Раджан Кохли, генеральный директор CitiusTech – Интервью: Возвращение к разговору

Раджан Кохли является генеральным директором CitiusTech и отвечает за глобальную стратегию, рост и миссию компании по ускорению инноваций в области здравоохранения и生命ных наук. Как ветеран технологического руководства с более чем три десятилетия опыта, Раджан возглавлял крупномасштабные инициативы по цифровой трансформации в области здравоохранения, инженерии, модернизации облачных вычислений, платформ данных и искусственного интеллекта. С момента вступления в должность генерального директора CitiusTech он сосредоточился на помощи организациям здравоохранения в переходе от цифровой трансформации к операционным моделям, основанным на интеллекте, которые используют искусственный интеллект, взаимодействие и продвинутые аналитические данные.

CitiusTech является ведущим поставщиком технологических услуг здравоохранения, консалтинга и цифровых решений для поставщиков медицинских услуг, страховщиков, компаний MedTech и организаций жизненных наук во всем мире. Компания специализируется на платформах данных здравоохранения, взаимодействии, модернизации облачных вычислений, цифровой инженерии, аналитике и искусственном интеллекте. Поскольку организации здравоохранения все чаще стремятся к операционной реализации искусственного интеллекта в крупном масштабе, CitiusTech расширила свою направленность на построение интеллект-ориентированных систем здравоохранения, которые сочетают надежные основы данных, управление, взаимодействие и осведомленность о рабочем процессе искусственного интеллекта. Благодаря решениям, таким как Knewron и его более широкой экосистеме искусственного интеллекта и данных, CitiusTech помогает организациям преобразовать фрагментированные операции здравоохранения в связанные, контекстно-осведомленные среды, которые улучшают эффективность, принятие решений и результаты пациентов.

Это интервью служит продолжением нашего предыдущего разговора с Раджаном Кохли, где мы исследовали растущую роль генеративного искусственного интеллекта, взаимодействия, модернизации данных здравоохранения и цифровой трансформации во всей экосистеме здравоохранения. С тех пор отрасль быстро прогрессировала от экспериментов с искусственным интеллектом к его развертыванию в производственных средах, создавая новые проблемы вокруг управления, доверия, объяснимости и операционного масштаба. В этом последнем обсуждении Раджан делится тем, как организации здравоохранения могут перейти от изолированных пилотных проектов искусственного интеллекта к интеллект-ориентированной помощи, почему контекстная инженерия становится критической основой для искусственного интеллекта здравоохранения, и что потребуется для построения доверенных, масштабируемых систем, способных поддерживать следующее поколение помощи пациентам.

Вы приносите десятилетия опыта руководства крупномасштабными инициативами цифровой трансформации. Как это путешествие сформировало вашу точку зрения на то, почему трансформация здравоохранения уникально сложна?

Трансформация здравоохранения уникально сложна, потому что нет единого определения успеха. Клинические результаты, точные выставления счетов и платежи, доступ, стоимость и опыт часто тянут в разные стороны. В отличие от других секторов, здравоохранение ограничено клиническим риском, регуляторным контролем и этической ответственностью. Режимы неисправностей измеряются результатами пациентов, а не утечкой дохода.

Именно здесь контекстная инженерия становится основополагающей: дисциплина структурирования информационной среды, в которой работает искусственный интеллект, так что выходные данные клинически точны, осведомлены о рабочем процессе и готовы к соблюдению правил с самого начала. Масштабирование требует системного мышления на уровне цепочки создания стоимости, а не оцифровки изолированных функций. Здравоохранение требует глубокой контекстуализации рабочих процессов, семантики данных на уровне клинических, претензий и устройств, а также сложных путей соблюдения правил. Платформы, такие как Knewron, построены на этом принципе, переходя от общего искусственного интеллекта к встраиванию контекстно-специфической информации на уровне архитектуры.

Эта сложность усугубляется фрагментированными экосистемами, включающими страховщиков, поставщиков, компании MedTech и организации жизненных наук. Каждый из этих игроков работает на разных системах, стимулах и стандартах данных. То, что кажется технологической проблемой на поверхности, почти всегда является проблемой контекста и согласованности под ней.

В конечном итоге успех трансформации зависит не только от модернизации технологий, но и от инженерии доверия. Мы должны активно инженерить слой доверия в глобальный искусственный интеллект здравоохранения, проектируя системы, которые клиницисты и регуляторы могут неявно полагаться на них в реальных условиях ухода. Контекстная инженерия является механизмом, который делает это доверие возможным. Когда искусственный интеллект понимает полный клинический и операционный контекст решения, он зарабатывает это доверие систематически, а не случайно.

Вы описали здравоохранение как достижение точки перегиба. Какие конкретные силы сейчас стимулируют этот сдвиг?

Точка перегиба, которую мы испытываем сейчас, обусловлена операционным стрессом, а не технологической новизной. Давление затрат, выгорание клиницистов и сильные нехватки рабочей силы заставляют системы здравоохранения полностью пересмотреть свои операционные модели, а не просто оцифровывать существующие. Ручные процессы больше не масштабируются, особенно в претензиях, выставлении счетов и клинических операциях, поэтому искусственный интеллект агрессивно внедряется в производственные среды.

Но внедрение искусственного интеллекта в производство является только половиной уравнения; другая половина заключается в обеспечении того, чтобы искусственный интеллект работал с правильным контекстом. Без контекстной инженерии искусственный интеллект в клинических и операционных рабочих процессах рискует генерировать выходные данные, которые технически правильны, но клинически или административно несоответствуют.

Одновременно регуляторные силы, такие как правила взаимодействия CMS, прозрачность цен и цифровые меры качества, требуют ликвидности данных и ускоряют модернизацию. Усыновление облачных вычислений перешло порог зрелости, что делает возможным модернизацию и развертывание искусственного интеллекта на уровне предприятия. Искусственный интеллект теперь полностью соответствует готовности здравоохранения, поскольку у нас наконец есть оцифрованные рабочие процессы, более богатые активы данных и более четкие рамки ответственности, чем в предыдущих технологических волнах.

Что до сих пор было отсутствующим, так это связующая ткань между сырыми активами данных и осмысленным действием искусственного интеллекта, и эта связующая ткань является контекстом. Мы наблюдаем явный рыночный спрос на решения, которые специально разработаны для того, чтобы помочь организациям здравоохранения превратить этот операционный стресс в измеримую эффективность.

Здравоохранение давно отстает в оцифровке по сравнению с другими отраслями. Что изменилось, чтобы сделать развертывание искусственного интеллекта в крупном масштабе возможным сегодня?

Искусственный интеллект теперь масштабируется, потому что организации здравоохранения учатся кодифицировать политику, клинические рекомендации и операционную логику, а не потреблять огромные объемы данных. Основной сдвиг заключается в переходе от моделей, которые интерпретируют сырую информацию, к системам, которые выполняют программные знания с строгим контролем. Это именно то, что позволяет контекстная инженерия, переходя от пассивной интерпретации к активному, контролируемому выполнению, структурируя среду знаний, в которой работают модели.

Основная трение было значительно уменьшено благодаря широкому внедрению FHIR, HL7, облачных платформ данных и событийно-ориентированных архитектур. Организации здравоохранения все чаще признают, что искусственный интеллект должен быть встроен в рабочие процессы, а не существовать как отдельные панели управления. Осведомленный о рабочем процессе искусственный интеллект является ключом к обеспечению этого, гарантируя, что системы понимают семантику рабочих процессов и стимулируют действенные результаты.

Инструменты, такие как MLOps, DevSecOps и автоматизация соблюдения правил, позволили обеспечить непрерывную проверку, мониторинг и контролируемое повторное обучение. Мы наблюдаем явный сдвиг от экспериментов к связанным с ценностью случаям использования, таким как пробелы в уходе, предварительное разрешение, целостность претензий, изображения и клиническая поддержка принятия решений. Этот масштаб возможен только тогда, когда мы встраиваем надежные ограждения и человеческий надзор непосредственно в эти операционные рабочие процессы.

Отрасль добавляет рабочие места месяц за месяцем, и это помогает, потому что искусственный интеллект не воспринимается как отъем рабочих мест. Масштабированный искусственный интеллект помогает направлять инвестиции на лучшие результаты для пациентов и клиницистов.

Многие организации остаются застрявшими в пилотных фазах. Какие ключевые барьеры препятствуют переходу искусственного интеллекта в реальное операционное использование в здравоохранении?

Искусственный интеллект испытывает трудности с масштабированием в здравоохранении, потому что несколько структурных реалий появляются одновременно. Процессы здравоохранения редко работают на одну цель; клинические результаты, стоимость, доступ, опыт пациентов, точность возмещения, долгосрочный риск часто конкурируют, включающие поставщиков, страховщиков, регуляторов и пациентов. Определение успеха сложно, но важно. Многие пилотные проекты терпят неудачу, потому что они не привязаны к четким, общим метрикам результатов. Структурированный операционный контекст помогает решить эту проблему, кодифицируя цели, ограничения и приоритеты заинтересованных сторон заранее, а не полагаясь на модели, чтобы сделать вывод об этом из сырых данных.

Вторым барьером является стоимость и усилия аннотации и проверки. Масштабирование требует постоянного участия клиницистов и экспертов по циклу доходов, время которых ограничено и дорого, и часто недооценивается в пилотных фазах.

Третьим барьером являются пробелы в управлении и интеграции. Пилотные проекты часто лишены аудитности, контроля политики и человеческого надзора, необходимых для высокорисковых рабочих процессов, включающих PHI. Кроме того, ошибки появляются поздно в реальных средах, особенно в претензиях и выставлении счетов, где выходные данные не соответствуют правилам страховщиков или ожиданиям взаимодействия. Фрагментированные технологические экосистемы, включая устаревшие системы, проприетарные платформы и неравномерное внедрение HL7/FHIR, делают интеграции хрупкими и трудными для общих решений искусственного интеллекта.

Масштабирование искусственного интеллекта в здравоохранении успешно только тогда, когда он соответствует реальным операционным целям, поддерживается сильными основами данных и спроектирован для сложных рабочих процессов. Сдвиг теперь возникает в сторону сосредоточенных, ориентированных на ценность MVP, нацеленных на высокоэффективные случаи использования с четкой бизнес-ценностью и спонсорством руководства, переводя разговор от экспериментов с искусственным интеллектом к измеримой трансформации процессов.

С точки зрения систем, какой выглядит современная архитектура искусственного интеллекта здравоохранения, особенно в плане конвейеров данных, взаимодействия и облачной инфраструктуры?

Архитектура, готовая к искусственному интеллекту, является той, где принудительное соблюдение политики, проверка и эскалация встроены непосредственно в рабочие процессы, а не управляются внешне как после мысли. Она требует унифицированных облачных платформ данных, которые потребляют претензии, электронные медицинские записи, изображения, устройства и операционные данные в высоко контролируемые слои.

Мы должны уделять приоритетное внимание стандартизации взаимодействия с помощью FHIR, HL7, SMART на FHIR и DICOM, поддерживаемых специальными двигателями проверки. Должно быть четкое разделение проблем на уровне потребления, обработки, аналитики, сервисов искусственного интеллекта и слоев управления. Контекстная инженерия находится на пересечении этих слоев; это дисциплина, которая соединяет сырые потребленные данные с управляемыми, семантически обогащенными входными данными, на которые сервисы искусственного интеллекта могут действовать с точностью и подотчетностью.

Встроенная безопасность является незаменимой, охватывая RBAC, шифрование, управление согласием, происхождение и аудиторские следы. Успех архитектуры в конечном итоге измеряется тем, ломаются ли системы безопасно, а не сложностью компонентов. Кодируя рамки, такие как HIPAA и GDPR, непосредственно в уровень выполнения, мы строим архитектурное доверие, необходимое для глобального развертывания.

Как организации обрабатывают обработку данных в реальном времени и интеграцию по всей электронной медицинской записи (EMR), медицинским устройствам и платформам страховщиков, чтобы обеспечить принятие решений на основе искусственного интеллекта?

Обработка в реальном времени имеет значение только тогда, когда идеи появляются внутри рабочих процессов клиницистов и операторов, а не вниз по течению в вторичных панелях управления. Основной проблемой является управление изменчивостью и исключениями, а не просто сосредоточение внимания на пропускной способности данных. Организации решают эту проблему с помощью middleware, который нормализует и обогащает данные перед потреблением искусственным интеллектом, а не толкает сырые потоки вниз по течению.

Именно здесь контекстная инженерия играет решающую роль. Система должна структурировать входящие данные из электронных медицинских записей, медицинских устройств и платформ страховщиков в связную контекстную основу, гарантируя, что входные данные искусственного интеллекта семантически согласованы с конкретным клиническим или операционным решением. Это позволяет тесно интегрировать с рабочими процессами электронных медицинских записей, позволяя идеям появляться в точке ухода.

Более того, это делает интеграцию осмысленной, а не просто технической, гарантируя, что выходные данные отражают не только данные, но и клинические рекомендации, правила страховщиков и ограничения рабочих процессов, актуальные для каждого пациента и встречи. Сосредоточение внимания на перехвате рабочего процесса в нужный момент и предоставлении действенной поддержки без нарушения существующих операционных ритмов.

Каковы самые большие технические проблемы при развертывании моделей искусственного интеллекта в клинических средах, особенно вокруг проверки модели, мониторинга и управления дрейфом?

Самая сложная проблема заключается не только в снижении точности, но и в нераспознанном распространении ошибок по взаимосвязанным рабочим процессам. Контекстная инженерия служит первой линией обороны, структурируя среду знаний, в которой работают модели. Система должна проверять входные данные на клиническую и операционную согласованность до начала рассуждения искусственного интеллекта, снижая ошибки в источнике.

Проверка должна выходить за рамки автоматических метрик и включать человеческую переинтерпретацию, гарантируя, что выходные данные отражают реальную клиническую актуальность, а не просто статистическую производительность. Этот подход основывает оценку модели на фактических клинических и административных результатах, а не на абстрактных эталонах.

Дрейф модели также должен быть активно управляем, поскольку популяции пациентов, клинические рекомендации и поведение эволюционируют. Это требует непрерывного мониторинга, связанного с обратной связью реального мира, с встроенными контрольными точками для обнаружения дрейфа в плане клинической актуальности, соответствия правилам страховщиков и согласованности рабочих процессов.

В конечном итоге успех зависит от баланса адаптивности с жесткими регуляторными ожиданиями. Развертывание искусственного интеллекта в клинических и SaMD-средах требует сильного слоя доверия, который обеспечивает ограждения, запускает человеческий обзор и гарантирует контролируемое повторное обучение до любого воздействия на уход за пациентами.

Как вы подходите к построению объяснимости и аудитности в системы искусственного интеллекта, используемые в регулируемых средах здравоохранения?

Объяснимость существует, чтобы люди могли оспорить, переопределить и узнать из выходных данных искусственного интеллекта, а не просто понять их. Контекстная инженерия делает эту оспоримость структурной, а не поверхностной, кодируя клинические рекомендации, правила политики и логические операции непосредственно в среду искусственного интеллекта. В результате каждое выходное значение можно отнести к контекстным входным данным, которые сформировали его, а не обратно проектировать после факта.

Аудитность, аналогично, должна создавать институциональную память, а не служить мыслью о соблюдении правил. Это достигается с помощью кода политики для встраивания организационных и регуляторных правил непосредственно в потоки выполнения, рассматривая рамки, такие как HIPAA и руководящие принципы CMS, как управляющие входные данные с самого начала, а не внешние проверки, применяемые позже.

Кроме того, неизменяемые журналы и аудиторские следы необходимы для поддержки регуляторного надзора и клинического доверия. Система должна захватить не только то, какое решение было принято, но и полный контекст, включая данные, ограничения и состояние рабочего процесса, которое сформировало его.

По всему этому человеческий надзор остается важным требованием для высокорисковых или необратимых клинических решений. Построение этого прозрачного слоя доверия гарантирует, что когда регулятор или клиницист спрашивает, почему система искусственного интеллекта приняла конкретное решение, ответ сразу доступен и обоснован.

С ростом агентно-ориентированных и автономных систем, какие меры безопасности необходимы для обеспечения надежности и предотвращения непредвиденных последствий в клинических рабочих процессах?

В здравоохранении агентные системы ценны только тогда, когда границы автоматизации являются явными и обратимыми. Контекстная инженерия помогает определить эти границы, структурируя операционный объем, клинические ограничения и логику эскалации в среду, гарантируя, что автономность работает в управляемом рамках, а не полагается на модели для саморегуляции.

Это требует автономности с подотчетностью, включая четкие определения ролей, пути эскалации и детерминированные контрольные точки, встроенные в поведение агентов. Система должна гарантировать, что агенты работают в клинически и операционно утвержденных границах, которые архитектурно обеспечены, а не просто определены политикой.

Это также требует непрерывного мониторинга поведения агентов, качества решений и непредвиденных взаимодействий. Мы реализуем политику, управляемые ограничения, которые предотвращают агентов от действий вне их утвержденного клинического или операционного объема. Для клинических рабочих процессов человеческий надзор является фундаментальным принципом проектирования, а не механизмом резервного копирования.

По мере того, как мы движемся к продвинутой оркестровке агента к агенту, эти агенты должны работать строго в управляемых, кодифицированных рамках, чтобы обеспечить надежность.

Глядя вперед, какой будет интеллект-ориентированная помощь для пациентов в течение следующего десятилетия?

Следующее десятилетие будет характеризоваться снижением трения искусственного интеллекта, прежде чем он преобразует уход, начиная с администрирования, координации и поддержки принятия решений. Интеллект-ориентированная помощь успешна, когда клиницисты доверяют значениям по умолчанию, но твердо сохраняют свою власть. Искусственный интеллект становится оркестратором по всей цепочке ухода, предвидя потребности, а не просто реагируя на события.

Контекстная инженерия позволяет этому сдвигу, структурируя долгосрочные клинические, претензии и операционные данные, чтобы искусственный интеллект мог рассуждать по всей цепочке с глубиной, необходимой для надежных действий, а не просто прогностических прозрений. Это поддерживает более персонализированные, непрерывные и контекстно-осведомленные пути ухода по всей обстановке.

Фраза “контекстно-осведомленный” является рабочей, и она не случайна. Доставка действительно персонализированных путей ухода в крупном масштабе требует, чтобы системы искусственного интеллекта унаследовали глубокое контекстное знание истории пациента, среды страховщика и обстановки ухода. Клиницисты будут поддержаны копилотами и интеллектом принятия решений, значительно снижая их когнитивную и административную нагрузку.

Со временем системы здравоохранения будут эволюционировать в системы обучения, постоянно улучшаясь по мере накопления данных, моделей и обратной связи реального мира. Построив надежный слой доверия сегодня, мы закладываем операционную основу для этого безтреневого будущего.

Спасибо за подробные ответы, читатели, которые хотят узнать больше, должны посетить CitiusTech.