Rajan Kohli, VD för CitiusTech – Intervjuer

Rajan Kohli är verkställande direktör för CitiusTech och ansvarar för företagets strategiska riktning och för att driva CitiusTechs mission att accelerera innovation inom hälsovårdsteknologi och skapa långsiktig värde för kunder. Rajan är en högt uppsatt chef inom tekniktjänstebranschen med erfarenhet av digital transformation, applikations- och ingenjörstjänster.

Före CitiusTech har Rajan tillbringat över 27 år på Wipro och var nyligen president för Wipros iDEAS (Integrated Digital, Engineering and Application Services)-verksamhet. Han ledde en global affärsenhet med intäkter på 6 miljarder USD och var engagerad i att hjälpa kunder över hela världen att accelerera sin transformation och förändra hur de bygger och levererar digitala produkter, tjänster och upplevelser.

CitiusTech är en ledande leverantör av konsult- och digitala teknologitjänster till hälsovårds- och life sciences-företag. Som strategiska partners till världens ledande betalare, leverantörer, MedTech- och life sciences-företag driver CitiusTech innovation, affärstransformation och branschövergripande konvergens. De spelar en djup och meningsfull roll i att accelerera digital innovation, driva hållbar värde och förbättra resultaten inom hälsovårdsekosystemet.

Vilka är de viktigaste elementen för att framgångsrikt implementera digitala transformationsstrategier i hälsovårds- och life sciences-organisationer?

Hälsovårdsindustrin har kämpat med att anta digitala lösningar, med framgångsrika digitala transformationsresor som sporadiskt har inträffat under åren. Men med tekniken redo att driva en paradigmförändrande språng i patientvården, är det dags för industrin att gå förbi dessa utmaningar.

Digital transformation har potentialen att positivt påverka hälsovården över alla specialiteter. Till exempel hanterar tillverkare av specialläkemedel flera krav från olika intressenter och ekosystem för att möta deras ständigt ökande efterfrågan. Att navigera i detta komplexa nätverk av intressenter och ekosystem är inte lätt, och många av dem söker efter att utnyttja patientstödhub-tjänster som avlastar dessa ansvar från läkemedelstillverkarna för att hantera dessa ansvar och optimera klient-läkemedelsprestanda. Men eftersom patienthub-tjänster står inför utmaningar när det gäller skalbarhet och effektivitet på grund av ökande volymer, måste många tillverkare av specialläkemedel anta digitala transformationsstrategier för att effektivisera verksamheten och öka den övergripande effektiviteten.

Att implementera digital transformation inom hälsovård och life sciences kräver en trefaldig multifacetterad strategi.

• Chefens engagemang är avgörande för att driva och upprätthålla dessa initiativ, säkerställa att det finns ett topp-down-godkännande och samstämmighet med strategiska mål. Detta innebär inte bara att skapa en tydlig vision och roadmap som beskriver specifika mål och milstolpar, utan också att investera i teknologi och innovativa lösningar.
• Robust datahantering är ett annat kritiskt element. Att etablera starka informationsstyrningsramar säkerställer datakvalitet, säkerhet och regelefterlevnad. Detta inkluderar att definiera datastandarder, policys och processer för datahantering, samt att utnyttja avancerad analys och stordata-teknologier för att extrahera handlingsbara insikter från hälsodata.
• Samverkansförmåga är avgörande för digital transformation, vilket kräver antagandet av branschstandarder som HL7, FHIR och DICOM för att underlätta sömlös datautbyte mellan olika system och plattformar. Att utnyttja integrationsplattformar och mellanprogramlösningar kan brottas över skilda system, säkerställa smidig dataflöde och kommunikation över hela organisationen. Genom att helt anta samverkansförmåga kan organisationer driva mer effektiv, effektiv och patientcentrerad hälsovård.

Men i slutändan börjar och slutar digitala transformationer med patienten. Hälsovårdsorganisationer kan automatisera så många processer som de vill, men om de inte förändrar upplevelsen eller värdet som patienten får, kommer det att vara särskilt svårt att uppnå framgång. En patientcentrerad strategi med implementeringen av digitala hälsovårdslösningar som förbättrar patientengagemanget, förbättrar tillgången till vård och möjliggör personanpassade behandlingsplaner är avgörande.

Hur används generativ AI för närvarande för att förbättra hälsovårdbehandlingar och förbättra patientresultat?

Generativ (Gen) AI erbjuder transformerande fördelar över hela hälsovårdsekosystemet. För hälsovården, en bransch där många av de vanliga utmaningarna kan tillskrivas ineffektiva människa-maskin-interaktioner, har Gen AI kraften att brottas över denna klyfta och verkligen demokratisera hälsovården.

Detta är särskilt sant när det gäller personlig medicin. Att utveckla behandlingsplaner som är anpassade till specifika patienter kan vara svårt och tidskrävande om det görs manuellt. Genom att utnyttja Gen AI analyserar algoritmerna genetisk data och patienthistorik för att skapa personanpassade behandlingsplaner som är anpassade till patientens unika genetiska sammansättning och medicinska historia. När behandlingsplanerna är på plats är patientens tillgång till AI-stödda virtuella hälsovårdshjälpare avgörande, eftersom patienterna har 24/7-tillgång till medicinsk rådgivning, symtomkontroll och tidsbokning, vilket förbättrar patientengagemanget, mer effektiva behandlingar och bättre patientresultat.

Gen AI spelar också en betydande roll i att accelerera läkemedelsgodkännande- och lanseringsprocessen. Pandemin visade potentialen för snabb läkemedelsutveckling, driven av AI:s förmågor. Gen AI accelererar utvecklingen av nya läkemedel genom att simulera molekylära interaktioner och förutsäga vilka föreningar som sannolikt kommer att vara effektiva. Detta minskar betydligt tiden och kostnaden som är förknippad med traditionella läkemedelsupptäcktsmetoder. Dessa AI-stödda plattformar kan också generera potentiella läkemedelskandidater och optimera deras kemiska strukturer, vilket påskyndar processen från koncept till kliniska prövningar.

Gen AI-algoritmer förbättrar också noggrannheten i medicinsk avbildning, vilket förbättrar bildkvaliteten och assisterar i upptäckten av avvikelser. Genom att göra detta underlättar det tidig diagnos och behandling av tillstånd som cancer, vilket betydligt förbättrar patientresultat.

Slutligen har prediktiv analys som drivs av Gen AI banbrytande potential. Prediktiv Gen AI-modeller analyserar stora mängder hälsodata för att förutsäga sjukdomsutbrott, patientåterinläggningar och potentiella komplikationer, vilket möjliggör proaktiv intervention och bättre hantering av kroniska sjukdomar.

På vilka sätt kan generativ AI hjälpa till att minska tråkiga uppgifter för hälsovårdspersonal, vilket möjliggör att de kan fokusera mer på patientvård och innovation?

Gen AI kan betydligt minska bördan av tråkiga uppgifter för hälsovårdspersonal, såsom klinisk dokumentation, tidsbokning, hantering av medicinska journaler och bearbetning av försäkringsanspråk. Hälsovårdspersonal kan koncentrera sig på patientvård och innovation.

Till exempel är hälsovårdspersonal beroende av elektroniska patientjournaler (EMR) för säkrare och mer konsekvent hälsovård, men detta kräver att dessa personer ständigt navigerar mellan sin narrativa förståelse av patienthistorik och symtom, och EMR:s strukturerade datapresentation. Gen AI brottas över denna klyfta och minskar betydligt den kognitiva belastningen för hälsovårdspersonal genom att sammanfatta patienthistorik och automatisera manuella uppgifter, vilket frigör värdefull tid för mer personanpassad patientvård.

Kliniska beslutsstödssystem utnyttjar AI för att ge hälsovårdspersonal evidensbaserade rekommendationer, varningar och påminnelser. Dessa system analyserar patientdata och medicinsk litteratur för att ge insikter som underlättar diagnos och behandlingsplanering, vilket förbättrar kliniska resultat och minskar den kognitiva belastningen på hälsovårdspersonal.

Distansövervakningsteknologier, som drivs av AI, övervakar kontinuerligt patienternas livstecken och hälsostatus, vilket möjliggör realtids hälsobedömningar utan behov av frekventa personliga besök. Detta förbättrar patientens bekvämlighet och möjliggör tidig upptäckt av potentiella hälsoproblem, vilket leder till snabb intervention och bättre hantering av kroniska tillstånd.

Gen AI förbättrar den mänskliga potentialen, vilket förbättrar jobbtillfredsställelsen för hälsovårdspersonal, mer fokuserad på innovativ vård och patienttillfredsställelse.

Vilka åtgärder kan vidtas för att maximera effektiviteten hos Gen AI-lösningar för att övervaka kvalitet och säkerställa förtroende i hälsovårdsbeslut?

Kvalitet och förtroende har blivit kritiska punkter för diskussion inom hälsovårdsindustrin mitt i den snabba tillväxten av Gen AI. Det kräver en robust fokus på dessa frågor för att säkerställa att fördelarna realiseras på ett ansvarsfullt sätt. Bland de åtgärder som kan vidtas:

Integritet och datasäkerhet: Att säkerställa patientintegritet är avgörande, vilket kräver noggrann anonymisering av data och stränga datasäkerhetsåtgärder för att förhindra obehörig åtkomst och dataintrång. Att implementera robusta krypteringsprotokoll och försvarsmekanismer mot adversativa attacker kan skydda patientdata, medan kliniker måste behålla den slutliga beslutsrätten för att skydda mot potentiella AI-fel.

Att upprätthålla kvalitet och rättvisa: Gen AI-system kan oavsiktligt upprätthålla fördomar som finns i utbildningsdata, vilket leder till skillnader i hälsovårdsresultat. Att implementera algoritmer som kan eliminera fördomar och kontinuerligt omträna AI-system för att upptäcka och mildra fördomar är nyckeln.

Ansvar och transparens: Ansvar i Gen AI-drivna beslut involverar flera intressenter, inklusive utvecklare, hälsovårdspersonal och slutanvändare. Transparenta, förklarliga AI-modeller är nödvändiga för informerat beslutsfattande. Utvecklare måste säkerställa att AI-modellerna är obefläckade och säkra, medan hälsovårdspersonal behöver förstå att de förblir ansvariga för besluten som fattas med hjälp av AI-rekommendationer. Att implementera robusta regleringsramar är avgörande för att hantera ansvarsfrågor och upprätthålla förtroende.

Etiska ramverk: Att utveckla etiska ramverk för Gen AI handlar om att främja ansvar utan att kväva innovation. Hälsovårdsaktörer måste proaktivt anpassa sig till utvecklande etiska standarder för att säkerställa att Gen AI-tillämpningar är rättvisa, ansvarsfulla och patientfokuserade. En människa-i-loopen-ansats, kombinerad med ansvarsfulla AI-praxis, kan hjälpa till att uppnå rättvisa hälsovårdsresultat samtidigt som Gen AI:s potential maximeras.

Plattformsbaserade kvalitets- och förtroenderamverk: Att bygga kvalitets- och förtroenderamverk som integreras i befintliga kvalitetsledningssystem och anpassar sig till regleringsrekommendationer är avgörande. Dessa ramverk bör mäta, validera och övervaka Gen AI-lösningar för att säkerställa konsekventa och trovärdiga resultat.

Tidigare i år lanserade vi CitiusTech Gen AI Quality and Trust Solution, den första helhetslösningen av sitt slag inom hälsovården. Lösningen kan hantera dessa krav genom att tillhandahålla omfattande validering, kontinuerlig övervakning och efterlevnad av regleringsstandarder, vilket garanterar effektiviteten och tillförlitligheten hos Gen AI-lösningar inom hälsovården.

Hur kan hälsovårdsorganisationer arbeta för att identifiera och mildra algoritmiska och utbildningsdatafördomar för att säkerställa rättvist hälsovårdsbeslut?

Hälsovårdsorganisationer måste vara extremt proaktiva i sin strategi. Att använda diversifierade och representativa dataset under utbildningsfasen hjälper till att minska fördomar, säkerställa att AI-modellerna fungerar bra över olika befolkningsgrupper. Att implementera fördomsdetekteringsverktyg kan hjälpa till att identifiera och hantera fördomar i AI-modeller genom att analysera modellens utdata för att upptäcka eventuella skillnader i behandlingsrekommendationer eller förutsägelser.

Regelbundna revisioner och granskningar av AI-system hjälper till att identifiera och korrigera fördomar. Detta innebär att utvärdera systemets prestanda över olika demografiska grupper och göra nödvändiga justeringar. Inkluderande design och utveckling, bestående av en diversifierad grupp av intressenter i designen och utvecklingen av AI-lösningar, säkerställer att olika perspektiv beaktas, vilket minskar sannolikheten för fördomar. Slutligen är utbildning och träning för anställda om potentiella fördomar i AI-system och hur man hanterar dem avgörande för att skapa medvetenhet och främja ansvarsfull användning av AI.

Hur kan hälsovårdsorganisationer effektivt använda data om sociala bestämningsfaktorer för hälsa (SDOH) för att förbättra patientvård, och vilka är utmaningarna i att integrera denna data i officiella diagnostiska koder?

Att integrera data om SDOH förbättrar betydligt patientvården, men det finns utmaningar att hantera. Omfattande datainsamling är avgörande, inklusive information som socioekonomisk status, utbildning och miljöfaktorer. Denna data ger insikter i de sociala faktorer som påverkar patientens hälsa.

Dataintegration och samverkansförmåga är avgörande för att effektivt använda SDOH-data. Att integrera denna data i elektroniska patientjournaler (EHR) och säkerställa samverkansförmåga mellan olika system möjliggör för hälsovårdspersonal att ha en helhetsbild av patientens hälsa, vilket möjliggör personanpassade vårdplaner. Till exempel kan patienter från låginkomstbakgrund eller de som bor i områden med begränsad tillgång till hälsovårdstjänster kräva extra stöd för att hantera kroniska tillstånd. Genom att integrera SDOH-data kan hälsovårdsorganisationer utveckla riktade utbildningsprogram, tillhandahålla resurser för transport till medicinska möten och erbjuda näringsstöd till de som behöver det.

Populationshälsovårdshantering är ett annat område där SDOH-data spelar en avgörande roll. Genom att analysera SDOH-data på samhällsnivå kan hälsovårdsorganisationer identifiera trender och mönster som informerar om folkhälsostrategier.

Men att integrera SDOH-data i officiella diagnostiska koder presenterar ett samverkans- eller standardiseringsproblem. Det finns för närvarande ingen universellt accepterad ram för kodning av SDOH-data. Att säkerställa datakvalitet är också svårt, eftersom SDOH-data ofta kommer från olika källor med varierande nivåer av noggrannhet och fullständighet. Samarbete mellan hälsovårdsorganisationer, beslutsfattare och teknikleverantörer för att etablera standardiserade metoder och säkerställa omfattande dataintegration kommer att vara ett viktigt steg för att hantera dessa hinder.

Vilka är de viktigaste cybersäkerhetsutmaningarna som hälsovårdsorganisationer står inför, och hur kan de hanteras?

Som vi har sett under det senaste året är hälsovårdsorganisationer extremt sårbara för cybersäkerhetshot. Dataintrång och ransomware-attacker är betydande problem, vilket kräver implementering av robust kryptering, multifaktorautentisering och regelbundna säkerhetsrevisioner för att mildra dessa hot. Äldre system och programvarusårbarheter är vanliga i hälsovårdsorganisationer, eftersom många fortfarande använder föråldrade system. Att regelbundet uppdatera och patcha programvara, samt migrera till moderna och säkra plattformar, är avgörande.

Insiderhot, där anställda med tillgång till känslig data, utgör också betydande risker. Att implementera stränga åtkomstkontroller, övervaka användaraktivitet och tillhandahålla cybersäkerhetsutbildning kan spela en betydande roll i att förhindra dessa problem. Det är avgörande att skapa en dedikerad efterlevnadsteam som ansvarar för att genomföra regelbundna säkerhetsrevisioner och riskbedömningar för att identifiera sårbarheter och säkerställa efterlevnad av regleringskrav som HIPAA.

Potentiellt den viktigaste åtgärden är kontinuerlig utbildning och utbildning för IT-personal och hälsovårdspersonal för att skydda mot utvecklande cybersäkerhetshot. Många av dessa hot utnyttjar mänskliga sårbarheter, så ju mer utbildad personalen är om cybersäkerhetsbästa praxis, desto mer sannolikt är det att mänskliga fel minskar, vilket leder till mer säker patientdata.

Vilka är de viktigaste etiska övervägandena som hälsovårdsorganisationer måste ha i åtanke när de implementerar AI-lösningar, och hur kan de hantera motstånd mot AI-implementering i sjukhus?

Detta är en av de viktigaste frågorna som hälsovårdsorganisationer måste hantera, med ett behov av att överväga flera etiska aspekter och hantera potentiellt motstånd. Att säkerställa patientintegritet och konfidentialitet är av största vikt, med AI-lösningar som följer strikta dataskyddsregler och som använder robusta säkerhetsåtgärder. Patienter bör informeras om användningen av AI i deras vård och ge samtycke, vilket innebär en förklaring av hur AI kommer att användas och de potentiella fördelarna och riskerna.

Fördomar och rättvisa är också avgörande överväganden. AI-system är utformade för att undvika fördomar och säkerställa rättvis behandling av alla patienter, men som vi vet kan problem uppstå här om organisationer inte är försiktiga. Det gör kontinuerlig övervakning och justering av dessa AI-modeller ytterst nödvändiga för att upprätthålla rättvisa.

Det är också extremt viktigt att vara transparent om användningen av AI och ansvarig för beslut som fattas av AI-system, särskilt genom att tillhandahålla förklaringar till AI-drivna beslut och etablera mekanismer för tillsyn.

Att följa upp allt detta är ett stort steg mot att hantera problem och motstånd som både hälsovårdspersonal och patienter har mot AI-implementering. Men det är också viktigt att tillhandahålla utbildning om implementeringen och fördelarna med AI, att involvera intressenter i AI-implementeringsprocessen, att etablera en kommitté som fokuserar på att bygga förtroende, tillhandahålla tydlig kommunikation och säkerställa den etiska användningen av AI.

Hur kan CitiusTechs lösningar hjälpa hälsovårdsorganisationer att uppnå sömlös dataintegration och samverkansförmåga över olika plattformar och applikationer?

På CitiusTech kan vi driva hälsovårdsdigitalisering, affärstransformation och branschövergripande konvergens för hälsovårds- och life sciences-företag över hela världen. Våra lösningar är utformade för att uppnå sömlös dataintegration och samverkansförmåga över olika plattformar och applikationer. Våra avancerade integrationsplattformar säkerställer att skilda system kommunicerar och delar data effektivt, vilket möjliggör en enhetlig vy av patientinformation.

Till exempel var en stor blå plan med över en miljon medlemmar som ville gå utöver medlemmarnas anspråksdata och manuell chart-chase och utnyttja klinisk data för att påskynda vårdbryggor. De sökte efter en lösning som kunde utnyttja den kliniska datan effektivt och valde CitiusTech för att sömlöst integrera klinisk data från en mängd olika elektroniska patientjournaler och dataaggregatorsystem, vilket resulterade i 10 miljoner dollar i årliga besparingar.

CitiusTechs hanteringslösningar upprätthåller datakvalitet, säkerhet och efterlevnad under integrationsprocessen för att hantera komplexiteten i hälsovårdsdata, inklusive integrationen och samverkansförmågan av olika datakällor och plattformar.

Den nyligen lanserade CitiusTech Gen AI Quality and Trust Solution, en helhetslösning som ytterligare förbättrar dataintegration, säkerställer tillförlitligheten, noggrannheten och tillförlitligheten hos AI-drivna insikter. Lösningen tillhandahåller robust validering, kontinuerlig övervakning och efterlevnad av regleringsstandarder, vilket garanterar effektiviteten och tillförlitligheten hos AI-drivna dataintegration och analys. Detta möjliggör för hälsovårdsorganisationer att effektivt utnyttja AI för förbättrad beslutsfattning och patientresultat.

Vilka framtida trender ser du inom integrationen av AI inom hälsovård och life sciences, och hur förbereder sig CitiusTech för att hantera dessa trender?

Med den snabba tillväxten av AI inom hälsovård och life sciences, den ökande användningen av AI för prediktiv analys och personlig medicin, förbättringen av operativ effektivitet genom automatisering och förbättringen av medicinsk avbildning och diagnostik kommer att ha en betydande inverkan på branschen.

På CitiusTech ligger vi i framkant genom att kontinuerligt investera i forskning och utveckling för att ligga i framkant av AI-utvecklingen. Som nämnts tidigare har vi utvecklat Gen AI-lösningar som vår kvalitets- och förtroendelösning, samt andra AI-lösningar som utnyttjar den senaste tekniken för att förbättra patientresultat och operativ effektivitet. Det är en avgörande prioritet att fokusera på att säkerställa den etiska och rättvisa användningen av AI, hantera fördomar och upprätthålla transparens och ansvar i AI-drivna beslut. Det är en prioritet för vårt team att hålla sig uppdaterade med de senaste AI-trenderna för att säkerställa att vi har de bästa resurserna tillgängliga för att hjälpa hälsovårdsorganisationer att navigera i den föränderliga landskapsbilden för AI-integration. Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka CitiusTech.