Dr. Rihan Javid, VD och medgrundare av Rinova – Intervjuserie

Dr. Rihan Javid, VD och medgrundare av Rinova AI, är en läkare och entreprenör som fokuserar på att modernisera hälso- och sjukvårdens verksamhet med hjälp av artificiell intelligens. Utöver att leda Rinova är han medgrundare och president för Edge, som tillhandahåller lösningar för distansarbetsplatser till försäkrings-, medicinska och tandvårdspraktiker. Som praktiserande psykiater är han för närvarande medicinsk direktör och chef för medicinska frågor vid CommonSpirit Health och St. Joseph’s Behavioral Health Center, samt har en klinisk roll vid Touro University Medical Group. Hans tidigare erfarenhet inkluderar att ha praktiserat psykiatri vid The Permanente Medical Group, Inc. och att ha genomfört specialistutbildning vid California Pacific Medical Center och University of South Florida, samt tidigare ledarerfarenhet som principal i juridisk rekrytering.

Rinova AI är ett hälso- och sjukvårdsföretag som fokuserar på AI-driven fakturering och automatisering av medicinsk fakturering. Plattformen är utformad för att minska administrativa bördor för vårdgivare genom att automatisera viktiga processer som försäkringsverifiering, kodoptimering, ansökningsinlämning och avvisningshantering. Genom att utnyttja artificiell intelligens för att strömlinjeforma arbetsflöden och förbättra noggrannheten syftar Rinova till att leverera betydande kostnadsbesparingar jämfört med traditionella faktureringstjänster, samtidigt som de accelererar ersättningar och förbättrar den ekonomiska prestationen för hälso- och sjukvårdsorganisationer.

När du grundade Edge 2021, efter att ha arbetat som psykiater och senare som medicinsk direktör och chef för medicinska frågor, vilka tidiga signaler såg du i faktureringsflöden som fragmenterad data, skiftande försäkringsregler eller manuell undantagshantering som övertygade dig om att automatisering så småningom skulle bli oundviklig?

När jag praktiserade och senare ledde kliniska verksamheter, såg jag hur mycket friktion som fanns i faktureringen. Data fanns i flera system som inte kommunicerade bra. Försäkringskraven skiftade konstant. Personalen tillbringade timmar med att omarbeta ansökningar av skäl som ofta var förutsägbara i efterhand.

Det som stack ut för mig var repetitionen. Samma fel, samma avvisningsmönster, samma dokumentationsluckor. Detta var inte sällsynta, nyanserade frågor. De var återkommande operativa fel. Vid en viss skala inser man att det inte är hållbart att be människor att manuellt hantera den komplexiteten. Då blir det tydligt att automatisering inte är valfri. Den är oundviklig.

När du lanserade Rinova AI flera år senare, vad hade förändrats på teknik- eller datasidan som gjorde det möjligt att tillämpa AI på fakturering på ett sätt som kunde fungera tillförlitligt mot levande försäkringsregler och verkliga anspråkskomplexitet?

Två saker förändrades. Först förbättrades datamiljön. Integrationer mellan elektroniska patientjournaler, clearinghus och faktureringsplattformar blev mer strukturerade. Det gav oss renare indata och starkare återkopplingsloopar.

Andra, tekniken mognade. Vi gick bortom enkla regelmotorer. Modellerna blev kapabla att utvärdera sammanhang, inte bara att kontrollera rutor. Det möjliggjorde för oss att analysera dokumentation, kodning och försäkringslogik tillsammans, snarare än i isolering.

Det var inte att faktureringen plötsligt blev enkel. Det var att ekosystemet blev tillräckligt stabilt för att AI skulle kunna fungera med tillförlitlighet.

Fakturering har traditionellt sett förlitat sig på statiska regler och efteravvisningsåtervinning. Hur förändrar införandet av AI tidigare i arbetsflödet hur sjukhus tänker om finansiell risk och förutsägbarhet i ersättning?

Traditionellt accepterar faktureringsteam ett visst mått av avvisning som en del av verksamheten. Arbetet börjar efter att något har gått fel.

När AI introduceras tidigare i arbetsflödet, skiftar målet från återvinning till förebyggande. Du kan identifiera dokumentationsluckor eller kodningsfel innan inlämning. Det minskar variabiliteten i ersättning.

Sjukhus börjar tänka mindre på att jaga intäkter och mer på att kontrollera risk innan den materialiseras. Det förändrar prognostisering, personalmodeller och till och med styrelsebeslut om finansiell stabilitet.

AI-system fungerar ofta bra på standardfall men kämpar i kanterna. I faktureringsverksamhet idag, vilka typer av scenarier hanteras mest effektivt av automatisering, och var spelar mänskligt omdöme fortfarande en kritisk roll?

Automatisering fungerar bäst i strukturerade, högvolymuppgifter. Behörighetskontroller, auktoriseringsvalidering, kodningskonsekvens och avvisningsmönsterdetektering är alla områden där maskiner kan bearbeta snabbare och mer konsekvent än människor.

Mänskligt omdöme spelar fortfarande en roll i kanterna. Överklaganden som kräver klinisk nyans, kontraktstvister, ovanlig försäkringsbeteende eller komplexa patientscenarier alla dra nytta av erfarenhet och resonemang. AI kan flagga risk. Människor tolkar fortfarande gråa områden och fattar slutliga beslut.

Edge integrerar hälso- och sjukvårdstränade faktureringsgrupper i sjukhusflöden, medan Rinova automatiserar beslutsfattande uppströms. Hur närmar du dig design av AI-system som stärker mänskligt beslutsfattande snarare än att införa nya operativa risker?

Vi närmar oss AI som ett stödlager, inte en ersättning. Systemet presenterar rekommendationer och förklarar sin logik. Våra hälso- och sjukvårdstränade team förblir integrerade i arbetsflödet.

Den strukturen är viktig. AI hanterar skala och mönsterigenkänning. Människor hanterar tillsyn och ansvar. När dessa roller är tydliga, minskar du risk snarare än att öka den.

Målet är att minska kognitiv överbelastning, inte att ta bort mänskligt omdöme.

Försäkringspolicyer ändras ofta och tillämpas inte alltid konsekvent. Hur omformar realtidsförsäkringsinformation återkopplingsloopen mellan ansökningsinlämning, avvisningar och kontinuerlig modellförbättring?

Försäkringspolicyer ändras ofta och tillämpas inte alltid konsekvent. Historiskt sett uppdaterade organisationer regler periodvis och hoppades att de var aktuella.

Med realtidsåterkoppling blir varje avvisning och godkännande en datapunkt. Modellen lär sig från faktiska resultat snarare än statiska antaganden. Det förkortar gapet mellan policyändring och operativ anpassning.

Över tid minskar det oväntade avvisningarna och förbättrar inlämningsnoggrannheten. Det gör systemet mer anpassningsbart.

Sjukhus är förståeligt nog försiktiga med AI-system som påverkar kassaflöde. Vilken nivå av transparens eller kontroll anser du att hälso- och sjukvårdsledare bör förvänta sig innan de litar på AI-styrd fakturering?

Ledare bör förvänta sig tydlighet. De bör förstå varför en rekommendation gjordes. De bör kunna åsidosätta den. Och de bör ha en tydlig revisionslogg.

Fakturering påverkar direkt kassaflöde och regelefterlevnad. Förtroende kommer från synlighet och kontroll, inte från blind automatisering. Alla AI-system som opererar i detta område måste uppfylla den standarden.

Personalbrist i faktureringsgrupper behandlas ofta som arbetsmarknadsfrågor. Hur mycket av problemet är egentligen rotat i datakvalitet och arbetsflödesdesign, och var kan AI ha den största inverkan?

Personalutmaningar är verkliga, men många av dem förstärks av dålig arbetsflödesdesign. När team tillbringar större delen av sin tid med att korrigera förhindbara fel, ökar utbrändhet och produktivitet minskar.

Om du rensar datainmatningar och minskar undvikbara avvisningar, kan samma team fungera mer effektivt. AI har den största inverkan där den tar bort repetitivt omarbete och standardiserar processer.

Ofta är problemet inte bara personalstyrka. Det är friktion.

När AI blir mer integrerat i faktureringsverksamhet, hur ser du att rollen för faktureringsgrupper utvecklas under de kommande åren i termer av tillsyn, undantagshantering och styrning?

Jag förväntar mig att faktureringsgrupper kommer att bli mer strategiska. Mindre tid på repetitiv bearbetning. Mer tid på tillsyn, komplexa överklaganden, försäkringsförhandlingar och prestandaanalys.

När automatisering hanterar rutinarbete, skiftar mänskliga team mot styrning och optimering. Det höjer funktionen snarare än att minska den.

Om du ser framåt, förväntar du dig att AI-styrda faktureringsplattformar kommer att bli kärnfinansinfrastruktur för sjukhus snarare än valfria verktyg, och vad skulle den skiftningen möjliggöra för organisationer som opererar under konstant marginaltryck?

Ja. Marginaltryck försvinner inte. Förutsägbarhet i ersättning kommer att bli avgörande.

AI-styrda plattformar som förbättrar noggrannhet och minskar läckage kommer att flytta från att vara valfria verktyg till grundläggande infrastruktur. När kassaflöde blir mer stabilt, kan sjukhus planera med större tillförlitlighet och investera mer medvetet i patientvård.

Det är slutligen det resultat vi bryr oss om.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Rinova AI eller Edge.