Rajan Kohli, CEO CitiusTech – Wywiad z serii: Rozmowa powtórzona

Rajan Kohli jest Dyrektorem Generalnym CitiusTech i odpowiada za globalną strategię, wzrost i misję przyspieszania innowacji w ochronie zdrowia i naukach o życiu. Weteran branży technologicznej z ponad trzydziestoletnim doświadczeniem, Rajan kierował dużymi projektami transformacji cyfrowej w obszarach ochrony zdrowia, inżynierii, modernizacji chmury, platform danych i sztucznej inteligencji. Od czasu objęcia stanowiska w CitiusTech, skupił się na pomocy organizacjom ochrony zdrowia w przejściu od transformacji cyfrowej do modeli operacyjnych napędzanych przez AI, interoperacyjność i zaawansowaną analitykę.

CitiusTech jest wiodącym dostawcą usług technologicznych dla ochrony zdrowia, konsultacji i rozwiązań cyfrowych dla dostawców usług zdrowotnych, płatników, firm MedTech i organizacji z sektora nauk o życiu na całym świecie. Firma specjalizuje się w platformach danych ochrony zdrowia, interoperacyjności, modernizacji chmury, inżynierii cyfrowej, analityce i sztucznej inteligencji. W miarę jak organizacje ochrony zdrowia coraz częściej starają się wdrożyć AI na dużą skalę, CitiusTech rozszerzył swoje działania w kierunku budowy systemów opieki zdrowotnej napędzanych przez inteligencję, które łączą zaufane podstawy danych, zarządzanie, interoperacyjność i świadome workflow AI. Poprzez rozwiązania takie jak Knewron i jego szerszy ekosystem AI i danych, CitiusTech pomaga organizacjom przekształcić fragmentaryczne operacje ochrony zdrowia w połączone, świadome kontekstu środowiska, które poprawiają wydajność, podejmowanie decyzji i wyniki pacjentów.

Ten wywiad jest kontynuacją naszej poprzedniej rozmowy z Rajanem Kohli, w której omawialiśmy rosnącą rolę generatywnej AI, interoperacyjności, modernizacji danych ochrony zdrowia i transformacji cyfrowej w ekosystemie ochrony zdrowia. Od tego czasu branża szybko posunęła się od eksperymentowania z AI do wdrożenia jej w środowiskach produkcyjnych, tworząc nowe wyzwania związane z zarządzaniem, zaufaniem, wyjaśnialnością i skalą operacyjną. W tej najnowszej dyskusji Rajan dzieli się tym, jak organizacje ochrony zdrowia mogą przerwać izolowane pilotażowe projekty AI i przejść do opieki napędzanej przez inteligencję, dlaczego inżynieria kontekstu staje się krytyczną podstawą dla AI w ochronie zdrowia i co będzie wymagane do budowy zaufanych, skalowalnych systemów, które będą mogły wspierać następną generację opieki nad pacjentami.

Przynosisz ze sobą dziesięciolecia doświadczenia w kierowaniu dużymi projektami transformacji cyfrowej. Jak ta podróż ukształtowała twoją perspektywę na to, dlaczego transformacja ochrony zdrowia jest wyjątkowo złożona?

Transformacja ochrony zdrowia jest wyjątkowo trudna, ponieważ nie ma jednej definicji sukcesu. Wyniki kliniczne, dokładne rozliczenia i płatności, dostęp, koszt i doświadczenie często pociągają w różne strony. W przeciwieństwie do innych sektorów, ochrona zdrowia jest ograniczona przez ryzyko kliniczne, kontrolę regulacyjną i odpowiedzialność etyczną. Tryby awaryjne są mierzone wynikami pacjentów, a nie utratą przychodów.

To jest miejsce, w którym inżynieria kontekstu staje się podstawowa: dyscyplina strukturyzowania środowiska informacyjnego, w którym działa AI, tak aby dane wyjściowe były klinicznie dokładne, świadome workflow i gotowe do zgodności od samego początku. Skalowanie wymaga myślenia systemowego w całych łańcuchach wartości, a nie cyfryzacji sfragmentaryzowanych funkcji. Ochrona zdrowia wymaga głębokiej kontekstualizacji workflow, semantyki danych klinicznych, roszczeń i danych urządzeń, a także złożonych ścieżek zgodności. Platformy takie jak Knewron są zbudowane na tym samym principle, przechodząc od ogólnego AI do wbudowania kontekstu specyficznego dla danej branży na poziomie architektury.

Ta złożoność jest nasilona przez fragmentaryzowane ekosystemy, w których uczestniczą płatnicy, dostawcy, firmy MedTech i organizacje z sektora nauk o życiu. Każdy z tych uczestników działa na różnych systemach, zachętach i standardach danych. To, co wydaje się problemem technologicznym na powierzchni, jest prawie zawsze problemem kontekstu i spójności pod spodem.

Ostatecznie sukces transformacji zależy nie tylko od modernizacji technologicznej, ale także od inżynierii zaufania. Musimy aktywnie inżynierować warstwę zaufania w globalnym AI ochrony zdrowia, projektując systemy, które klinicyści i regulatorzy mogą niejawnie polegać na nich w rzeczywistych środowiskach opieki. Inżynieria kontekstu jest mechanizmem, który umożliwia to zaufanie. Kiedy AI rozumie pełny kliniczny i operacyjny kontekst decyzji, systematycznie zdobywa zaufanie, a nie przez przypadek.

Opisujesz ochronę zdrowia jako branżę, która osiągnęła punkt zwrotny. Jakie konkretnie siły napędzają ten zwrot w tym momencie?

Punkt zwrotny, który doświadczamy teraz, jest napędzany przez stres operacyjny, a nie nowością technologiczną. Presja kosztów, wypalenie zawodowe klinicystów i ciężkie braki kadrowe zmuszają systemy ochrony zdrowia do przemyślenia całkowicie modeli operacyjnych, a nie tylko cyfryzacji istniejących. Procesy ręczne nie skalują się już, szczególnie w roszczeniach, rozliczeniach i operacjach klinicznych, dlatego AI jest agresywnie wciągana do środowisk produkcyjnych.

Ale wciąganie AI do produkcji to tylko połowa równania; druga połowa to zapewnienie, że AI działa z odpowiednim kontekstem. Bez inżynierii kontekstu AI w workflow klinicznych i operacyjnych ryzykuje generowania danych wyjściowych, które są technicznie poprawne, ale klinicznie lub administracyjnie niezgodne.

Równocześnie siły regulacyjne, takie jak zasady interoperacyjności CMS, transparentność cen i środowiskowe środki jakości, nakazują płynność danych i przyspieszają modernizację. Przyjęcie chmury przekroczyło próg dojrzałości, czyniąc możliwym przedsięwzięcie modernizacji i wdrożenia AI na dużą skalę. AI jest teraz w pełni zgodna z gotowością ochrony zdrowia, ponieważ mamy wreszcie zdigitalizowane workflow, bogatsze aktywa danych i wyraźniejsze ramy odpowiedzialności niż w poprzednich falach technologicznych.

Co było brakujące do tej pory, to łącząca tkanka między surowymi aktywami danych a znaczącą akcją AI, a tą tkanką jest kontekst. Widzimy wyraźne zapotrzebowanie rynkowe na rozwiązania, które są zaprojektowane specjalnie, aby pomóc organizacjom ochrony zdrowia przekształcić ten stres operacyjny w mierzalną wydajność.

Ochrona zdrowia długo pozostawała w tyle pod względem cyfryzacji w porównaniu z innymi branżami. Co się zmieniło, aby wdrożenie AI na dużą skalę było możliwe dzisiaj?

AI teraz skaluje, ponieważ organizacje ochrony zdrowia uczą się kodować politykę, wytyczne kliniczne i logikę operacyjną, zamiast spożywać ogromne ilości danych. Podstawowa zmiana polega na przechodzeniu od modeli, które interpretują surową informację, do systemów, które wykonują programową wiedzę z surowym nadzorem. To jest dokładnie to, co umożliwia inżynieria kontekstu, przechodząc od biernego AI do aktywnej, zarządzanej egzekucji przez strukturyzowanie środowiska wiedzy, w którym modele działają.

Podstawowa friccja została drastycznie zredukowana przez powszechne przyjęcie FHIR, HL7, platform danych chmury i architektur zdarzeniowych. Organizacje ochrony zdrowia coraz częściej rozpoznają, że AI musi być wbudowane w workflow, a nie istnieć jako samodzielne pulpity. AI świadomy workflow jest kluczem do umożliwienia tego, zapewniając, że systemy rozumieją semantykę workflow i napędzają działania z wynikami.

Narzędzia takie jak MLOps, DevSecOps i automatyzacja zgodności umożliwiły ciągłą walidację, monitorowanie i kontrolowane ponowne szkolenie. Widzimy wyraźny zwrot od eksperymentowania do przypadków użycia związanych z wartością, takich jak luki w opiece, uprzednia autoryzacja, integralność roszczeń, obrazowanie i wsparcie decyzji klinicznych. Ta skala jest możliwa tylko wtedy, gdy wbudowujemy solidne barierki i nadzór człowieka w pętle bezpośrednio w te workflow operacyjne.

Branża dodaje miejsca pracy miesiąc po miesiącu, a to pomaga, ponieważ AI nie jest postrzegana jako zabierająca miejsca pracy. AI na dużą skalę pomaga ukierunkować inwestycje na lepsze wyniki dla pacjentów i klinicystów.

Wiele organizacji pozostaje utknionych w fazie pilotażowej. Jakie są kluczowe bariery, które uniemożliwiają AI przechodzenie do prawdziwego użycia operacyjnego w ochronie zdrowia?

AI ma trudności ze skalowaniem w ochronie zdrowia, ponieważ wiele rzeczywistych realiów pojawia się jednocześnie. Procesy ochrony zdrowia rzadko operują w kierunku jednego celu; wyniki kliniczne, koszt, dostęp, doświadczenie pacjenta, dokładność rozliczeń i długoterminowe ryzyko często konkurują, angażując dostawców, płatników, regulatorów i pacjentów. Definiowanie sukcesu jest złożone, ale niezbędne. Wiele pilotów kończy się niepowodzeniem, ponieważ nie są one zakotwiczone w jasnych, współdzielonych metrykach wyników. Strukturalny kontekst operacyjny pomaga rozwiązać ten problem, kodując cele, ograniczenia i priorytety interesariuszy z góry, zamiast polegać na modelach, które je inferują z surowych danych.

Drugą barierą jest koszt i wysiłek wymagany do adnotacji i walidacji. Skalowanie wymaga ciągłego zaangażowania klinicystów i ekspertów od cyklu rozliczeniowego, których czas jest ograniczony i drogi, a często niedoceniany w fazie pilotażowej.

Trzecią barierą są luki w zarządzaniu i integracji, które stają się bardziej widoczne na dużą skalę. Pilotaż często brakuje audytowalności, kontroli polityki i nadzoru człowieka wymaganego dla workflow o wysokim ryzyku, w których są zaangażowane informacje o zdrowiu (PHI). Dodatkowo, błędy pojawiają się późno w środowiskach rzeczywistych, szczególnie w roszczeniach i rozliczeniach, gdzie dane wyjściowe nie spełniają oczekiwań płatników lub interoperacyjności. Fragmentaryzowane ekosystemy technologiczne, w tym systemy legacy, platformy własnościowe i nierównomierne przyjęcie HL7/FHIR, sprawiają, że integracje są kruche i trudne dla ogólnych rozwiązań AI.

Skalowanie powodzi się tylko wtedy, gdy AI jest zgodna z prawdziwymi celami operacyjnymi, jest wspierana przez silne podstawy danych i jest zaprojektowana dla złożonych workflow. Zwrot w kierunku ukierunkowanych, napędzanych przez łańcuchy wartości MVP, ukierunkowanych na przypadki użycia o wysokim wpływie i wyraźnej wartości biznesowej z executive’ami, przenosi rozmowę od eksperymentowania z AI do mierzalnej transformacji procesów.

Z punktu widzenia systemów, jaki wygląda nowoczesny, gotowy do AI system ochrony zdrowia, szczególnie pod względem potoków danych, interoperacyjności i infrastruktury chmury?

System gotowy do AI to taki, w którym egzekucja polityki, walidacja i eskalacja są wbudowane bezpośrednio w workflow, a nie zarządzane zewnętrznie jako późniejsza myśl. Wymaga to zunifikowanych, rodzimych platform danych chmury, które spożywają roszczenia, EHR, obrazowanie, dane urządzeń i operacyjne do warstw o wysokiej kontroli.

Musimy priorytetowo traktować interoperacyjność opartą na standardach, używając FHIR, HL7, SMART on FHIR i DICOM, wspieraną przez dedykowane silniki walidacji. Musi być wyraźne rozdzielenie problemów w warstwach pobierania, przetwarzania, analityki, usług AI i warstw zarządzania. Inżynieria kontekstu siedzi na skrzyżowaniu tych warstw; jest to dyscyplina, która łączy surowe spożywane dane z zarządzanymi, semantycznie wzbogaconymi wejściami, na które AI może działać z precyzją i odpowiedzialnością.

Zabezpieczenia wbudowane są niezbywalne, obejmując RBAC, szyfrowanie, zarządzanie zgodami, pośladki i ślady audytowe. Sukces architektury jest ostatecznie mierzony tym, czy systemy awaryjne są bezpieczne, a nie przez złożoność komponentów. Poprzez zakodowanie ram, takich jak HIPAA i GDPR, bezpośrednio w warstwie wykonawczej, budujemy architektoniczne zaufanie wymagane do globalnego wdrożenia.

Jak organizacje radzą sobie z przetwarzaniem danych w czasie rzeczywistym i integracją na całym łańcuchu, od elektronicznych kart zdrowia (EHR), urządzeń medycznych do platform płatników, aby umożliwić podejmowanie decyzji napędzanych przez AI?

Przetwarzanie w czasie rzeczywistym ma znaczenie tylko wtedy, gdy wglądy pojawiają się w workflow klinicystów i operatorów, a nie w późniejszych pulpittach. Podstawowe wyzwanie polega na zarządzaniu zmiennością i wyjątkami, a nie tylko na przepływie danych. Organizacje radzą sobie z tym poprzez oprogramowanie pośredniczące, które normalizuje i wzbogaca dane przed konsumpcją AI, zamiast pchać surowe strumienie w dół.

To jest miejsce, w którym inżynieria kontekstu odgrywa krytyczną rolę. System musi strukturyzować dane wejściowe z EHR, urządzeń medycznych i platform płatników w spójną podstawę kontekstualną, zapewniając, że dane wejściowe AI są semantycznie zgodne z konkretną decyzją kliniczną lub operacyjną. To umożliwia ścisłą integrację z workflow EHR, pozwalając na wglądy w punkcie opieki.

Jeszcze ważniejsze jest to, że ta integracja staje się znacząca, a nie tylko techniczna, zapewniając, że dane wyjściowe odzwierciedlają nie tylko dane, ale także wytyczne kliniczne, reguły płatników i ograniczenia workflow istotne dla każdego pacjenta i spotkania. Skupienie się jest na przechwyceniu workflow we właściwym momencie i zapewnieniu działania bez zakłócania istniejących rytmów operacyjnych.

Jakie są największe wyzwania techniczne w wdrożeniu modeli AI w środowiskach klinicznych, szczególnie wokół walidacji modelu, monitorowania i zarządzania dryftem?

Najtrudniejszym wyzwaniem nie jest tylko zanik dokładności, ale także niezauważalna propagacja błędów w połączonych workflow. Inżynieria kontekstu służy jako pierwsza linia obrony, strukturyzując środowisko wiedzy, w którym modele działają. System musi walidować dane wejściowe pod kątem klinicznej i operacyjnej spójności przed rozpoczęciem rozumowania AI, redukując błędy u źródła.

Walidacja musi wykraczać poza automatyczne metryki i obejmować reinterpretację człowieka, zapewniając, że dane wyjściowe odzwierciedlają prawdziwą kliniczną istotność, a nie tylko statystyczne wyniki.

dryft modelu musi być również aktywnie zarządzany, ponieważ populacje pacjentów, wytyczne kliniczne i zachowania ewoluują. Wymaga to ciągłego monitorowania powiązanego z pętlami sprzężenia zwrotnego z świata rzeczywistego, z wbudowanymi punktami kontrolnymi, aby wykryć dryft w zakresie klinicznej istotności, zgodności z regułami płatników i spójności workflow.

Ostatecznie sukces zależy od balansowania adaptacyjności z surowymi oczekiwaniami regulacyjnymi. Wdrożenie AI w środowiskach klinicznych i SaMD wymaga silnej warstwy zaufania, która egzekwuje barierki, wyzwala przegląd człowieka i zapewnia kontrolowane ponowne szkolenie przed wpływem na opiekę nad pacjentem.

Jak podchodzisz do budowania wyjaśnialności i audytowalności w systemach AI stosowanych w regulowanych środowiskach ochrony zdrowia?

Wyjaśnialność istnieje, aby ludzie mogli kontestować, anulować i uczyć się z danych wyjściowych AI, a nie tylko je rozumieć. Inżynieria kontekstu czyni tę kontestowalność strukturalną, a nie powierzchowną, kodując wytyczne kliniczne, reguły polityki i logikę workflow bezpośrednio w środowisku AI. W ten sposób każde dane wyjściowe mogą być śledzone do kontekstowych danych wejściowych, które je ukształtowały, a nie są odwrotnie inżynierowane po fakcie.

Audytowalność, podobnie, musi tworzyć instytucjonalną pamięć, a nie służyć jako późniejsza myśl zgodności. To jest osiągane przez użycie polityki jako kodu, aby wbudować reguły regulacyjne i organizacyjne bezpośrednio w przepływy wykonawcze, traktując ramy, takie jak HIPAA i wytyczne CMS, jako dane wejściowe rządzące od samego początku, a nie zewnętrzne kontrole stosowane później.

Ponadto, niezmienne logi i ślady audytowe są niezbędne do wspierania nadzoru regulacyjnego i zaufania klinicznego. System powinien rejestrować nie tylko, jaką decyzję podjęto, ale także pełny kontekst, w tym dane, ograniczenia i stan workflow, który poinformował o tym.

Przez cały ten proces nadzór człowieka w pętli pozostaje niezbędnym wymogiem dla decyzji klinicznych o wysokim ryzyku lub nieodwracalnych. Budowanie tej transparentnej warstwy zaufania zapewnia, że gdy regulator lub klinicysta spyta, dlaczego system AI podjął konkretną rekomendację, odpowiedź jest natychmiast dostępna i uzasadniona.

Wraz ze wzrostem systemów opartych na agentach i autonomicznych, jakie zabezpieczenia są potrzebne, aby zapewnić niezawodność i zapobiec niezamierzonym skutkom w workflow klinicznych?

W ochronie zdrowia systemy agenty są wartościowe tylko wtedy, gdy granice automatyzacji są jawne i odwracalne. Inżynieria kontekstu pomaga definiować te granice, strukturyzując zakres operacyjny, ograniczenia kliniczne i logikę eskalacji w środowisku, zapewniając, że autonomia działa w ramach zarządzanym, a nie polega na modelach, które samoregulują się.

To wymaga autonomii z odpowiedzialnością, w tym wyraźnych definicji ról, ścieżek eskalacji i punktów kontrolnych wbudowanych w zachowanie agenta. System musi zapewnić, że agenci działają w granicach klinicznych i operacyjnych, które są architektonicznie egzekwowalne, a nie tylko definiowane przez politykę.

Wymaga to również ciągłego monitorowania zachowania agenta, jakości decyzji i niezamierzonych interakcji. Wdrażamy politycznie napędzane ograniczenia, które uniemożliwiają agentom działanie poza ich zatwierdzonym klinicznym lub operacyjnym zakresem. Dla workflow klinicznych nadzór człowieka w pętli jest podstawowym założeniem projektowym, a nie mechanizmem awaryjnym.

Podczas przechodzenia do zaawansowanego orchestrowania agent-to-agent, ci agenci muszą działać ściśle w ramach zarządzanych, zakodowanych ram, aby zapewnić niezawodność.

Spójrzając w przyszłość, jaki będzie wyglądał opieką napędzaną przez inteligencję dla pacjentów w ciągu najbliższej dekady?

Następna dekada zobaczy, jak AI zmniejszy tarcie przed transformacją opieki, zaczynając od administracji, koordynacji i wsparcia decyzji. Opieka napędzana przez inteligencję powodzi się, gdy klinicyści ufają domyślnym ustawieniom, ale zdecydowanie zachowują swoją władzę. AI staje się koordynatorem w całym łańcuchu opieki, przewidując potrzeby, zamiast tylko reagować na zdarzenia.

Inżynieria kontekstu umożliwia ten zwrot, strukturyzując długoterminowe dane kliniczne, roszczenia i operacyjne, tak aby AI mogło działać w całym łańcuchu z głębią wymaganą do niezawodnej akcji, a nie tylko predykcyjnego wglądu. To wspiera bardziej personalizowane, ciągłe i świadome kontekstu ścieżki opieki w różnych środowiskach.

Określenie “świadome kontekstu” jest operatywne, i nie jest przypadkowe. Dostarczanie prawdziwie personalizowanych ścieżek opieki na dużą skalę wymaga, aby systemy AI odziedziczyły głęboką wiedzę kontekstową o historii klinicznej pacjenta, środowisku płatników i ustawieniach opieki. Klinicyści będą wspierani przez kopilotów i inteligencję decyzyjną, znacznie zmniejszając ich obciążenie poznawcze i administracyjne.

W miarę upływu czasu systemy ochrony zdrowia ewoluują w systemy uczące się, poprawiając się ciągle, gdy dane, modele i sprzężenie zwrotne z świata rzeczywistego kumulują się. Poprzez inżynierię solidnej warstwy zaufania dzisiaj, zakładamy operacyjne podstawy dla tej bezproblemowej przyszłości.

Dziękujemy za szczegółowe odpowiedzi. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić CitiusTech.