Rajan Kohli, CEO da CitiusTech – Série de Entrevistas: Uma Conversa de Retorno

Rajan Kohli é o Diretor Executivo da CitiusTech e é responsável pela estratégia global, crescimento e missão da empresa de acelerar a inovação em saúde e ciências da vida. Um veterano executivo de tecnologia com mais de três décadas de experiência, Rajan liderou iniciativas de transformação digital em larga escala que abrangem saúde, engenharia, modernização de nuvem, plataformas de dados e inteligência artificial. Desde que assumiu o comando da CitiusTech, ele se concentrou em ajudar organizações de saúde a ir além da transformação digital em direção a modelos de operação impulsionados por inteligência, interoperabilidade e análise avançada.

CitiusTech é um provedor líder de serviços de tecnologia de saúde, consultoria e soluções digitais que atende fornecedores de saúde, pagadores, empresas de MedTech e organizações de ciências da vida em todo o mundo. A empresa se especializa em plataformas de dados de saúde, interoperabilidade, modernização de nuvem, engenharia digital, análise e inteligência artificial. À medida que as organizações de saúde buscam operacionalizar a IA em larga escala, a CitiusTech expandiu seu foco para construir sistemas de saúde impulsionados por inteligência que combinam fundamentos de dados confiáveis, governança, interoperabilidade e IA ciente do fluxo de trabalho. Por meio de soluções como Knewron e seu ecossistema mais amplo de IA e dados, a CitiusTech ajuda as organizações a transformar operações de saúde fragmentadas em ambientes conectados e cientes do contexto que melhoram a eficiência, a tomada de decisões e os resultados dos pacientes.

Esta entrevista serve como uma continuação de nossa conversa anterior com Rajan Kohli, onde exploramos o papel crescente da IA gerativa, interoperabilidade, modernização de dados de saúde e transformação digital em todo o ecossistema de saúde. Desde então, a indústria progrediu rapidamente da experimentação com IA para o deploy em ambientes de produção, criando novos desafios em torno de governança, confiança, explicabilidade e escala operacional. Nesta última discussão, Rajan compartilha como as organizações de saúde podem ir além de pilotos de IA isolados em direção a cuidados impulsionados por inteligência, por que a engenharia de contexto está surgindo como uma base crítica para a IA em saúde e o que será necessário para construir sistemas confiáveis e escaláveis capazes de apoiar a próxima geração de cuidados ao paciente.

Você traz décadas de experiência liderando iniciativas de transformação digital em larga escala. Como essa jornada moldou sua perspectiva sobre por que a transformação da saúde é única e complexa?

A transformação da saúde é única e difícil porque não há uma definição única de sucesso. Resultados clínicos, faturamento e pagamentos precisos, acesso, custo e experiência frequentemente puxam em direções diferentes. Ao contrário de outros setores, a saúde é constrangida por risco clínico, escrutínio regulatório e responsabilidade ética. Modos de falha são medidos em resultados de pacientes, não em vazamento de receita.

É aqui que a engenharia de contexto se torna fundamental: a disciplina de estruturar o ambiente de informação em que a IA opera, para que as saídas sejam clinicamente precisas, cientes do fluxo de trabalho e prontas para conformidade desde o início. Escalar requer pensamento sistêmico em cadeias de valor, em vez de digitalizar funções isoladas. A saúde exige uma profunda contextualização de fluxos de trabalho, semântica de dados em clínicos, reivindicações e dados de dispositivos, bem como caminhos de conformidade complexos. Plataformas como Knewron são construídas exatamente sobre esse princípio, indo além da IA de propósito geral para incorporar contexto específico do domínio no nível de arquitetura.

Essa complexidade é amplificada por ecossistemas fragmentados que envolvem pagadores, fornecedores, MedTech e ciências da vida. Cada um desses jogadores opera em diferentes sistemas, incentivos e padrões de dados. O que parece ser um problema de tecnologia na superfície é quase sempre um problema de contexto e coerência por baixo.

Por fim, o sucesso da transformação depende não apenas da modernização da tecnologia, mas também da engenharia de confiança. Devemos ativamente engenhar uma camada de confiança em IA de saúde global, projetando sistemas que clínicos e reguladores possam confiar implicitamente em configurações de cuidados reais. A engenharia de contexto é o mecanismo que torna essa confiança possível. Quando a IA entende o contexto clínico e operacional completo de uma decisão, ela ganha essa confiança sistematicamente, não por acaso.

Você descreveu a saúde como alcançando um ponto de inflexão. Quais forças específicas estão impulsionando essa mudança agora?

O ponto de inflexão que estamos experimentando agora é impulsionado por estresse operacional, não por novidade tecnológica. Pressões de custo, queimadura de clínicos e grave escassez de mão de obra estão forçando os sistemas de saúde a repensar completamente os modelos operacionais, em vez de apenas digitalizar os existentes. Processos manuais não escalonam mais, particularmente em reivindicações, faturamento e operações clínicas, é por isso que a IA está sendo agressivamente puxada para ambientes de produção.

Porém, puxar a IA para produção é apenas metade da equação; a outra metade é garantir que a IA opere com o contexto correto. Sem engenharia de contexto, a IA em fluxos de trabalho clínicos e operacionais arrisca gerar saídas que são tecnicamente corretas, mas clinicamente ou administrativamente desalinhadas.

Concomitantemente, forças regulatórias como regras de interoperabilidade do CMS, transparência de preços e medidas de qualidade digitais estão exigindo liquidez de dados e acelerando a modernização. A adoção de nuvem cruzou um limiar de maturidade, tornando a modernização e o deploy de IA em escala empresarial viáveis. A IA agora está totalmente alinhada com a prontidão da saúde porque finalmente temos fluxos de trabalho digitalizados, ativos de dados mais ricos e estruturas de responsabilidade mais claras do que em ondas tecnológicas anteriores.

O que faltou até agora é o tecido conjuntivo entre ativos de dados brutos e ação de IA significativa, e esse tecido conjuntivo é o contexto. Estamos vendo uma demanda de mercado distinta por soluções que são projetadas para ajudar as organizações de saúde a transformar esse estresse operacional em eficiência mensurável.

A saúde há muito tempo está atrasada em digitalização em comparação com outras indústrias. O que mudou para tornar o deploy de IA em escala possível hoje?

A IA agora escala porque as organizações de saúde estão aprendendo a codificar política, diretrizes clínicas e lógica operacional, em vez de ingerir vastas quantidades de dados. A mudança fundamental é mover-se de modelos que interpretam informações brutos para sistemas que executam conhecimento programado com supervisão estrita. É exatamente o que a engenharia de contexto possibilita, movendo a IA da interpretação passiva para a execução ativa e governada, estruturando o ambiente de conhecimento em que os modelos operam.

A fricção fundamental foi drasticamente reduzida pela adoção generalizada de FHIR, HL7, plataformas de dados nativas de nuvem e arquiteturas orientadas a eventos. As organizações de saúde cada vez mais reconhecem que a IA deve ser incorporada em fluxos de trabalho, em vez de existir como painéis autônomos. A IA ciente do fluxo de trabalho é fundamental para permitir isso, garantindo que os sistemas entendam a semântica do fluxo de trabalho e impulsionem resultados ativos.

Ferramentas como MLOps, DevSecOps e automação de conformidade habilitaram validação contínua, monitoramento e retreinamento controlado. Estamos vendo uma mudança distinta da experimentação para casos de uso vinculados a valor, como lacunas de cuidado, autorização prévia, integridade de reivindicações, imagem e suporte à decisão clínica. Essa escala só é possível quando incorporamos guardrails robustos e supervisão humana no loop direto nesses fluxos de trabalho operacionais.

A indústria está adicionando empregos mês a mês, e isso ajuda porque a IA não é vista como tirando empregos. A IA escalonada está ajudando a direcionar os investimentos para melhores resultados para pacientes e clínicos.

Muitas organizações ainda estão presas em fases de piloto. Quais são as principais barreiras que impedem a IA de se mover para uso operacional real na saúde?

A IA luta para escalar na saúde porque realidades estruturais múltiplas surgem simultaneamente. Processos de saúde raramente operam em direção a um único objetivo; resultados clínicos, custo, acesso, experiência do paciente, precisão de reembolso e risco de longo prazo frequentemente competem, envolvendo fornecedores, pagadores, reguladores e pacientes. Definir o sucesso é complexo, mas essencial. Muitos pilotos falham porque não estão ancorados em métricas de resultado claras e compartilhadas. A engenharia de contexto estruturada ajuda a abordar isso, codificando metas, restrições e prioridades de partes interessadas antecipadamente, em vez de confiar nos modelos para inferi-las a partir de dados brutos.

Uma segunda barreira é o custo e o esforço de anotação e validação. Escalar requer envolvimento contínuo de clínicos e especialistas em ciclo de receita, cujo tempo é limitado e caro e frequentemente subestimado durante as fases de piloto.

Terceiro, lacunas de governança e integração se tornam mais visíveis em escala. Pilotos frequentemente carecem de auditoria, controles de política e supervisão humana necessários para fluxos de trabalho de alto risco que envolvem PHI. Além disso, erros surgem tarde em ambientes reais, especialmente em reivindicações e faturamento, onde as saídas falham nas regras do pagador ou nas expectativas de interoperabilidade. Ecossistemas tecnológicos fragmentados, incluindo sistemas legados, plataformas proprietárias e adoção desigual de HL7/FHIR, tornam as integrações frágeis e difíceis para soluções de IA genéricas.

Escalabilidade só tem sucesso quando a IA se alinha com metas operacionais reais, é apoiada por fundamentos de dados fortes e é projetada para fluxos de trabalho complexos. Uma mudança agora está emergindo em direção a MVPs orientados por valor, visando casos de uso de alto impacto com valor comercial claro e patrocínio executivo, movendo a conversa da experimentação de IA para transformação de processo mensurável.

Do ponto de vista dos sistemas, como é uma arquitetura de saúde pronta para IA, particularmente em termos de pipelines de dados, interoperabilidade e infraestrutura de nuvem?

Uma arquitetura pronta para IA é aquela em que a aplicação de política, validação e escalonamento são incorporados diretamente nos fluxos de trabalho, e não gerenciados externamente como um afterthought. Ela requer plataformas de dados nativas de nuvem unificadas que ingerem reivindicações, EHR, imagem, dispositivo e dados operacionais em camadas altamente governadas.

Devemos priorizar a interoperabilidade baseada em padrões usando FHIR, HL7, SMART on FHIR e DICOM, apoiada por motores de validação dedicados. Há que haver uma clara separação de preocupações em camadas de ingestão, processamento, análise, serviços de IA e governança. A engenharia de contexto se situa na interseção dessas camadas; é a disciplina que conecta dados brutos ingeridos a entradas governadas e semanticamente enriquecidas que os serviços de IA podem agir com precisão e responsabilidade.

Segurança incorporada é inegociável, abrangendo RBAC, criptografia, gerenciamento de consentimento, linhagem e trilhas de auditoria. O sucesso da arquitetura é medido, por fim, por se os sistemas falham com segurança, e não pela sofisticação dos componentes. Codificando estruturas como HIPAA e GDPR diretamente na camada de execução, construímos a confiança arquitetônica necessária para o deploy global.

Como as organizações estão lidando com o processamento e integração de dados em tempo real em registros eletrônicos de saúde (EHR), dispositivos médicos e plataformas de pagadores para permitir a tomada de decisão impulsionada por IA?

O processamento em tempo real importa apenas quando as percepções surgem dentro dos fluxos de trabalho de clínicos e operadores, e não downstream em painéis secundários. O desafio central é gerenciar a variabilidade e as exceções, em vez de se concentrar apenas na taxa de transferência de dados. As organizações estão abordando isso por meio de middleware que normaliza e enriquece os dados antes do consumo de IA, em vez de empurrar feeds brutos downstream.

É aqui que a engenharia de contexto desempenha um papel crítico. O sistema deve estruturar os dados de entrada de EHR, dispositivos médicos e plataformas de pagadores em uma base contextual coerente, garantindo que as entradas de IA estejam alinhadas semanticamente com a decisão clínica ou operacional específica. Isso permite uma integração apertada com os fluxos de trabalho do EHR, permitindo que as percepções apareçam no ponto de cuidado.

Mais importante ainda, isso torna a integração significativa, em vez de puramente técnica, garantindo que as saídas refletem não apenas os dados, mas também as diretrizes clínicas, as regras do pagador e as restrições do fluxo de trabalho relevantes para cada paciente e encontro. O foco está em interceptar o fluxo de trabalho no momento certo e fornecer suporte ativo sem interromper os ritmos operacionais existentes.

Quais são os maiores desafios técnicos no deploy de modelos de IA em ambientes clínicos, especialmente em torno de validação de modelo, monitoramento e gerenciamento de deriva?

O desafio mais difícil é não apenas a decadência da precisão, mas a propagação de erros não detectados em fluxos de trabalho interconectados. A engenharia de contexto serve como a primeira linha de defesa, estruturando o ambiente de conhecimento em que os modelos operam. O sistema deve validar as entradas para coerência clínica e operacional antes de a IA começar a raciocinar, reduzindo os erros na fonte.

A validação deve ir além das métricas automatizadas e incluir a reinterpretção humana, garantindo que as saídas refletem a relevância clínica real, e não apenas o desempenho estatístico. Essa abordagem fundamenta a avaliação do modelo em resultados clínicos e administrativos reais, em vez de benchmarks abstratos.

A deriva do modelo também deve ser ativamente gerenciada à medida que as populações de pacientes, as diretrizes clínicas e os comportamentos evoluem. Isso requer monitoramento contínuo vinculado a loops de feedback do mundo real, com checkpoints incorporados para detectar deriva em termos de relevância clínica, alinhamento com as regras do pagador e consistência do fluxo de trabalho.

Por fim, o sucesso depende de equilibrar a adaptabilidade com expectativas regulatórias estritas. O deploy de IA em ambientes clínicos e SaMD requer uma camada de confiança robusta, que impõe guardrails, dispara a revisão humana e garante o retreinamento controlado antes de qualquer impacto atingir o cuidado ao paciente.

Como você aborda a construção de explicabilidade e auditoria em sistemas de IA usados em configurações de saúde regulamentadas?

Explicabilidade existe para que os humanos possam contestar, anular e aprender com as saídas da IA, e não apenas entendê-las. A engenharia de contexto torna essa contestabilidade estrutural, em vez de superficial, codificando diretrizes clínicas, regras de política e lógica operacional diretamente no ambiente da IA. Como resultado, cada saída pode ser rastreada de volta às entradas contextuais que a moldaram, em vez de ser retroengenharia após o fato.

Auditoria, da mesma forma, deve criar memória institucional, em vez de servir como um afterthought de conformidade. Isso é alcançado usando política como código para incorporar regras regulatórias e organizacionais diretamente nos fluxos de execução, tratando estruturas como HIPAA e diretrizes do CMS como entradas governantes desde o início, e não como verificações externas aplicadas posteriormente.

Além disso, logs imutáveis e trilhas de auditoria são essenciais para apoiar a supervisão regulatória e a confiança clínica. O sistema deve capturar não apenas a decisão tomada, mas o contexto completo, incluindo dados, restrições e estado do fluxo de trabalho que a informou.

Ao longo de tudo isso, a supervisão humana no loop permanece um requisito essencial para decisões clínicas de alto risco ou irreversíveis. Construir essa camada de confiança transparente garante que, quando um regulador ou clínico pergunta por que um sistema de IA fez uma recomendação específica, a resposta é imediatamente acessível e defensável.

Com o surgimento de sistemas baseados em agentes e autônomos, quais são as salvaguardas necessárias para garantir a confiabilidade e prevenir resultados não intencionais em fluxos de trabalho clínicos?

Em saúde, sistemas baseados em agentes são valiosos apenas quando os limites da automação são explícitos e reversíveis. A engenharia de contexto ajuda a definir esses limites, estruturando o escopo operacional, as restrições clínicas e a lógica de escalonamento no ambiente, garantindo que a autonomia opere dentro de um framework governado, em vez de confiar nos modelos para se autorregular.

Isso requer autonomia com responsabilidade, incluindo definições claras de papéis, caminhos de escalonamento e checkpoints determinísticos incorporados no comportamento do agente. O sistema deve garantir que os agentes operem dentro de limites clínicos e operacionais aprovados que são arquitetonicamente impostos, e não apenas definidos por política.

Também requer monitoramento contínuo do comportamento do agente, qualidade de decisão e interações não intencionais. Implementamos restrições baseadas em política que impedem os agentes de agir fora de seu escopo clínico ou operacional aprovado. Para fluxos de trabalho clínicos, o humano no loop é um princípio de design fundamental, e não um mecanismo de fallback.

À medida que nos movemos em direção à orquestração de agente para agente avançada, esses agentes devem operar estritamente dentro de frameworks governados e codificados para garantir a confiabilidade.

Olhando para frente, como é o cuidado impulsionado por inteligência para os pacientes na próxima década?

A próxima década verá a IA reduzir a fricção antes de transformar o cuidado, começando com administração, coordenação e suporte à decisão. O cuidado impulsionado por inteligência tem sucesso quando os clínicos confiam nos padrões, mas firmemente retêm sua autoridade. A IA se torna um orquestrador em todo o continuum de cuidado, antecipando necessidades em vez de apenas reagir a eventos.

A engenharia de contexto possibilita essa mudança, estruturando dados clínicos, de reivindicação e operacionais longitudinais para que a IA possa raciocinar em todo o continuum com a profundidade necessária para ação confiável, e não apenas para percepção preditiva. Isso apoia caminhos de cuidado mais personalizados, contínuos e cientes do contexto em diferentes configurações.

A expressão “cientes do contexto” é a palavra-chave, e não é acidental. Fornecer caminhos de cuidado verdadeiramente personalizados em escala exige que os sistemas de IA herdem conhecimento contextual profundo da história clínica do paciente, do ambiente do pagador e da configuração de cuidado. Os clínicos serão apoiados por copilotos e inteligência de decisão, reduzindo significativamente sua carga cognitiva e administrativa.

Com o tempo, os sistemas de saúde evoluirão para sistemas de aprendizado, melhorando continuamente à medida que os dados, os modelos e o feedback do mundo real se compõem. Engenhando uma camada de confiança robusta hoje, layamos a fundação operacional para esse futuro sem fricção.

Obrigado pelas respostas detalhadas; leitores que desejam aprender mais devem visitar CitiusTech.