og ansvarlig.

Sikkerhet er ufravikelig: rollebasert tilgangskontroll, kryptering, samtykkehåndtering, dataopphav og revisjonsspor må være innebygd. Målestokken er ikke hvor avanserte komponentene er, men om systemet håndterer feil på en trygg måte. Når rammeverk som HIPAA og GDPR bygges inn i utførelseslaget, får man tilliten som trengs for utrulling på tvers av land.

Hvordan integrerer organisasjoner sanntidsdata fra elektroniske pasientjournaler, medisinsk utstyr og betalerplattformer for å støtte beslutninger med KI?

Sanntidsbehandling har verdi når innsikten vises i klinikernes og operatørenes arbeidsflyt, ikke bare i et separat kontrollpanel etterpå. Den største utfordringen er å håndtere variasjon og unntak, ikke bare å øke datagjennomstrømningen. Derfor bruker organisasjoner mellomvare som normaliserer og beriker data før KI får tilgang til dem, fremfor å sende rå datastrømmer videre.

Kontekstutforming gjør data fra journaler, utstyr og betalerplattformer til et sammenhengende grunnlag. Inndata må ha en mening som passer den konkrete kliniske eller administrative beslutningen. Slik kan innsikt vises i journalens arbeidsflyt akkurat der behandlingen skjer. Integrasjonen må ta hensyn til kliniske retningslinjer, betalerregler og begrensninger i arbeidsprosessen for den aktuelle pasienten og konsultasjonen. Målet er nyttig støtte i rett øyeblikk uten å forstyrre den etablerte driften.

Hva er de viktigste tekniske utfordringene ved å deployere AI-modeller i kliniske miljøer, særlig rundt modell-validering, overvåking og drift?

Den hardeste utfordringen er ikke bare nøyaktighets-forfall, men også ukjent feil-sprening over sammenhengende arbeidsflyter. Kontekst-ingeniørarbeid tjener som den første forsvarslinjen ved å strukturere kunnskapsmiljøet hvor modellene opererer. Systemet må validere inndata for klinisk og operasjonell kohesjon før AI-resonnering begynner, og redusere feil ved kilde.

Validering må gå beyond automatiske metrikker og inkludere menneskelig reinterpretasjon, og sikre at utdata reflekterer virkelig klinisk relevans heller enn bare statistisk ytelse. Dette grunnleggjør modell-evaluering i faktiske kliniske og administrative resultater heller enn abstrakte benchmark.

Modell-drift må også aktivt håndteres ettersom pasient-populasjoner, kliniske retningslinjer og atferd utvikler seg. Dette krever kontinuerlig overvåking koblet til virkelige tilbakemeldings-løkker, med sjekkpunkter innbygget for å detektere drift i termer av klinisk relevans, betaler-regel-alignment og arbeidsflyt-konsistens.

Til slutt avhenger suksess av å balansere tilpasning med strenge regulatoriske forventninger. AI-deployering i kliniske og SaMD-miljøer krever en sterk tillitslag som tvinger retningslinjer, utløser menneskelig gjennomgang og sikrer kontrollert om-trening før noen påvirkning når pasientbehandling.

Hvordan nærmer du deg å bygge forklarbarhet og granskbarhet inn i AI-systemer som brukes i regulerte helseteknologiske miljøer?

Forklarbarhet eksisterer så mennesker kan utfordre, overstyre og lære fra AI-utdata, ikke bare forstå dem. Kontekst-ingeniørarbeid gjør denne utfordringen strukturell heller enn overflatisk ved å kode kliniske retningslinjer, politiske regler og operasjonell logikk direkte inn i AI-miljøet. Som resultat kan hver utgang spores tilbake til den kontekstuelle inndata som formede den, heller enn å bli omvendt etter faktum.

Granskbarhet, likeså, må skape institusjonell hukommelse heller enn å fungere som en compliance-ettertanke. Dette oppnås ved å bruke policy-as-code til å kode regulatoriske og organisatoriske regler direkte inn i utføringssløyer, og behandle rammer som HIPAA og CMS-retningslinjer som styrende inndata fra starten, ikke eksterne sjekker som brukes senere.

I tillegg er uforanderlige logger og gransknings-spor essensielle for å støtte regulatorisk tilsyn og klinisk tillit. Systemet bør fange ikke bare hvilken beslutning som ble tatt, men også den fullstendige konteksten, inkludert data, begrensninger og arbeidsflyt-tilstand som informerte den.

Over hele dette forblir menneske-i-løkken-oversikt en essensiell krav for høy-risiko eller irreversibel klinisk beslutning. Bygging denne transparente tillitslagen sikrer at når en regulator eller kliniker spør hvorfor et AI-system tok en bestemt anbefaling, er svaret umiddelbart tilgjengelig og forsvarlig.

Med oppblomstringen av agent-baserte og autonome systemer, hva er nødvendige sikkerhetstiltak for å sikre pålitelighet og forebygge uventede resultater i kliniske arbeidsflyter?

I helseteknologi er agent-baserte systemer verdifulle bare når automatiserings-grensene er eksplisitte og reversible. Kontekst-ingeniørarbeid hjelper å definere disse grensene ved å strukturere operasjonell omfang, kliniske begrensninger og eskalasjons-logikk inn i miljøet, og sikrer at autonomi opererer innen en styrt ramme heller enn å stole på modeller til å regulere seg selv.

Dette krever autonomi med ansvar, inkludert tydelige rolle-definisjoner, eskalasjons-veier og deterministiske sjekkpunkter innbygget i agent-atferd. Systemet må sikre at agenter opererer innen klinisk og operasjonell godkjent omfang som er arkitektonisk tvunget, ikke bare policy-definert.

Det krever også kontinuerlig overvåking av agent-atferd, beslutningskvalitet og uventede interaksjoner. Vi implementerer policy-drevne begrensninger som forhindrer agenter fra å handle utenfor deres klinisk eller operasjonell godkjente omfang. For kliniske arbeidsflyter er menneske-i-løkken en grunnleggende design-prinsipp, ikke en reserve-mekanisme.

Ettersom vi beveger oss mot avansert agent-til-agent-orkesering, må disse agentene operere strengt innen styrt, kodifisert rammer for å sikre pålitelighet.

Hva ser intelligens-drevne omsorg ut som for pasienter over de neste ti årene?

De neste ti årene vil se AI redusere friksjon før det transformerer omsorg, startende med administrasjon, koordinasjon og beslutningsstøtte. Intelligens-drevne omsorg lykkes når klinikere stoler på standardene, men fast beholder sin autoritet. AI blir en orkestrator over hele omsorgskontinuumet, og forutser behov heller enn bare å reagere på hendelser.

Kontekst-ingeniørarbeid muliggjør denne skiftet ved å strukturere longitudinelle kliniske, krav og operasjonelle data så AI kan resonnere over hele kontinuumet med den dybden som kreves for pålitelig handling, ikke bare prediktiv innsikt. Dette støtter mer personlig, kontinuerlig og kontekst-bevisst omsorgsveier over settinger.

Uttrykket “kontekst-bevisst” er det operative, og det er ikke tilfeldig. Å levere virkelig personlig omsorgsveier i stor skala krever at AI-systemer arver dypt kontekstuell kunnskap om hver pasients kliniske historie, betaler-miljø og omsorgssetting. Klinikere vil bli støttet av co-piloter og beslutnings-intelligens, og redusere deres kognitive og administrative byrde betydelig.

Over tid vil helseteknologisystemer utvikle seg til å bli lærings-systemer, og forbedre kontinuerlig ettersom data, modeller og virkelige tilbakemeldinger akkumuleres. Ved å ingeniøre en robust tillitslag i dag, legger vi den operative grunnmuren for denne friksjonsløse fremtiden.

Takk for de detaljerte svarene, lesere som ønsker å lære mer bør besøke CitiusTech.