Rajan Kohli, VD för CitiusTech – Intervjuserie: Ett återbesök

Rajan Kohli är verkställande direktör för CitiusTech och ansvarar för företagets globala strategi, tillväxt och mission att accelerera innovation inom hälso- och sjukvård. En veteran inom teknikledning med mer än tre decenniers erfarenhet har Rajan lett storskaliga digitala transformationsinitiativ inom hälso- och sjukvård, teknik, molnmodernisering, dataplattformar och artificiell intelligens. Sedan han tillträdde som VD för CitiusTech har han fokuserat på att hjälpa hälso- och sjukvårdsorganisationer att gå bortom digital transformation mot intelligensdrivna driftsmodeller som drivs av AI, interoperabilitet och avancerad analys.

CitiusTech är en ledande leverantör av hälso- och sjukvårdstekniktjänster, konsulttjänster och digitala lösningar för hälso- och sjukvårdsleverantörer, betalare, MedTech-företag och life sciences-organisationer över hela världen. Företaget specialiserar sig på hälso- och sjukvårdsdataplattformar, interoperabilitet, molnmodernisering, digitala ingenjörstjänster, analys och artificiell intelligens. När hälso- och sjukvårdsorganisationer alltmer söker operationalisera AI i stor skala har CitiusTech utvidgat sin fokus mot att bygga intelligensdrivna hälso- och sjukvårdssystem som kombinerar tillförlitliga datafundament, styrning, interoperabilitet och arbetsflödesmedveten AI. Genom lösningar som Knewron och dess bredare AI- och dataekosystem hjälper CitiusTech organisationer att transformera fragmenterade hälso- och sjukvårdsverksamheter till sammanhängande, kontextmedvetna miljöer som förbättrar effektivitet, beslutsfattning och patientresultat.

Denna intervju utgör ett återbesök i vår tidigare konversation med Rajan Kohli, där vi undersökte den växande rollen för generativ AI, interoperabilitet, hälso- och sjukvårdsdatamodernisering och digital transformation inom hälso- och sjukvårdssektorn. Sedan dess har branschen snabbt utvecklats från att experimentera med AI till att distribuera det i produktionsmiljöer, vilket skapar nya utmaningar kring styrning, tillit, förklarbarhet och operativ skala. I denna senaste diskussion delar Rajan hur hälso- och sjukvårdsorganisationer kan gå bortom isolerade AI-piloter mot intelligensdrivna vårdformer, varför kontextuell ingenjörskonst utvecklas som en kritisk grund för hälso- och sjukvårds-AI och vad det kommer att krävas för att bygga tillförlitliga, skalbara system som kan stödja nästa generation av patientvård.

Med decenniers erfarenhet av att leda storskaliga digitala transformationsinitiativ, hur har den resan format din syn på varför hälso- och sjukvårdstransformation är unikt komplex?

Hälso- och sjukvårdstransformation är unikt svår eftersom det inte finns en enda definition av framgång. Kliniska resultat, korrekt fakturering och betalningar, tillgänglighet, kostnad och upplevelse ofta drar i olika riktningar. Till skillnad från andra sektorer är hälso- och sjukvården begränsad av klinisk risk, regulatorisk granskning och etisk ansvarighet. Felmodeller mäts i patientresultat, inte i intäktsförlust.

Här blir kontextuell ingenjörskonst grundläggande: disciplinen att strukturera den informationsmiljö i vilken AI fungerar, så att utdata är kliniskt korrekta, arbetsflödesmedvetna och regelefterlevande från grunden. Skalning kräver systemtänkande över värdekedjor snarare än digitalisering av siloade funktioner. Hälso- och sjukvården kräver djup kontextualisering av arbetsflöden, datasemantik över kliniska, anspråks- och enhetsdata, samt komplexa regeledningar. Plattformar som Knewron byggs på precis denna princip, och går bortom allmänna AI till att införa domänspecifik kontext på arkitektonisk nivå.

Denna komplexitet förstärks av fragmenterade ekosystem som involverar betalare, leverantörer, MedTech och life sciences. Var och en av dessa aktörer opererar på olika system, incitament och datastandarder. Det som verkar vara ett tekniskt problem på ytan är nästan alltid ett kontext- och sammanhangsproblem under ytan.

Till sist beror transformationsframgång inte bara på teknisk modernisering utan på tillitshandling. Vi måste aktivt konstruera en tillitslager i global hälso- och sjukvårds-AI, utforma system som kliniker och regulatorer kan implicit lita på i verkliga vårdsituationer. Kontextuell ingenjörskonst är den mekanism som gör denna tillit möjlig. När AI förstår den fullständiga kliniska och operativa kontexten för ett beslut, tjänar den tillit systematiskt, inte av en slump.

Du har beskrivit hälso- och sjukvården som att den når en vändpunkt. Vilka specifika krafter driver denna förändring just nu?

Vändpunkten vi upplever just nu drivs av operativ stress, inte teknisk nyhet. Kostnadstryck, klinikerutbrändhet och allvarliga personalbrist tvingar hälso- och sjukvårdssystem att tänka om sina driftsmodeller helt och hållet, snarare än att bara digitalisera befintliga. Manuella processer skalar inte längre, särskilt i anspråk, fakturering och kliniska operationer, vilket är varför AI dras aggressivt in i produktionsmiljöer.

Men att dra in AI i produktion är bara halva ekvationen; den andra halvan är att säkerställa att AI fungerar med rätt kontext. Utan kontextuell ingenjörskonst riskerar AI i kliniska och operativa arbetsflöden att generera utdata som är tekniskt korrekta men kliniskt eller administrativt feljusterade.

Samtidigt driver regulatoriska krafter som CMS-interoperabilitetsregler, pristransparens och digitala kvalitetsmått på datalikviditet och accelererar modernisering. Molntillämpning har passerat en mognadströskel, vilket gör företagsskalig modernisering och regelefterlevande AI-distribution möjlig. AI är nu fullständigt anpassad till hälso- och sjukvårdsberedskap eftersom vi äntligen har digitaliserade arbetsflöden, rikare dataresurser och tydligare ansvarighetsramar än i tidigare teknikvågor.

Vad som har saknats tills nu är det sammanbindande vävnaden mellan råa dataresurser och meningsfull AI-åtgärd, och den sammanbindande vävnaden är kontext. Vi ser en tydlig marknads efterfrågan på lösningar som är specialbyggda för att hjälpa hälso- och sjukvårdsorganisationer att omvandla denna operativa stress till mätbar effektivitet.

Hälso- och sjukvården har länge legat efter i digitalisering jämfört med andra branscher. Vad har förändrats för att göra AI-distribution i stor skala möjlig idag?

AI skalar nu eftersom hälso- och sjukvårdsorganisationer lär sig att kodifiera policy, kliniska riktlinjer och operativ logik, snarare än att konsumera stora mängder data. Den grundläggande förändringen är att gå från modeller som tolkar råinformation till system som utför programmerad kunskap med sträng tillsyn. Detta är exakt vad kontextuell ingenjörskonst möjliggör, genom att strukturera kunskapsmiljön i vilken modellerna fungerar.

Grundläggande friktion har minskat kraftigt genom den allmänna antagandet av FHIR, HL7, molnbaserade dataplattformar och händelsestyrda arkitekturer. Hälso- och sjukvårdsorganisationer inser alltmer att AI måste infogas i arbetsflöden snarare än existera som fristående instrumentpaneler. Arbetsflödesmedveten AI är nyckeln till att möjliggöra detta, och säkerställer att system förstår arbetsflödessemantik och driver handlingsbara resultat.

Verktyg som MLOps, DevSecOps och regelefterlevnad har möjliggjort kontinuerlig validering, övervakning och kontrollerad omträning. Vi ser en tydlig förändring från experiment till värdebundna användningsfall som vårdefluckor, förhandsgodkännande, anspråksintegritet, avbildning och kliniskt beslutsstöd. Denna skala är endast möjlig när vi infogar robusta skydd och mänsklig tillsyn direkt i dessa operativa arbetsflöden.

Branschen lägger till jobb månad för månad, och det hjälper eftersom AI inte ses som att ta bort jobb. Skalad AI hjälper till att rikta investeringarna för bättre resultat för patienter och kliniker.

Många organisationer är fortfarande fast i pilotfasen. Vilka är de viktigaste barriärerna för att förhindra att AI flyttar in i verklig operativ användning inom hälso- och sjukvården?

AI kämpar för att skala inom hälso- och sjukvården eftersom flera strukturella verkligheter dyker upp samtidigt. Hälso- och sjukvårdsprocesser fungerar sällan mot ett enda mål; kliniska resultat, kostnad, tillgänglighet, patientupplevelse, ersättningsprecision och långsiktig risk involverar ofta leverantörer, betalare, regulatorer och patienter. Att definiera framgång är komplext men nödvändigt. Många piloter misslyckas eftersom de inte är förankrade i tydliga, delade resultatmått.

En andra barriär är kostnaden och ansträngningen för annotering och validering. Skalning kräver kontinuerligt engagemang från kliniker och intäktscyklexperter, vars tid är både begränsad och dyr och ofta underskattas under pilotfasen.

Tredje, styrnings- och integrationsgap blir mer synliga i skala. Piloter saknar ofta granskbarhet, policykontroller och mänsklig tillsyn som krävs för högriskarbetsflöden som involverar PHI. Dessutom uppstår fel sent i verkliga miljöer, särskilt i anspråk och fakturering, där utdata inte uppfyller betalarens regler eller interoperabilitetsförväntningar. Fragmenterade teknikekosystem, inklusive äldre system, proprietära plattformar och ojämn HL7/FHIR-antagande, gör integrationer sköra och svåra för generiska AI-lösningar.

Skalning lyckas endast när AI är anpassad till verkliga operativa mål, stöds av starka datafundament och är utformad för komplexa arbetsflöden. En förändring sker nu mot fokuserade, värdekedje-drivna MVP:er som riktar sig mot högpresterande användningsfall med tydligt affärsvärde och verkställande sponsorering, och flyttar samtalet från AI-experiment till mätbar processomvandling.

Ur ett systemperspektiv, vad ser en modern AI-beredd hälso- och sjukvårdsarkitektur ut som, särskilt i termer av datapipeliner, interoperabilitet och molninfrastruktur?

En AI-beredd arkitektur är en där policytvingande, validering och eskalering är infogade direkt i arbetsflöden, inte hanterade externt som en eftertanke. Den kräver enhetliga molnbaserade dataplattformar som konsumerar anspråk, EHR, avbildning, enhets- och operativ data i högt styrda lager.

Vi måste prioritera standarder-först-interoperabilitet med FHIR, HL7, SMART på FHIR och DICOM, stödd av dedikerade valideringsmotorer. Det måste finnas en tydlig separation av ansvar över ingestion, bearbetning, analys, AI-tjänster och styrningslager. Kontextuell ingenjörskonst sitter i skärningspunkten mellan dessa lager; det är disciplinen som kopplar råa konsumerade data till styrda, semantiskt berikade indata som AI-tjänster kan agera på med precision och ansvarighet.

Inbyggd säkerhet är ovillkorlig, och omfattar RBAC, kryptering, samtyckeshantering, linjäritet och revisionslogg. Arkitekturframgång mäts slutligen av om systemen misslyckas på ett säkert sätt, inte av komponentsofistikation. Genom att koda ramverk som HIPAA och GDPR direkt i exekveringslagret bygger vi den arkitektoniska tilliten som krävs för global distribution.

Hur hanterar organisationer realtidsdataprocessering och integration över elektroniska hälsoregister (EHR), medicinska enheter och betalareplattformar för att möjliggöra AI-drivna beslutsfattanden?

Realtidsbearbetning är viktig endast när insikter dyker upp inom kliniska och operativa arbetsflöden, inte nedströms i sekundära instrumentpaneler. Den grundläggande utmaningen är att hantera variabilitet och undantag, snarare än att fokusera på ren datapassage. Organisationer hanterar detta genom mellanprogram som normaliserar och berikar data innan AI-konsumtion, snarare än att trycka på råa flöden nedströms.

Här spelar kontextuell ingenjörskonst en kritisk roll. Systemet måste strukturera inkommande data från EHR, medicinska enheter och betalareplattformar till en sammanhängande kontextuell grund, och säkerställa att AI-indata är semantiskt anpassade till det specifika kliniska eller operativa beslutet. Detta möjliggör tight integration med EHR-arbetsflöden, och låter insikter dyka upp vid vården.

Vilka är de största tekniska utmaningarna i att distribuera AI-modeller i kliniska miljöer, särskilt kring modellvalidering, övervakning och drifthantering?

Den svåraste utmaningen är inte bara noggrannhetsförsämring, utan oupptäckt felpropagation över sammanhängande arbetsflöden. Kontextuell ingenjörskonst fungerar som den första försvarslinjen genom att strukturera kunskapsmiljön i vilken modellerna fungerar. Systemet måste validera indata för klinisk och operativ sammanhang innan AI-resonemang börjar, och minska fel källan.

Validering måste gå utöver automatiserade mått och inkludera mänsklig ominterpretation, och säkerställa att utdata reflekterar verklig klinisk relevans snarare än bara statistisk prestanda. Detta grundar modellutvärdering i verkliga kliniska och administrativa resultat snarare än abstrakta benchmark.

Modelldrift måste också hanteras aktivt när patientpopulationer, kliniska riktlinjer och beteenden utvecklas. Detta kräver kontinuerlig övervakning kopplad till verkliga återkopplingsloopar, med kontrollpunkter infogade för att upptäcka drift i termer av klinisk relevans, betalarens regeljustering och arbetsflödeskonsekvens.

Slutligen beror framgång på att balansera anpassningsförmåga med stränga regulatoriska förväntningar. AI-distribution i kliniska och SaMD-miljöer kräver ett starkt tillitslager som tvingar skydd, utlöser mänsklig granskning och säkerställer kontrollerad omträning innan någon påverkan når patientvården.

Hur närmar du dig att bygga förklarbarhet och granskbarhet i AI-system som används i reglerade hälso- och sjukvårdsmiljöer?

Förklarbarhet existerar så att människor kan ifrågasätta, åsidosätta och lära av AI-utdata, inte bara förstå dem. Kontextuell ingenjörskonst gör denna ifrågasättbarhet strukturerad snarare än yttre genom att koda kliniska riktlinjer, policyregler och arbetsflödeslogik direkt i AI-miljön. Som ett resultat kan varje utdata spåras tillbaka till den kontextuella input som formade den, snarare än att vara omvändkonstruerad efteråt.

Granskbarhet, likaså, måste skapa institutionell minnesförmåga snarare än att fungera som en eftertanke. Detta uppnås genom att använda policy-som-kod för att infoga regulatoriska och organisatoriska regler direkt i exekveringsflöden, och behandla ramverk som HIPAA och CMS-riktlinjer som styrande indata från början, snarare än yttre kontroller som tillämpas senare.

Dessutom är oföränderliga loggar och granskningsloggningar avgörande för att stödja regulatorisk tillsyn och klinisk tillit. Systemet bör fånga inte bara vilket beslut som togs, utan också den fullständiga kontexten, inklusive data, begränsningar och arbetsflödesstatus som informerade det.

Med uppkomsten av agentbaserade och autonoma system, vilka skyddsåtgärder behövs för att säkerställa tillförlitlighet och förhindra oavsiktliga resultat i kliniska arbetsflöden?

I hälso- och sjukvården är agentbaserade system värdefulla endast när automationsgränser är explicita och omvändbara. Kontextuell ingenjörskonst hjälper till att definiera dessa gränser genom att strukturera operativ omfattning, kliniska begränsningar och eskalationslogik i miljön, och säkerställer att autonomi fungerar inom ett styrt ramverk snarare än att lita på modeller för att självreglera.

Detta kräver autonomi med ansvarighet, inklusive tydliga rolldefinitioner, eskalationsvägar och deterministiska kontrollpunkter infogade i agentbeteende. Systemet måste säkerställa att agenter fungerar inom kliniskt och operativt godkända gränser som är arkitektoniskt påtvingade, snarare än policydefinierade.

Det kräver också kontinuerlig övervakning av agentbeteende, besluts kvalitet och oavsiktliga interaktioner. Vi implementerar policydrivna begränsningar som förhindrar agenter från att agera utanför sin godkända kliniska eller operativa omfattning. För kliniska arbetsflöden är mänsklig tillsyn en grundläggande designprincip, snarare än en reservmekanism.

När vi går mot avancerad agent-till-agent-orkestration måste dessa agenter fungera strikt inom styrda, kodifierade ramverk för att säkerställa tillförlitlighet.

Om vi ser framåt, vad ser intelligensdriven vård ut som för patienter under de kommande åren?

De kommande åren kommer att se AI minska friktionen innan den transformerar vården, med start i administration, samordning och beslutsstöd. Intelligensdriven vård lyckas när kliniker litar på standardvärdena men fasthåller sin auktoritet. AI blir en orkestratör över vårdscontinuumet, som förutser behov snarare än att bara reagera på händelser.

Kontextuell ingenjörskonst möjliggör denna förändring genom att strukturera longitudinella kliniska, anspråks- och operativa data så att AI kan resonera över hela continuumet med den djup som krävs för tillförlitlig åtgärd, snarare än bara prediktiv insikt. Detta stöder mer personlig, kontinuerlig och kontextmedveten vårdvägar över inställningar.

Uttrycket “kontextmedveten” är det operativa, och det är inte slumpmässigt. Att leverera verkligt personliga vårdvägar i skala kräver att AI-system ärver djup kontextuell kunskap om varje patients kliniska historia, betalaremiljö och vårdinställning. Kliniker kommer att stödjas av copiloter och beslutsintelligens, som signifikant minskar deras kognitiva och administrativa belastning.

Med tiden kommer hälso- och sjukvårdssystem att utvecklas till lärande system, som förbättras kontinuerligt när data, modeller och verkliga återkopplingar ackumuleras. Genom att konstruera ett robust tillitslager idag lägger vi den operativa grunden för denna friktionsfria framtid.

Tack för de detaljerade svaren. Läsare som vill lära sig mer bör besöka CitiusTech.