Dr. Rihan Javid, CEO e Co-Fundador da Rinova – Série de Entrevistas

Dr. Rihan Javid, CEO e Co-Fundador da Rinova AI, é um executivo-médico e empreendedor focado em modernizar as operações de saúde por meio da inteligência artificial. Além de liderar a Rinova, ele é Co-Fundador e Presidente da Edge, que fornece soluções de infraestrutura de local de trabalho remoto para seguradoras, médicos e dentistas. Como psiquiatra, ele atualmente atua como Diretor Médico e Diretor Médico Chefe do CommonSpirit Health e do Centro de Saúde Comportamental St. Joseph, além de ter um papel clínico no Touro University Medical Group. Sua experiência anterior inclui a prática de psiquiatria no The Permanente Medical Group, Inc. e a conclusão do treinamento de residência no California Pacific Medical Center e na Universidade do Sul da Flórida, além de experiência anterior como principal em recrutamento jurídico.

Rinova AI é uma empresa de tecnologia de saúde focada em gestão de ciclo de receita e automação de faturamento médico impulsionada por IA. A plataforma é projetada para reduzir as cargas administrativas para os prestadores de serviços, automatizando processos-chave, como verificação de seguro, otimização de codificação, envio de reclamações e gestão de negações. Ao aproveitar a inteligência artificial para otimizar os fluxos de trabalho e melhorar a precisão, a Rinova visa fornecer economias significativas em comparação com os serviços de faturamento tradicionais, acelerando os reembolsos e melhorando o desempenho financeiro das organizações de saúde.

Você co-fundou a Edge em 2021, após anos trabalhando como psiquiatra e, posteriormente, como diretor médico e CMO. Do ponto de vista da IA, quais foram os primeiros sinais que você notou nos fluxos de trabalho de faturamento, como dados fragmentados, regras de pagadores em constante mudança ou tratamento manual de exceções, que o convenceram de que a automação eventualmente se tornaria inevitável?

Quando eu estava praticando e, posteriormente, dirigindo operações clínicas, eu vi quanto atrito existia no faturamento. Os dados viviam em vários sistemas que não se comunicavam bem. As regras dos pagadores mudavam constantemente. O pessoal passava horas reprocessando reclamações por motivos que eram frequentemente previsíveis em retrospecto.

O que me chamou a atenção foi a repetição. Os mesmos erros, os mesmos padrões de negação, as mesmas lacunas de documentação. Esses não eram problemas raros e complexos. Eram quebras operacionais recorrentes. Em uma certa escala, você percebe que pedir às pessoas que gerenciem manualmente essa complexidade não é sustentável. É quando fica claro que a automação não é opcional. É inevitável.

Quando você lançou a Rinova AI alguns anos depois, o que mudou no lado tecnológico ou de dados que tornou possível aplicar a IA à gestão do ciclo de receita de uma forma que pudesse operar de forma confiável contra as regras de pagadores em tempo real e a complexidade real das reclamações?

Duas coisas mudaram. Primeiro, o ambiente de dados melhorou. As integrações entre EHRs, casas de compensação e plataformas de faturamento se tornaram mais estruturadas. Isso nos deu entradas mais limpas e loops de feedback mais fortes.

Em segundo lugar, a tecnologia amadureceu. Nós fomos além dos simples motores de regras. Os modelos se tornaram capazes de avaliar o contexto, não apenas verificar caixas. Isso nos permitiu analisar a documentação, a codificação e a lógica do pagador juntos, em vez de isoladamente.

Não foi que o faturamento de repente se tornou simples. Foi que o ecossistema se tornou estável o suficiente para a IA operar com confiabilidade.

A gestão do ciclo de receita tradicionalmente dependeu de regras estáticas e recuperação pós-negação. Como a introdução da IA mais cedo no fluxo de trabalho muda a forma como os hospitais pensam sobre o risco financeiro e a previsibilidade do reembolso?

Tradionalmente, as equipes do ciclo de receita aceitam um certo nível de negação como parte do negócio. O trabalho começa após algo dar errado.

Quando a IA é introduzida upstream, o objetivo muda de recuperação para prevenção. Você pode identificar lacunas de documentação ou desalinhamento de codificação antes do envio. Isso reduz a variabilidade no reembolso.

Os hospitais começam a pensar menos em perseguir receita e mais em controlar o risco antes que ele se materialize. Isso muda a previsão, os modelos de alocação de pessoal e até as conversas de nível de diretoria sobre estabilidade financeira.

Os sistemas de IA geralmente funcionam bem em casos padrão, mas lutam nas bordas. Nas operações de faturamento de hoje, quais são os tipos de cenários que são mais eficazmente tratados pela automação e onde o julgamento humano ainda desempenha um papel crítico?

A automação funciona melhor em tarefas estruturadas e de alto volume. Verificações de elegibilidade, validação de autorização, consistência de codificação e detecção de padrões de negação são todas áreas onde as máquinas podem processar mais rapidamente e consistentemente do que as pessoas.

O julgamento humano ainda é importante nos casos de borda. Apelações que requerem nuances clínicas, disputas contratuais, comportamento incomum do pagador ou cenários de paciente complexos todos se beneficiam da experiência e do raciocínio. A IA pode sinalizar risco. Os humanos ainda interpretam áreas cinzentas e tomam as decisões finais.

A Edge incorpora equipes de ciclo de receita treinadas em saúde nos fluxos de trabalho dos hospitais, enquanto a Rinova automatiza a tomada de decisões upstream. Como você aborda o design de sistemas de IA que fortalecem a tomada de decisão humana em vez de introduzir novos riscos operacionais?

Nós abordamos a IA como uma camada de suporte, não como um substituto. O sistema apresenta recomendações e explica sua lógica. Nossas equipes de saúde treinadas permanecem incorporadas no fluxo de trabalho.

Essa estrutura é importante. A IA lida com escala e reconhecimento de padrões. Os humanos lidam com supervisão e responsabilidade. Quando esses papéis estão claros, você reduz o risco em vez de aumentá-lo.

O objetivo é reduzir a sobrecarga cognitiva, não remover o julgamento humano.

As políticas dos pagadores mudam com frequência e nem sempre são aplicadas de forma consistente. Como a inteligência de pagador em tempo real redefine o loop de feedback entre o envio de reclamações, negações e melhoria contínua do modelo?

As políticas dos pagadores mudam com frequência e a aplicação não é sempre consistente. Historicamente, as organizações atualizavam regras periodicamente e esperavam estar atualizadas.

Com feedback em tempo real, cada negação e aprovação se torna um ponto de dados. O modelo aprende com resultados reais em vez de suposições estáticas. Isso encurta a lacuna entre a mudança de política e o ajuste operacional.

Com o tempo, isso reduz as negações surpresa e melhora a precisão do envio. Torna o sistema mais adaptável.

Os hospitais são compreensivelmente cautelosos em relação a sistemas de IA que influenciam o fluxo de caixa. Qual nível de transparência ou controle você acha que os líderes de saúde devem esperar antes de confiar em decisões de faturamento impulsionadas por IA?

Os líderes devem esperar clareza. Eles devem entender por que uma recomendação foi feita. Eles devem ser capazes de anulá-la. Eles devem ter um registro de auditoria claro.

O ciclo de receita afeta diretamente o fluxo de caixa e a conformidade. A confiança vem da visibilidade e do controle, não da automação cega. Qualquer sistema de IA operando nesse espaço precisa atender a esse padrão.

A escassez de pessoal nas equipes do ciclo de receita é frequentemente tratada como um problema de mão de obra. De sua perspectiva, quanto do problema está realmente enraizado na qualidade dos dados e no design do fluxo de trabalho, e onde a IA pode ter o maior impacto?

Os desafios de mão de obra são reais, mas muitos deles são amplificados por um design de fluxo de trabalho ruim. Quando as equipes passam a maior parte do tempo corrigindo erros evitáveis, o desgaste aumenta e a produtividade diminui.

Se você limpar as entradas de dados e reduzir as negações evitáveis, a mesma equipe pode operar de forma mais eficaz. A IA tem o maior impacto onde remove o retrabalho repetitivo e padroniza os processos.

Muitas vezes, o problema não é simplesmente a contagem de cabeças. É atrito.

À medida que a IA se torna incorporada às operações do ciclo de receita, como você vê o papel das equipes do ciclo de receita evoluindo nos próximos anos em termos de supervisão, tratamento de exceções e governança?

Eu espero que as equipes do ciclo de receita se tornem mais estratégicas. Menos tempo em processamento repetitivo. Mais tempo em supervisão, apelações complexas, negociações com pagadores e análise de desempenho.

À medida que a automação lida com o trabalho de rotina, as equipes humanas se movem em direção à governança e à otimização. Isso eleva a função em vez de diminuí-la.

Olhando para o futuro, você espera que as plataformas de ciclo de receita impulsionadas por IA se tornem infraestrutura financeira central para os hospitais em vez de ferramentas opcionais, e o que essa mudança permitiria para as organizações que operam sob pressão constante de margem?

Sim. A pressão de margem não vai embora. A previsibilidade do reembolso se tornará essencial.

Plataformas de IA que melhoram a precisão e reduzem a perda se moverão de ferramentas opcionais para infraestrutura fundamental. Quando o fluxo de caixa se torna mais estável, os hospitais podem planejar com mais confiança e investir de forma mais intencional na assistência ao paciente.

Esse é o resultado final que nos importa.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Rinova AI ou Edge.