Rajan Kohli, CEO av CitiusTech – Intervju-serie

Rajan Kohli er administrerende direktør i CitiusTech og er ansvarlig for selskapets strategiske retning og for å fremme CitiusTechs misjon om å akselerere innovasjon innen helse-teknologi og drive langsiktig verdi for kunder. Rajan er en meget erfaren leder innen teknologitjenesten med erfaring fra digital transformasjon, applikasjon og ingeniørtjenester.

Før han kom til CitiusTech, tilbragte Rajan over 27 år i Wipro og var nylig president for Wipros iDEAS (Integrert Digital, Ingeniør og Applikasjonstjenester)-forretning. Han ledet en global forretningslinje med inntekter på 6 milliarder USD og var dedikert til å hjelpe kunder over hele verden å akselerere transformasjonen og endre måten de bygger og leverer digitale produkter, tjenester og opplevelser.

CitiusTech er en ledende leverandør av konsulenttjenester og digitale teknologier til helse- og life sciences-selskaper. Som strategiske partnere for verdens ledende payer, provider, MedTech og life sciences-selskaper, driver CitiusTech innovasjon, forretnings-transformasjon og bransje-omfattende konvergens. De spiller en dypt og meningsfull rolle i å akselerere digital innovasjon, drive bærekraftig verdi og hjelpe med å forbedre resultater over hele helse-økosystemet.

Hva er de viktigste elementene som kreves for å implementere digitale transformasjonsstrategier i helse- og life sciences-organisasjoner?

Helseindustrien har kjempet med å omfavne digitale løsninger, med suksessfulle digitale transformasjonsreiser som skjer sporadisk over årene. Men med teknologi som er klar til å drive en paradigmeskiftende sprang i pasientpleie, er det på tide for industrien å gå forbi disse utfordringene.

Digital transformasjon har potensialet til å positivt påvirke helse over alle spesialiteter. For eksempel, spesialmedisinske produsenter må håndtere flere krav som kommer fra ulike interessenter og økosystemet for å møte deres stadig økende etterspørsel. Å navigere i dette komplekse nettverket av interessenter og økosystemet er ikke enkelt, og mange av dem ser på å utnytte pasient-støttehub-tjenester som overfører disse ansvarlige fra legemiddelprodusentene til å håndtere disse ansvarlige og optimalisere klient-legemiddel-ytelse. Men med pasient-hub-tjenester som møter utfordringer med hensyn til skalerbarhet og effisiens på grunn av økende volumer, må mange spesialmedisinske produsenter omfavne digitale transformasjonsstrategier for å strømlinje operasjoner og styrke den generelle effisiensen.

Implementering av digital transformasjon i helse- og life sciences-organisasjoner krever en tre-leddet tilnærming.

• Leder-kommitment er essensielt for å drive og opprettholde disse initiativene, og sikre at det finnes en topp-ned-endorsement og tilslutning til strategiske mål. Dette innebærer ikke bare å skape en klar visjon og veikart som omfatter bestemte mål og milepæler, men også å investere i teknologi og innovative løsninger.
• Robust datahåndtering er et annet kritisk element. Etablering av sterke informasjonsstyrings-rammer sikrer datakvalitet, sikkerhet og regulatorisk overholdelse. Dette inkluderer å definere datastandarder, politikker og prosesser for datahåndtering, samt å utnytte avanserte analyser og store data-teknologier for å trekke ut håndterbare innsikter fra helsedata.
• Interoperabilitet er avgjørende for digital transformasjon, og nødvendiggjør tilnærmingen til bransjestandarder som HL7, FHIR og DICOM for å fasilitere sømløs datautveksling mellom ulike systemer og plattformer. Utnyttelse av integreringsplattformer og mellomvare-løsninger kan bro-legge ulike systemer, og sikre jevn datastrøm og kommunikasjon over hele organisasjonen. Ved å omfavne interoperabilitet fullt ut, vil organisasjonene være i stand til å drive mer effektive, effektive og pasient-sentriske helse-tjenester.

Men til slutt handler digitale transformasjoner om pasienten. Helse-organisasjoner kan automatisere så mange prosesser som de ønsker, men hvis de ikke endrer opplevelsen eller verdien som pasienten mottar, vil det være svært å finne suksess. En pasient-sentrert tilnærming med implementering av digitale helse-løsninger som forbedrer pasient-engasjement, forbedrer tilgang til omsorg og muliggjør personaliserte behandlingsplaner, er essensielle.

Hvordan brukes generativ AI i dag til å forbedre helse-behandlinger og forbedre pasient-resultater?

Generativ (Gen) AI tilbyr transformative fordeler over hele helse-økosystemet. For helse, en industri hvor mange av de gjennomgående utfordringene kan tilskrives ineffektive menneske-maskin-interaksjoner, har Gen AI kraften til å bro-legge denne gapen og virkelig demokratisere helse.

Dette er særlig sant med personlig medisin. Utvikling av behandlingsplaner som er tilpasset bestemte pasienter, kan være vanskelig og tidskrevende hvis det gjøres manuelt. Ved å utnytte Gen AI, analyserer algoritmene genetiske data og pasient-historier for å skape personaliserte behandlingsplaner tilpasset den enkeltes unike genetiske sammensetning og medisinske historie. Når behandlingsplanene er på plass, er pasient-tilgang til AI-drevne virtuelle helse-assistenter avgjørende, da pasienter har 24/7-tilgang til medisinsk rådgivning, symptommåling og time-avtale, som forbedrer pasient-engasjement, mer effektive behandlinger og bedre pasient-resultater.

Gen AI spiller også en betydelig rolle i å akselerere legemiddel-godkjennings- og lanseringsprosessen. Pandemien viste potensialet for rask legemiddel-utvikling, drevet av AI-kapasiteter. Gen AI akselerer utviklingen av nye legemidler ved å simulere molekylær-interaksjoner og forutsi hvilke forbindelser som sannsynligvis vil være effektive. Dette reduserer betydelig tiden og kostnadene forbundet med tradisjonelle legemiddel-oppdagelsesmetoder. Disse AI-drevne plattformene kan også generere potensielle legemiddel-kandidater og optimalisere deres kjemiske strukturer, og akselerere prosessen fra konsept til kliniske prøver.

Gen AI-algoritmer forbedrer også nøyaktigheten av medisinske bilder, og hjelper med å oppdage anomalier. Dette muliggjør tidlig diagnose og behandling av tilstander som kreft, og forbedrer betydelig pasient-resultater.

Til slutt har prediktiv analyse, drevet av Gen AI, banebrytende potensial. Prediktive Gen AI-modeller analyserer store mengder helsedata for å forutsi sykdomsutbrudd, pasient-gjeninnleggelse og potensielle komplikasjoner, og muliggjør proaktive inngrep og bedre håndtering av kroniske sykdommer.

Hvordan kan generativ AI hjelpe med å redusere rutine-oppgaver for helse-personell, og la dem fokusere mer på pasient-omsorg og innovasjon?

Gen AI kan betydelig reducere byrden av rutine-oppgaver for helse-personell, som klinisk dokumentasjon, time-avtale, medisinske journaler og forsikrings-krav. Helse-personell er fri til å konsentrere seg om pasient-omsorg og innovasjon.

For eksempel, er helse-personell avhengige av elektroniske medisinske journaler (EMR) for tryggere og mer konsekvent helse-omsorg, men dette krever at disse personene må navigere mellom deres narrative-forståelse av pasient-historier og symptomer, og EMR-er sine strukturerte data-presentasjoner. Gen AI bro-legger denne gapen og reduserer betydelig kognitivt overbelastning for helse-personell ved å sammenfatte pasient-historie og automatisere manuelle oppgaver, og frigjør verdifull tid for mer personlig pasient-omsorg.

Kliniske beslutnings-støtte-systemer utnytter AI til å gi helse-personell evidens-basert anbefalinger, varsler og påminnelser. Disse systemene analyserer pasient-data og medisinsk litteratur for å tilby innsikter som hjelper med diagnose og behandlingsplanlegging, og forbedrer kliniske resultater og reduserer den kognitive belastningen på helse-personell.

Fjern-overvåkningsteknologier, drevet av AI, overvåker kontinuerlig pasienters vitale tegn og helse-status, og muliggjør sanntids-helse-vurderinger uten behov for hyppige personlige besøk. Dette forbedrer pasient-tilgang og muliggjør tidlig oppdaging av potensielle helse-problemer, og fører til raskere inngrep og bedre håndtering av kroniske tilstander.

Gen AI forbedrer menneskelig potensial, og forbedrer jobb-tilfredshet for helse-personell, og fokuserer mer på innovativ omsorg-levering og pasient-tilfredshet.

Hva kan helse-organisasjoner gjøre for å maksimere effektiviteten av Gen AI-løsninger i overvåking av kvalitet og sikre tillit i helse-beslutninger?

Kvalitet og tillit er blitt kritiske punkter i diskusjonen over hele helse-industrien, og det krever en robust fokus på disse problemene for å sikre at fordelene realiseres på en ansvarlig måte. Blant de tiltakene som kan settes i verk, er:

Personvern og datasikkerhet: Sikring av pasient-personvern er essensielt, og krever omhyggelig anonymisering av data og strenge sikkerhetstiltak for å forhindre uautorisert tilgang og data-brudd. Implementering av robuste krypterings-protokoller og forsvar-mekanismer mot adversative angrep kan beskytte pasient-data, mens klinikerne må beholde den ultimate beslutnings-myndigheten for å sikre mot potensielle AI-feil.

Vedlikehold av kvalitet og rettferdighet: Gen AI-systemer kan utilsiktet videreformidle bias som finnes i trenings-data, og føre til ulikhet i helse-resultater. Implementering av algoritmer som kan eliminere bias, og kontinuerlig om-trenings av AI-systemer for å oppdage og mildne bias, er nøkkel.

Ansvar og gjennomsiktighet: Ansvar i Gen AI-drevne beslutninger involverer flere interessenter, inkludert utviklere, helse-personell og slutt-brukere. Gjennomsiktige, forklarbare AI-modeller er nødvendige for informert beslutning. Utviklere må sikre at AI-modellene er ubiaserte og sikre, mens helse-personell må forstå at de forblir ansvarlige for beslutningene som tas med AI-anbefalinger. Implementering av robuste reguleringer er essensielt for å håndtere ansvar-problemer og opprettholde tillit.

Etiske rammer: Utvikling av etiske rammer for Gen AI handler om å fremme ansvar uten å hemme innovasjon. Helse-aktører må proaktivt samarbeide med utviklingen av etiske standarder for å sikre at Gen AI-applikasjoner er rettferdige, ansvarlige og pasient-sentriske. En menneske-i-løkken-tilnærming, kombinert med ansvarlig AI-praksis, kan hjelpe med å oppnå rettferdige helse-resultater og maksimere Gen AI-potensialet.

Plattform-baserte kvalitets- og tillit-rammer: Bygging av kvalitets- og tillit-rammer som integreres i eksisterende kvalitets-styringssystemer og samarbeider med regulatoriske anbefalinger, er avgjørende. Disse rammene måler, validerer og overvåker Gen AI-løsninger for å sikre konsistente og pålitelige resultater.

Tidligere i år lanserte vi CitiusTech Gen AI Kvalitet og Tillit-løsningen, den første løsningen av denne typen i helse. Løsningen kan håndtere disse kravene ved å tilby omfattende validering, kontinuerlig overvåking og overholdelse av regulatoriske standarder, og sikrer effektiviteten og tilliten til Gen AI-løsninger i helse.

Hvordan kan helse-organisasjoner arbeide for å identifisere og mildne algoritme- og trenings-data-bias for å sikre rettferdige omsorg-beslutninger?

Helse-organisasjoner må være ekstremt proaktive i sin tilnærming. Utnyttelse av diverse og representative datasett under trenings-fasen hjelper med å redusere bias, og sikrer at AI-modellene fungerer godt over ulike befolkningsgrupper. Implementering av bias-oppdaging-verktøy kan hjelpe med å identifisere og håndtere bias i AI-modellene ved å analysere modellens utdata for å oppdage noen ulikheter i behandlings-anbefalinger eller forutsigelser.

Regelmessige auditor og gjennomganger av AI-systemer hjelper med å identifisere og korrigere bias. Dette inkluderer evaluering av systemets ytelse over ulike demografiske grupper og å gjøre nødvendige justeringer. Inklusiv design og utvikling, bestående av en divers gruppe interessenter i design og utvikling av AI-løsninger, sikrer at ulike perspektiver blir vurdert, og reduserer sannsynligheten for bias. Til slutt er utdanning og opplæring av ansatte om potensielle bias i AI-systemer og hvordan å håndtere dem, avgjørende for å skape bevissthet og fremme ansvarlig bruk av AI.

Hvordan kan helse-organisasjoner effektivt bruke data om sosiale bestemmende faktorer for helse (SDOH) til å forbedre pasient-omsorg, og hva er utfordringene i å integrere denne dataen i offisielle diagnostiske koder?

Integrering av data om SDOH forbedrer betydelig pasient-omsorg, men det finnes utfordringer som må håndteres. Omfattende data-innsamling er essensielt, inkludert informasjon som socio-økonomisk status, utdanning og miljø-faktorer. Denne dataen gir innsikt i de sosiale faktorene som påvirker pasient-helse.

Data-integrasjon og interoperabilitet er avgjørende for å utnytte SDOH-data effektivt. Integrering av denne dataen i elektroniske helse-journaler (EHR) og sikring av interoperabilitet mellom ulike systemer, muliggjør at helse-personell har en helhetlig visning av pasient-helse, og muliggjør personaliserte omsorgs-planer. For eksempel, pasienter fra lav-inntekts-bakgrunn eller de som bor i områder med begrenset tilgang til helse-tjenester, kan kreve ekstra støtte for å håndtere kroniske tilstander. Ved å inkorporere SDOH-data, kan helse-organisasjoner utvikle målrettede outreach-programmer, tilby ressurser for transport til medisinske avtaler, og tilby ernærings-hjelp til de som trenger det.

Populasjons-helse-håndtering er et annet område hvor SDOH-data spiller en kritisk rolle. Ved å analysere SDOH-data på et samfunns-nivå, kan helse-organisasjoner identifisere trender og mønster som informerer offentlige helse-strategier.

Men integrering av SDOH-data i offisielle diagnostiske koder presenterer en interoperabilitets- eller standardiserings-utfordring. Det finnes for øyeblikket ingen universelt akseptert ramme for å kode SDOH-data. Sikring av data-kvalitet er også vanskelig, da SDOH-data ofte kommer fra ulike kilder med ulike nivåer av nøyaktighet og fullstendighet. Samarbeid mellom helse-organisasjoner, politiske beslutningstakere og teknologi-leverandører for å etablere standardiserte praksiser og sikre omfattende data-integrasjon, vil være et viktig skritt i å håndtere disse hindringene.

Hva er de viktigste cybersecurity-utfordringene som helse-organisasjoner møter, og hvordan kan de håndteres?

Som vi har sett over det siste året, er helse-organisasjoner ekstremt sårbare for cybersecurity-trusler. Data-brudd og ransomware-angrep er betydelige problemer, og krever implementering av robust kryptering, multi-faktor-autentisering og regelmessige sikkerhets-auditor for å mildne disse truslene. Arve-systemer og programvare-sårbarheter er vanlige i helse-organisasjoner, da mange fortsatt bruker utdaterte systemer. Regelmessig oppdatering og patching av programvare, samt migrering til moderne, sikre plattformer, er essensielt.

Insider-trusler, hvor ansatte med tilgang til sensitiv data, utgjør også betydelige risikoer. Implementering av strenge tilgangskontroller, overvåking av bruker-aktivitet og sikkerhets-opplæring kan spille en betydelig rolle i å forebygge disse problemene. Det er kritisk å etablere en dedikert compliance-avdeling som er ansvarlig for å gjennomføre regelmessige sikkerhets-auditor og risiko-vurderinger for å identifisere sårbarheter og sikre overholdelse av regulatoriske krav som HIPAA.

Potensielt det viktigste tiltaket er kontinuerlig opplæring og utdanning for IT-personell og helse-personell for å beskytte mot evoluerende cyber-trusler. Mange av disse truslene utnytter menneskelige sårbarheter, så jo mer utdannet personalet er om cybersecurity-best-praksis, jo mer sannsynlig er det at menneskelig feil vil bli redusert, og føre til mer sikker pasient-data.

Hva er de viktigste etiske overveielser som helse-organisasjoner må ta i betraktning når de implementerer AI-løsninger, og hvordan kan de navigere motstanden mot AI-implementeringer i sykehus?

Dette er ett av de viktigste problemene helse-organisasjoner må håndtere, med en nødvendighet for å vurdere flere etiske aspekter og navigere potensiell motstand. Sikring av pasient-personvern og konfidensialitet er avgjørende, og AI-løsninger må overholde strenge data-beskyttelses-reguleringer og anvende robuste sikkerhetstiltak. Pasienter må informeres om bruken av AI i deres omsorg og gi samtykke, inkludert en forklaring av hvordan AI vil bli brukt og de potensielle fordelene og risikoene.

Bias og rettferdighet er også kritiske overveielser. AI-systemer er designet for å unngå bias og sikre rettferdig behandling for alle pasienter, men som vi vet, kan problemer oppstå her hvis organisasjonene ikke er forsiktige. Det gjør kontinuerlig overvåking og justering av disse AI-modellene avgjørende for å opprettholde rettferdighet.

Det er også ekstremt viktig å være gjennomsiktig om bruken av AI og ansvarlig for beslutninger tatt av AI-systemer, særlig ved å gi forklaringer for AI-drevne beslutninger og etablere mekanismer for tilsyn.

Gjennomføring av alle disse tiltakene er et stort skritt mot å håndtere bekymringer og motstand som både helse-personell og pasienter har mot AI-implementering. Men det er også viktig å gi utdanning om implementering og fordeler av AI, og å involvere interessenter i AI-implementerings-prosessen, og etablere en forpliktelse til å ta en omfattende tilnærming sentrert rundt å bygge tillit, gi klar kommunikasjon og sikre den etiske bruken av AI.

Hvordan kan CitiusTechs løsninger hjelpe helse-organisasjoner med å oppnå sømløs data-integrasjon og interoperabilitet over ulike plattformer og applikasjoner?

Ved CitiusTech er vi i stand til å drive helse-digital innovasjon, forretnings-transformasjon og bransje-omfattende konvergens for helse- og life sciences-selskaper over hele verden. Våre løsninger er designet for å oppnå sømløs data-integrasjon og interoperabilitet over ulike plattformer og applikasjoner. Våre avanserte integrerings-plattformer sikrer at ulike systemer kommuniserer og deler data effektivt, og muliggjør sømløs data-utveksling for en samlet visning av pasient-informasjon.

For eksempel, var et stort blåt plan med over en million medlemmer på utkikk etter å gå utenfor medlemmers krav-data og manuell chart-chase og utnytte klinisk data for å akselerere omsorg-lukkinger. Søkende etter en løsning som kunne utnytte klinisk data effektivt, utnyttet de CitiusTech for å sømløst integrere klinisk data fra en rekke elektroniske helse-journaler og data-aggregatorer, og bragte 10 millioner dollar i årlige besparelser.

CitiusTechs styrings-løsninger opprettholder data-kvalitet, sikkerhet og overholdelse gjennom hele integrerings-prosessen for å håndtere kompleksiteten i helse-data, inkludert integrering og interoperabilitet av ulike data-kilder og plattformer.

Den nylig lanserte CitiusTech Gen AI Kvalitet og Tillit-løsningen, en løsning som ytterligere forbedrer data-integrasjon, sikrer påliteligheten, nøyaktigheten og tilliten til AI-drevne innsikter. Løsningen tilbyr robust validering, kontinuerlig overvåking og overholdelse av regulatoriske standarder, og skaper nøyaktige, pålitelige og overholdende AI-drevne data-integrasjon og analyse. Dette muliggjør at helse-organisasjoner kan utnytte AI effektivt for å forbedre beslutning og pasient-resultater.

Hva fremtidige trender ser du i integreringen av AI innen helse og life sciences, og hvordan er CitiusTech forberedt på å håndtere disse trendene?

Med integreringen av AI innen helse og life sciences vokser raskt, vil den økende bruken av AI for prediktiv analyse og personlig medisin, forbedring av operasjonell effisiens gjennom automatisering, og fremdrift av medisinsk bilde-diagnostikk og -behandling, ha en betydelig innvirkning på industrien.

Ved CitiusTech er vi foran disse trendene ved å kontinuerlig investere i FoU for å forbli i frontlinjen av AI-fremgangene. Som nevnt, har vi utviklet Gen AI-løsninger som vår kvalitet og tillit-verktøy, samt andre AI-løsninger som utnytter de siste teknologiene for å forbedre pasient-resultater og operasjonell effisiens. Det er en avgjørende prioritet å fokusere på å sikre den etiske og rettferdige bruken av AI, og å håndtere bias og opprettholde gjennomsiktighet og ansvar i AI-drevne beslutninger. Det er en prioritet for vårt team å holde oss oppdatert med de siste AI-trendene, og å sikre at vi har de beste ressursene tilgjengelige for å hjelpe helse-organisasjoner med å navigere i det evoluerende landskapet av AI-integrering.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke CitiusTech.