Rajan Kohli, CitiusTech CEO’sü – Röportaj Serisi: Bir Geri Dönüş Konuşması

Rajan Kohli CitiusTech’in CEO’sudur ve şirketin küresel stratejisinin, büyümesinin ve sağlık ve yaşam bilimleri alanındaki inovasyonu hızlandırma misyonunun sorumlusudur. Otuz yılı aşkın tecrübesi olan bir teknoloji yöneticisi olarak Rajan, sağlık, mühendislik, bulut modernizasyonu, veri platformları ve yapay zeka dahil olmak üzere büyük ölçekli dijital dönüşüm girişimlerini yönetti. CitiusTech’in başına geçtiğinden beri, sağlık kuruluşlarının dijital dönüşümden AI, interoperabilite ve gelişmiş analitikle çalışan zeka tabanlı işletme modellerine geçmesine yardımcı olmaya odaklandı.

CitiusTech sağlık hizmeti sağlayıcıları, ödemeyi yapanlar, MedTech şirketleri ve yaşam bilimleri organizasyonlarına hizmet veren lider bir sağlık teknolojisi hizmetleri, danışmanlık ve dijital çözümler sağlayıcısıdır. Şirket, sağlık veri platformları, interoperabilite, bulut modernizasyonu, dijital mühendislik, analitik ve yapay zeka alanında uzmanlaşmıştır. Sağlık kuruluşları artık büyük ölçekte AI’i operasyonel ortamlara entegre etmeye çalışırken, CitiusTech odak noktasını güvenilen veri temelleri, yönetim, interoperabilite ve iş akışı odaklı AI’yi birleştiren zeka tabanlı sağlık sistemleri oluşturmaya yöneltti. Knewron ve daha geniş AI ve veri ekosistemi gibi çözümlerle CitiusTech, sağlık operasyonlarını bağlantılı, bağlam odaklı ortamlara dönüştürmeye yardımcı olur.

Bu röportaj, önceki konuşmamızın bir devamı niteliğindedir. Önceki konuşmamızda, sağlık ekosistemindeki yapay zeka, interoperabilite, sağlık veri modernizasyonu ve dijital dönüşümün artan rolünü keşfetmiştik. O zamandan bu yana endüstri, AI’yi üretim ortamlarına entegre etmeye başladı ve bu da yönetim, güven, açıklanabilirlik ve operasyonel ölçeklenme konularında yeni zorluklar ortaya çıkardı. Bu son tartışmada Rajan, sağlık kuruluşlarının AI pilotlarından zeka tabanlı bakıma nasıl geçebileceklerini, sağlık AI’si için neden bağlam mühendisliğinin kritik bir temel haline geldiğini ve ölçeklenebilir, güvenilir sistemler oluşturmak için ne gerektiği hakkında görüşlerini paylaştı.

Büyük ölçekli dijital dönüşüm girişimlerini yönetme tecrübeniz var. Bu yolculuk, sağlık dönüşümünün neden benzersiz şekilde karmaşık olduğuna ilişkin perspektifinizi nasıl şekillendirdi?

Sağlık dönüşümü, başarının tek bir tanımının olmaması nedeniyle benzersiz şekilde zordur. Klinik sonuçlar, doğru faturalama ve ödemeler, erişim, maliyet ve deneyim genellikle farklı yönlerde çekilir. Diğer sektörlerin aksine, sağlık klinik risk, düzenleyici kontrol ve etik sorumlulukla sınırlıdır. Hata modları, gelir kaybı yerine hasta sonuçları olarak ölçülür.

Bağlam mühendisliği burada temel hale gelir: AI’nin çalıştığı bilgi ortamını yapılandırmanın disiplini, böylece çıktılar klinik olarak doğru, iş akışı odaklı ve uyumlu olur. Ölçeklendirme, değer zincirleri boyunca sistem düşüncesi gerektirir, değil de sadece dijitalleştirilmiş silo işlevleri. Sağlık, iş akışlarının, veri anlamlarının, klinik, iddialar ve cihaz verileri ile kompleks uyumluluk yollarının derin bağlamsallaştırmasını gerektirir. Knewron gibi platformlar tam olarak bu ilkeye dayanır, genel amaçlı AI’den ziyade mimari düzeyde alan spesifik bağlamı içerecek şekilde ilerler.

Bu karmaşıklık, farklı sistemler, teşvikler ve veri standartlarına sahip ödemeyi yapanlar, sağlayıcılar, MedTech ve yaşam bilimleri dahil olmak üzere parçalı ekosistemler tarafından artırılır. Yüzeyde teknoloji problemi gibi görünen şey, aslında bir bağlam ve tutarlılık problemidir.

Nihayetinde, dönüşüm başarısı, sadece teknoloji modernizasyonuna değil, aynı zamanda güven mühendisliğine bağlıdır. Küresel sağlık AI’sine güven katmanını aktif olarak mühendislik etmeliyiz, böylece klinisyenler ve düzenleyiciler gerçek dünya bakım ayarlarında güvenebilecek sistemler tasarlamalıyız. Bağlam mühendisliği, bu güveni mümkün kılan mekanizmadır. AI, bir kararın tam klinik ve operasyonel bağlamını anladığında, bu güveni sistematik olarak kazanır, değil de şans eseri.

Şu anda sağlıkta bu değişimi sürdüren özel güçler nelerdir?

Şu anda yaşadığımız dönemeç, operasyonel stresten kaynaklanıyor, değil de teknolojik yenilikten. Mali baskı, klinisyen yanması ve ciddi işgücü kıtlığı, sağlık sistemlerinin işletme modellerini tamamen yeniden düşünmelerine neden oluyor. Manuel süreçler artık ölçeklenmez, özellikle iddialar, faturalama ve klinik operasyonlar, bu nedenle AI üretim ortamlarına agresif bir şekilde çekiliyor.

Ancak AI’yi üretim ortamlarına çekmek, denklemin sadece yarısı; diğer yarısı, AI’nin doğru bağlamda çalışmasını sağlamaktır. Bağlam mühendisliği olmadan, AI klinik ve operasyonel iş akışlarında klinik veya idari olarak hatalı çıktılar üretebilir.

Eşzamanlı olarak, düzenleyici güçler seperti CMS interoperabilite kuralları, fiyat şeffaflığı ve dijital kalite ölçümleri, veri likiditesini zorunlu kılmakta ve modernizasyonu hızlandırmaktadır. Bulut benimseme, işletme ölçekli modernizasyon ve uyumlu AI dağıtımı için olgunluk eşiğini geçti. AI, artık sağlık hazırlığına tam olarak uyumlu hale geldi, çünkü artık dijitalleştirilmiş iş akışları, daha zengin veri varlıkları ve daha net sorumluluk çerçevelerine sahibiz.

Şimdiye kadar eksik olan, ham veri varlıkları ile anlamlı AI eylemi arasındaki bağlantılı dokudur ve bu doku, bağlamdır. Sağlık organizasyonlarının, operasyonel stresi ölçülebilir verimliliklere dönüştürmeye yardımcı olan, amaçlarına yönelik çözümler için belirgin bir pazar talebi görmekteyiz.

Sağlık sektörü dijitalleşmede uzun süre diğer sektörlerin gerisinde kaldı. Yapay zekânın bugün büyük ölçekte uygulanmasını mümkün kılan ne değişti?

Sağlık kuruluşları artık yalnızca büyük miktarda veri toplamak yerine kuralları, klinik rehberleri ve operasyonel mantığı yapılandırmayı öğreniyor. Temel değişim, ham bilgiyi yorumlayan modellerden sıkı denetim altında programlanabilir bilgiyi uygulayan sistemlere geçiştir. Bağlam mühendisliği, modellerin çalıştığı bilgi ortamını düzenleyerek yapay zekâyı pasif yorumlamadan yönetilen, etkin bir uygulamaya taşıyor.

FHIR ve HL7 standartlarının, bulut tabanlı veri platformlarının ve olay odaklı mimarilerin yaygınlaşması temel entegrasyon engellerini azalttı. Kuruluşlar, yapay zekânın ayrı bir gösterge panelinde kalmak yerine gerçek iş akışlarına yerleşmesi gerektiğini daha iyi anlıyor. İş akışının anlamını kavrayan sistemler uygulanabilir sonuçlar sağlayabilir.

MLOps, DevSecOps ve uyum otomasyonu; sürekli doğrulamayı, izlemeyi ve kontrollü yeniden eğitimi mümkün kıldı. Denemelerden bakım eksikliklerinin giderilmesi, ön onay, talep ve fatura doğruluğu, görüntüleme ve klinik karar desteği gibi değeri açık kullanım alanlarına geçiliyor. Büyük ölçekli uygulama ancak güçlü güvenlik sınırları ve insan gözetimi doğrudan bu süreçlere yerleştirildiğinde güvenilir olur. Sektörde istihdamın artması da yardımcı oluyor: yapay zekâ işlerin yerini alan değil, hastalar ve klinisyenler için daha iyi sonuçlara yatırım yapılmasını sağlayan bir araç olarak görülüyor.

Birçok kuruluş pilot aşamasında takılı kalıyor. Sağlıkta yapay zekânın gerçek operasyonel kullanıma geçmesinin önündeki başlıca engeller nelerdir?

Ölçek büyüdükçe birden fazla yapısal gerçek aynı anda ortaya çıkar. Sağlık hizmetleri tek bir hedefe yönelmez; klinik sonuçlar, maliyet, erişim, hasta deneyimi, doğru geri ödeme ve uzun vadeli risk, hizmet sunucuları, ödeme kuruluşları, düzenleyiciler ve hastalar arasında çatışabilir. Başarı için üzerinde uzlaşılmış sonuç ölçütleri belirlemek karmaşık ama zorunludur. Pek çok pilot, böyle ölçütlere dayanmadığı için başarısız olur. Yapılandırılmış operasyonel bağlam, modelin hedefleri ham veriden tahmin etmesini beklemek yerine amaçları, kısıtları ve paydaş önceliklerini önceden tanımlar.

İkinci engel, veri etiketleme ve doğrulamanın maliyetidir. Ölçeklendirme, zamanı sınırlı ve pahalı olan klinisyenlerin ve gelir döngüsü uzmanlarının sürekli katkısını gerektirir; pilotlarda bu emek genellikle hafife alınır.

Üçüncü engel, yönetişim ve entegrasyon eksikliklerinin büyük ölçekte belirginleşmesidir. Pilotlar, korunan sağlık bilgileri içeren yüksek riskli iş akışları için gerekli denetim izi, politika kontrolleri ve insan gözetiminden yoksun olabilir. Özellikle talep ve faturalamada, çıktı ödeme kuruluşunun kurallarını veya birlikte çalışabilirlik gereksinimlerini karşılamadığında hatalar geç ortaya çıkar. Eski sistemler, kapalı platformlar ve HL7/FHIR’nin düzensiz kullanımı genel amaçlı çözümlerin entegrasyonunu kırılganlaştırır.

Başarılı ölçeklendirme için yapay zekâ gerçek operasyonel hedeflerle uyumlu olmalı, sağlam bir veri temeline dayanmalı ve karmaşık iş akışları için tasarlanmalıdır. Bu nedenle kurumlar, açık iş değeri ve üst yönetim desteği olan, değer zincirindeki yüksek etkili sorunlara odaklanan MVP’lere yöneliyor; tartışma deneyden ölçülebilir süreç dönüşümüne kayıyor.

Modern bir AI’ye hazır sağlık altyapısının görünümü nedir, özellikle veri boru hatları, interoperabilite ve bulut altyapısı açısından?

AI’ye hazır bir altyapı, politika uygulaması, doğrulama ve yükseltmenin iş akışlarına doğrudan gömülü olduğu bir altyapıyı ifade eder, değil de dışarıdan bir düşünce olarak yönetilen bir altyapıyı. Birleşik bulut yerel veri platformlarına ihtiyaç duyulur, bunlar iddialar, EHR, görüntüleme, cihaz ve operasyonel veri dahil olmak üzere yüksek yönetilen katmanlara alırlar.

Standartlara öncelik veren interoperabiliteye ihtiyaç duyulur, FHIR, HL7, SMART on FHIR ve DICOM gibi standartlar desteklenmelidir. Doğrulama motorlarına da ihtiyaç duyulur. Bağlam mühendisliği, bu katmanların kesişim noktasında yer alır; ham alınan verilerin, AI hizmetlerinin doğru ve hesap verebilir bir şekilde çalışabileceği yönetilen, anlamsal olarak zenginleştirilmiş girdilere bağlanmasını sağlar.

Güvenlik, RBAC, şifreleme, onay yönetimi, köken ve denetim izleri gibi konularda esastır. Altyapı başarısı, bileşen sofistikasyonu ile değil, sistemlerin güvenli bir şekilde başarısız olmasına göre ölçülür. HIPAA ve GDPR gibi çerçeveleri doğrudan yürütme katmanına kodlayarak, küresel dağıtıma gereken mimari güveni inşa ediyoruz.

Gerçek zamanlı veri işleme ve entegrasyonu nasıl ele alınıyor, özellikle de elektronik sağlık kayıtları, tıbbi cihazlar ve ödemeyi yapan platformlar arasında, AI tarafından yönlendirilen karar almaya olanak sağlamak için?

Gerçek zamanlı işleme, sadece ikincil panellerde değil, klinisyen ve operatör iş akışlarında ortaya çıkan içgörülerle önemlidir. Temel zorluk, veri akışından ziyade değişkenlik ve istisnaları yönetmektir. Organizasyonlar, AI tüketimi için önce verilerin normalize edilmesini ve zenginleştirilmesini sağlayan ara yazılımlar kullanarak bu sorunu ele alırlar.

Bağlam mühendisliği burada kritik bir rol oynar. Sistem, EHR’lerden, tıbbi cihazlardan ve ödemeyi yapan platformlardan gelen gelen verilerin, AI girdileri olarak kullanılan anlamsal olarak zenginleştirilmiş bir bağlamsal temel oluşturmasını sağlar. Bu, EHR iş akışlarıyla sıkı entegrasyonu sağlar ve içgörülerin bakım noktasında görünmesini sağlar.

Daha da önemlisi, bu entegrasyonu teknik olarak değil, klinik olarak anlamlı hale getirir, böylece çıktılar sadece veriden değil, aynı zamanda klinik rehberlerden, ödemeyi yapan kurallarından ve iş akışı kısıtlamalarından da etkilenir. Odak, iş akışını doğru anda yakalayarak mevcut operasyonel ritimlerini bozmadan eyleme geçirilebilir destek sağlamaktır.

Klinik ortamlarda AI modellerini dağıtmadaki en büyük teknik zorluklar nelerdir, özellikle model doğrulama, izleme ve sürüklenme yönetimi açısından?

En zorlu zorluk, sadece model doğruluğu değil, bağlantılı iş akışları boyunca undetected hata yayılmasıdır. Bağlam mühendisliği, modelin çalıştığı bilgi ortamını yapılandırarak ilk savunma hattını oluşturur. Sistem, AI akıl yürütmesi başlamadan önce klinik ve operasyonel tutarlılık için girdileri doğrulamalıdır, böylece hataları kaynağında azaltır.

Doğrulama, otomatik metriklere değil, insan tarafından yeniden yorumlanmaya da dahil olmalıdır, böylece çıktılar sadece istatistiksel performans değil, gerçek klinik alaka yansıtır. Bu yaklaşım, model değerlendirmesini somut klinik ve idari sonuçlara rather than soyut standartlara dayandırır.

Model sürüklenmesi de aktif olarak yönetilmelidir, çünkü hasta popülasyonları, klinik rehberler ve davranışlar evrimleşir. Bu, gerçek dünya geri bildirimi ile bağlantılı sürekli izleme gerektirir ve klinik alaka, ödemeyi yapan kural uyumu ve iş akışı tutarlılığı açısından sürüklenmeyi tespit etmek için gömülü kontroller gerekir.

Nihayetinde, başarı, adaptasyonu katı düzenleyici beklentilerle dengelemeye bağlıdır. Klinik ve SaMD ortamlarında AI dağıtımı, güçlü bir güven katmanını, gözetimini, insan gözden geçirmesini ve kontrolsüz yeniden eğitimi gerektirir.

Açıklanabilirlik ve denetlenebilirlik, düzenlenmiş sağlık ortamlarında kullanılan AI sistemlerine nasıl entegre ediliyor?

Açıklanabilirlik, insanların AI çıktılarını sadece anlamak değil, aynı zamanda itiraz etmek, geçersiz kılmak ve onlardan öğrenmek için vardır. Bağlam mühendisliği, bu itiraz edilebilirliği yapısal olarak sağlar, klinik rehberleri, politika kurallarını ve iş akışı mantığını AI ortamına doğrudan kodlar. Sonuç olarak, her çıktı, onu şekillendiren bağlamsal girdilere geri izlenebilir, değil de sonradan tersine mühendislik yapılır.

Denetlenebilirlik de kurumsal hafıza oluşturmalı, değil de uyumluluk sonrası düşüncesi olarak hizmet etmelidir. Bu, düzenleyici ve kurumsal kuralları politika olarak kodlayarak ve bunları yürütme akışlarına dahil ederek elde edilir, böylece HIPAA ve CMS rehberleri gibi çerçeveler baştan itibaren yönetilen girdiler olarak ele alınır.

Değişmez günlükler ve denetim izleri, düzenleyici denetimi ve klinik güveni desteklemek için gereklidir. Sistem, sadece hangi kararın alındığını değil, aynı zamanda kararı şekillendiren tam bağlamı, verileri, kısıtlamaları ve iş akışı durumunu da yakalamalıdır.

Yüksek riskli veya geri dönülmez klinik kararlarda insan gözden geçirmesi, şeffaf bir güven katmanı oluşturmak için temel bir gereksinimdir. Bu sayede, bir düzenleyici veya klinisyen AI sisteminin neden belirli bir öneri yaptığı hakkında soru sorduğunda, cevap hemen erişilebilir ve savunulabilir olur.

Temel ve otonom sistemlerin yükselişi ile klinik iş akışlarında güvenilirliği sağlamak ve istenmeyen sonuçları önlemek için hangi önlemler alınmalıdır?

Sağlıkta, ajan tabanlı sistemler, sadece otomasyon sınırları açık ve tersine çevrilebilir olduğunda değerlidir. Bağlam mühendisliği, bu sınırları tanımlamaya yardımcı olur, operasyonel kapsamı, klinik kısıtlamaları ve yükseltme mantığını ortamda yapılandırır, böylece otonomi, modelin kendi kendini düzenlemeğine güvenmek yerine yönetilen bir çerçevede çalışır.

Bu, hesap verebilirlik ile otonomi gerektirir, rollerin net tanımlarını, yükseltme yollarını ve deterministik kontrolleri ajan davranışına dahil eder. Sistem, ajanların klinik ve operasyonel olarak onaylanmış sınırlar içinde çalışmasını, mimari olarak uygulanmış sınırlar içinde çalışmasını sağlamalıdır.

Sürekli olarak ajan davranışını, karar kalitesini ve istenmeyen etkileşimleri izlemek gerekir. Politika tarafından yönetilen kısıtlamalar uygulayarak, ajanların onaylanmış klinik veya operasyonel kapsamlarının dışında hareket etmesini önleriz. Klinik iş akışları için, insan gözden geçirmesi temel bir tasarım ilkesidir, değil de bir geri dönüş mekanizması.

İleri düzeyde ajan-ağan orkestrasyonuna doğru ilerlerken, bu ajanların yönetilen, kodlanmış çerçeveler içinde çalışması gerekir.

Gelecek on yıl içinde zeka tabanlı bakım, hastalar için nasıl bir görünüm sunacak?

Gelecek on yıl, AI’nin bakımın dönüştürülmesinden önce sürtünmeyi azaltmasını görecektir, yönetim, koordinasyon ve karar desteği ile başlayacak. Zeka tabanlı bakım, klinisyenlerin varsayılan değerlere güvenebileceği, ancak yetkilerini güçlü bir şekilde elinde tuttuğu zaman başarılı olur. AI, bakım sürekliliğinde bir orkestratör olarak çalışır, olaylara sadece tepki vermek yerine ihtiyaçları öngörür.

Bağlam mühendisliği bu değişimi sağlar, klinik, iddialar ve operasyonel verilerin uzun süreli yapısını AI’nin güvenilir eylem için gerekli derinlikte akıl yürütmesini sağlayarak sağlar. Bu, daha kişiselleştirilmiş, sürekli ve bağlamsal bakım yollarını sağlar.

“Bağlamsal” ifadesi, işlemdeki ifadedir ve kazara değil. Ölçeklenebilir, kişiselleştirilmiş bakım yollarını sağlamak için, AI sistemlerinin her hastanın klinik geçmişini, ödemeyi yapan ortamını ve bakım ayarlarini derin bağlamsal bilgilerini miras alması gerekir. Klinisyenler, koğu pilotlar ve karar zekası tarafından desteklenecek, thuşuk ve idari yükleri önemli ölçüde azaltacaktır.

Gelecek on yıl içinde, sağlık sistemleri öğrenen sistemlere dönüştüğü için, veri, modeller ve gerçek dünya geri bildirimi birleşerek sürekli olarak iyileştirilir. Güvenilir bir güven katmanını bugün mühendislik yaparak, bu sürtünmesiz geleceğin operasyonel temelini oluştururuz.

Detaylı cevaplarınız için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular CitiusTech ziyaret edebilir.