Раджан Кохлі, генеральний директор CitiusTech – Інтерв’ю: Повернення до розмови

Раджан Кохлі є генеральним директором CitiusTech і відповідає за глобальну стратегію компанії, зростання та місію прискорення інновацій у сфері охорони здоров’я та наук про життя. Як ветеран-технологічний виконавець з більш ніж трьома десятилітнями досвіду, Раджан очолював великомасштабні ініціативи цифрової трансформації в сфері охорони здоров’я, інженерії, модернізації хмарних технологій, платформ даних та штучного інтелекту. З моменту призначення на посаду генерального директора CitiusTech він зосередився на допомозі організаціям охорони здоров’я рухатися за межі цифрової трансформації до моделей операційної діяльності, що керуються інтелектом, які спираються на штучний інтелект, взаємодію та розширені аналітичні дані.

CitiusTech є провідним постачальником технологічних послуг охорони здоров’я, консалтингу та цифрових рішень для організацій охорони здоров’я, страховиків, компаній MedTech та організацій наук про життя у всьому світі. Компанія спеціалізується на платформах даних охорони здоров’я, взаємодії, модернізації хмарних технологій, цифровій інженерії, аналітиці та штучному інтелекті. Оскільки організації охорони здоров’я все частіше намагаються оперціоналізувати штучний інтелект у великих масштабах, CitiusTech розширив свою увагу на будівництво інтелект-орієнтованих систем охорони здоров’я, які поєднують надійні основи даних, управління, взаємодію та штучний інтелект, осведомлений про робочий процес. За допомогою рішень, таких як Knewron та його ширша екосистема штучного інтелекту та даних, CitiusTech допомагає організаціям перетворити фрагментовані операції охорони здоров’я на зв’язані, контекстно-чутливі середовища, які покращують ефективність, прийняття рішень та результати пацієнтів.

Цей інтерв’ю є продовженням нашої попередньої розмови з Раджаном Кохлі, де ми дослідили зростаючу роль генеративного штучного інтелекту, взаємодії, модернізації даних охорони здоров’я та цифрової трансформації в екосистемі охорони здоров’я. З тих пір галузь швидко прогресувала від експериментів зі штучним інтелектом до його розгортання у виробничих середовищах, створюючи нові виклики щодо управління, довіри, пояснюваності та оперативної масштабованості. У цій останній дискусії Раджан розповідає, як організації охорони здоров’я можуть рухатися за межі ізольованих пілотних проектів зі штучним інтелектом до інтелект-орієнтованої допомоги, чому контекстна інженерія виникає як критичний фундамент для штучного інтелекту охорони здоров’я, і що потрібно для будівництва надійних, масштабованих систем, які можуть підтримувати наступне покоління допомоги пацієнтам.

Ви маєте десятилітній досвід керівництва великомасштабними ініціативами цифрової трансформації. Як це сприяло вашому погляду на те, чому трансформація охорони здоров’я унікально складна?

Трансформація охорони здоров’я унікально складна, оскільки немає єдиної визначення успіху. Клінічні результати, точна оплата та платежі, доступ, вартість та досвід часто тягнуть у різні боки. На відміну від інших секторів, охорона здоров’я обмежена клінічним ризиком, регуляторним контролем та етичною відповідальністю. Моди викидання вимірюються результатами пацієнтів, а не витоком доходу.

Саме тут контекстна інженерія стає фундаментальною: дисципліна структуризації інформаційного середовища, в якому діє штучний інтелект, так що виходи клінічно точні, осведомлені про робочий процес та готові до дотримання нормативних вимог з самого початку. Масштабування вимагає системного мислення по всьому ланцюгу цінності, а не цифровізації ізольованих функцій. Охорона здоров’я вимагає глибокої контекстуалізації робочих процесів, семантики даних по клінічних, страхових та пристроїв даних, а також складних шляхів дотримання нормативних вимог. Платформи, такі як Knewron, побудовані саме на цьому принципі, рухаючись за межі загального штучного інтелекту до впровадження контекстно-специфічного контексту на рівні архітектури.

Ця складність посилюється фрагментованими екосистемами, що включають страховиків, постачальників, компанії MedTech та організації наук про життя. Кожен з цих гравців діє в різних системах, стимулах та стандартах даних. Те, що здається технологічною проблемою на поверхні, майже завжди є проблемою контексту та узгодженості під ним.

В кінцевому підсумку успіх трансформації залежить не тільки від модернізації технологій, але й від інженерії довіри. Ми повинні активно інженерувати шар довіри у глобальну систему штучного інтелекту охорони здоров’я, проектуючи системи, яким клініцисти та регулятори можуть неявно довіряти в реальних умовах допомоги. Контекстна інженерія є механізмом, який робить цю довіру можливою. Коли штучний інтелект розуміє повний клінічний та оперативний контекст рішення, він систематично здобуває цю довіру, а не випадково.

Ви описали охорону здоров’я як галузь, що досягла точки інфлексії. Які конкретні сили рухають цей зсув прямо зараз?

Точка інфлексії, яку ми зараз переживаємо, рухається не технологічною новизною, а оперативним стресом. Тиск витрат, вихід клініцистів та гостра нестача працівників змушують системи охорони здоров’я переглянути свої операційні моделі цілком, а не просто цифровізувати існуючі. Ручні процеси більше не масштабуються, особливо у сфері страхових виплат, оплати та клінічних операцій, саме тому штучний інтелект агресивно вводиться у виробничі середовища.

Але введення штучного інтелекту у виробництво – це тільки половина рівня; інша половина – забезпечення того, щоб штучний інтелект працював з правильним контекстом. Без контекстної інженерії штучний інтелект у клінічних та оперативних робочих процесах ризикує генерувати виходи, які технічно правильні, але клінічно чи адміністративно неправильно сформовані.

Паралельно регуляторні сили, такі як правила взаємодії CMS, прозорість цін та цифрові заходи якості, зобов’язують ліквідність даних та прискорюють модернізацію. Прийняття хмарних технологій перетнуло поріг зрілості, що робить можливим модернізацію підприємства та розгортання штучного інтелекту, готового до дотримання нормативних вимог. Штучний інтелект тепер повністю узгоджений із готовністю охорони здоров’я, оскільки у нас нарешті є цифрові робочі процеси, багаті активи даних та чіткі рамки відповідальності, ніж у попередніх технологічних хвилях.

Що було відсутнє до цього часу, це зв’язуюча тканина між сирими активами даних та значимою дією штучного інтелекту, і ця зв’язуюча тканина – контекст. Ми бачимо чіткий ринок, який вимагає рішень, спеціально побудованих для того, щоб допомогти організаціям охорони здоров’я перетворити цей оперативний стрес у вимірювані ефективності.

Охорона здоров’я давно відстає у сфері цифровізації порівняно з іншими галузями. Що змінилося, щоб зробити розгортання штучного інтелекту у великих масштабах можливим сьогодні?

Штучний інтелект тепер масштабується, оскільки організації охорони здоров’я вчаться кодифікувати політику, клінічні рекомендації та логіку операцій, а не засвоювати великі об’єми даних. Фундаментальна зміна полягає у переході від моделей, які інтерпретують сирі відомості, до систем, які виконують програмовані знання з суворим наглядом. Саме це забезпечує контекстна інженерія, рухаючись від пасивної інтерпретації до активної, керованої виконавчої діяльності шляхом структуризації середовища знань, в якому діють моделі.

Основний тертя було суттєво зменшено завдяки широкому прийняттю FHIR, HL7, хмарно-родних платформ даних та архітектур, орієнтованих на події. Організації охорони здоров’я все частіше визнають, що штучний інтелект повинен бути вбудований у робочі процеси, а не існувати як самостійні панелі управління. Штучний інтелект, осведомлений про робочий процес, є ключем до забезпечення цього, забезпечуючи системи, які розуміють семантику робочого процесу та забезпечують дієві результати.

Інструменти, такі як MLOps, DevSecOps та автоматизація дотримання нормативних вимог, забезпечили безперервну перевірку, моніторинг та контрольоване повторне навчання. Ми бачимо чіткий зсув від експериментів до випадків використання, пов’язаних із цінністю, таких як пробіли у допомозі, попередня авторизація, цілісність страхових виплат, медична візуалізація та клінічна підтримка рішень. Цей масштаб можливий лише тоді, коли ми впроваджуємо надійні периліси та нагляд людини у цих оперативних робочих процесах.

Галузь додає робочі місця щомісяця, і це допомагає, оскільки штучний інтелект не розглядається як той, хто забирає робочі місця. Масштабований штучний інтелект допомагає спрямовувати інвестиції на краще результати для пацієнтів та клініцистів.

Багато організацій залишаються в фазі пілотних проектів. Які ключові бар’єри перешкоджають штучному інтелекту рухатися у реальне оперативне використання в охороні здоров’я?

Штучний інтелект бореться за масштабування в охороні здоров’я, оскільки одночасно виникають кілька структурних реалій. Процеси охорони здоров’я рідко працюють у напрямку однієї мети; клінічні результати, вартість, доступ, досвід пацієнтів, точність оплати та довгостроковий ризик часто конкурують, включаючи постачальників, страховиків, регуляторів та пацієнтів. Визначення успіху складне, але важливе. Багато пілотних проектів терплять невдачу, оскільки вони не закріплені за чіткими, спільними метриками результатів. Структурований оперативний контекст допомагає解决ити цю проблему, кодифікуючи цілі, обмеження та пріоритети зацікавлених сторін заздалегідь, а не покладаючись на моделі, щоб вивести їх з сирих даних.

Іншим бар’єром є вартість та зусилля анотації та перевірки. Масштабування вимагає безперервної участі клініцистів та експертів із циклу оплати, час яких обмежений і дорогий, і часто недооцінюється під час пілотних фаз.

Третім бар’єром є прогалини у управлінні та інтеграції. Пілотні проекти часто не мають аудитованості, контролю політики та нагляду людини, необхідних для високоризикових робочих процесів, що включають захищену інформацію про здоров’я. Крім того, помилки виникають пізно в реальних середовищах, особливо у сфері страхових виплат та оплати, де виходи не відповідають правилам страховиків чи очікуванням взаємодії. Фрагментовані технологічні екосистеми, включаючи старі системи, пропрієтарні платформи та нерівномірне прийняття HL7/FHIR, роблять інтеграції крихкими та складними для загальних рішень штучного інтелекту.

Масштабування успішно лише тоді, коли штучний інтелект узгоджується з реальними оперативними цілями, підтримується сильними фундаментами даних та проектується для складних робочих процесів. Зсув відбувається зараз до сфокусованих, орієнтованих на ланцюг цінності MVP, що націлені на високоефективні випадки використання з чіткою бізнес-цінністю та спонсорством виконавців, рухаючи розмову від експериментів зі штучним інтелектом до вимірюваних трансформацій процесів.

З точки зору систем, що виглядає сучасна архітектура штучного інтелекту охорони здоров’я, особливо у сфері трубопроводів даних, взаємодії та хмарної інфраструктури?

Архітектура, готова до штучного інтелекту, – це та, де виконання політики, перевірка та ескалація вкладені безпосередньо у робочі процеси, а не керуються зовні як післядум. Вона вимагає уніфікованих хмарно-родних платформ даних, які засвоюють дані про страхові виплати, електронні медичні записи, медичну візуалізацію, дані пристроїв та оперативні дані у високо керованих шарах.

Ми повинні пріоритезувати стандартизовану взаємодію, використовуючи FHIR, HL7, SMART на FHIR та DICOM, підтримувану спеціалізованими двигунами перевірки. Там має бути чітке розділення проблем по всьому інгестії, обробці, аналітиці, службах штучного інтелекту та керувальних шарах. Контекстна інженерія знаходиться на перетині цих шарів; це дисципліна, яка з’єднує сирі засвоєні дані з керованими, семантично збагаченими входами, на які можуть діяти служби штучного інтелекту з точністю та відповідальністю.

Вбудований захист є непереговорним, охоплюючи RBAC, шифрування, управління згодою, спадковість та аудитні сліди. Успіх архітектури в кінцевому підсумку вимірюється тим, чи системи безпечно відмовляються, а не складністю компонентів. Кодуючи рамки, такі як HIPAA та GDPR, безпосередньо у рівень виконання, ми будемо архітектурну довіру, необхідну для глобального розгортання.

Як організації обробляють обробку даних у реальному часі та інтеграцію по всім електронним медичним записам (EHR), медичним пристроям та платформам страховиків для забезпечення прийняття рішень на основі штучного інтелекту?

Обробка даних у реальному часі має значення лише тоді, коли ідеї виникають всередині робочих процесів клініцистів та операторів, а не вниз за течією у вторинних панелях управління. Основна проблема полягає у керуванні варіативністю та винятками, а не просто у фокусуванні на пропускній здатності даних. Організації звертаються до цього через middleware, який нормалізує та збагачує дані перед споживанням штучним інтелектом, а нештовхаючи сирі потоки вниз за течією.

Саме тут контекстна інженерія грає критичну роль. Система повинна структуризувати вхідні дані з EHR, медичних пристроїв та платформ страховиків у узгоджений контекстний фундамент, забезпечуючи, щоб входи штучного інтелекту були семантично узгоджені з конкретним клінічним або оперативним рішенням. Це забезпечує тісну інтеграцію з робочими процесами EHR, дозволяючи ідеям з’являтися в пункті допомоги.

Що ще важливіше, це робить інтеграцію значимою, а не просто технічною, забезпечуючи виходи, які відображають не тільки дані, але й клінічні рекомендації, правила страховиків та обмеження робочого процесу, актуальні для кожного пацієнта та зустрічі. Фокус полягає у перехопленні робочого процесу в потрібний момент та надання дієвих підтримок без порушення існуючих оперативних ритмів.

Які найбільші технічні виклики при розгортанні моделей штучного інтелекту в клінічних середовищах, особливо щодо перевірки моделей, моніторингу та керування дрейфом?

Найбільшою викликом є не тільки зниження точності, а й необачне поширення помилок по міжз’єднаних робочих процесах. Контекстна інженерія служить першою лінією захисту, структуризуючи середовище знань, в якому діють моделі. Система повинна перевірити входи на клінічну та оперативну узгодженість до початку дії штучного інтелекту, зменшуючи помилки в джерелі.

Перевірка повинна виходити за рамки автоматичних метрик та включати людську переінтерпретацію, забезпечуючи виходи, які відображають реальну клінічну значимість, а не тільки статистичну продуктивність. Цей підхід засновує оцінку моделей на фактичних клінічних та адміністративних результатах, а не на абстрактних бенчмарках.

Дрейф моделі також повинен бути активним керуванням, оскільки популяції пацієнтів, клінічні рекомендації та поведінка змінюються. Це вимагає безперервного моніторингу, пов’язаного з реальними зворотними зв’язками, з контрольними точками, вкладеними для виявлення дрейфу щодо клінічної значимості, узгодженості правил страховиків та узгодженості робочого процесу.

У кінцевому підсумку успіх залежить від балансу між адаптивністю та суворими регуляторними очікуваннями. Розгортання штучного інтелекту в клінічних та SaMD-середовищах вимагає сильного шару довіри, який забезпечує периліси, викликає людський огляд та забезпечує контрольоване повторне навчання до того, як будь-який вплив досягне допомоги пацієнтам.

Як ви підходите до будівництва пояснюваності та аудитованості у системи штучного інтелекту, які використовуються в регульованих середовищах охорони здоров’я?

Пояснюваність існує, щоб люди могли оскаржувати, скасовувати та вивчати виходи штучного інтелекту, а не просто розуміти їх. Контекстна інженерія робить цю оскаржуваність структурною, а не поверхневою, кодифікуючи клінічні рекомендації, правила політики та логіку операцій безпосередньо у середовище штучного інтелекту. Як результат, кожен вихід можна простежити до контекстних входів, які сформували його, а не розшифрувати після факту.

Аудитованість, подібно, повинна створювати інституційну пам’ять, а не служити післядумом щодо дотримання нормативних вимог. Це досягається шляхом використання політики як коду для вкладення організаційних та регуляторних правил безпосередньо у потоки виконання,扱уючи рамки, такі як HIPAA та керівні принципи CMS, як керуючі входи з самого початку, а не зовнішні перевірки, застосовувані пізніше.

Крім того, незмінні журнали та аудитні сліди є необхідними для підтримки регуляторного нагляду та клінічної довіри. Система повинна захопити не тільки те, яке рішення було прийнято, але й повний контекст, включаючи дані, обмеження та стан робочого процесу, який сформував його.

По всьому цьому нагляд людини залишається необхідним вимогам для високоризикових або необоротних клінічних рішень. Будівництво цього прозорого шару довіри забезпечує, що коли регулятор або клініцист запитують, чому система штучного інтелекту зробила певну рекомендацію, відповідь є негайно доступною та обґрунтованою.

З ростом агентних та автономних систем, які заходи безпеки потрібні для забезпечення надійності та запобігання необачним результатам у клінічних робочих процесах?

У сфері охорони здоров’я агентні системи цінні лише тоді, коли автоматичні межі явні та оборотні. Контекстна інженерія допомагає визначити ці межі, структуризуючи оперативний обсяг, клінічні обмеження та логіку ескалації у середовище, забезпечуючи, щоб автономність діяла в керованому рамках, а не покладалася на моделі для саморегуляції.

Це вимагає автономності з відповідальністю, включаючи чіткі визначення ролей, шляхи ескалації та детермінічні контрольні точки, вкладені у поведінку агентів. Система повинна забезпечити, щоб агенти діяли в клінічно та оперативно затверджених межах, які архітектурно забезпечені, а не тільки визначені політикою.

Це також вимагає безперервного моніторингу поведінки агентів, якості рішень та необачних взаємодій. Ми впроваджуємо політично-керовані обмеження, які запобігають агентам діяти поза їхнім затвердженим клінічним або оперативним обсягом. Для клінічних робочих процесів нагляд людини є фундаментальним принципом дизайну, а не механізмом резерву.

Як ми рухаємося до оркестрованої агент-агент взаємодії, ці агенти повинні діяти строго в керованих, кодифікованих рамках, щоб забезпечити надійність.

Оглядаючи вперед, що таке інтелект-орієнтована допомога для пацієнтів за наступне десятиліття?

Наступне десятиліття побачить, як штучний інтелект зменшить тертя перед тим, як трансформувати допомогу, починаючи з адміністрації, координації та підтримки рішень. Інтелект-орієнтована допомога успішна, коли клініцисти довіряють замовчуванням, але твердо зберігають свою владу. Штучний інтелект стає оркестратором по всьому континууму допомоги, передбачаючи потреби, а не просто реагуючи на події.

Контекстна інженерія забезпечує цей зсув, структуризуючи клінічні, страхові та оперативні дані так, щоб штучний інтелект міг діяти по всьому континууму з глибиною, необхідною для надійної дії, а не тільки передбачуваної інтуїції. Це підтримує більш персоналізовану, безперервну та контекстно-чутливу допомогу по всьому континууму.

Фраза “контекстно-чутливий” є оперативною, і це не випадково. Доставляння真正ньо персоналізованих шляхів допомоги у великих масштабах вимагає, щоб системи штучного інтелекту успадкували глибокі контекстні знання клінічної історії пацієнта, середовища страховика та умов допомоги. Клініцисти будуть підтримані копілотами та інтелектом рішень, суттєво зменшуючи їх когнітивне та адміністративне навантаження.

З часом системи охорони здоров’я будуть еволюціонувати у системи навчання, покращуючи безперервно, оскільки дані, моделі та реальні зворотні зв’язки накопичуються. Будівництвом надійного шару довіри сьогодні ми закладаємо оперативний фундамент для цього безтеричного майбутнього.

Дякуємо за детальні відповіді, читачам, які бажають дізнатися більше, слід відвідати CitiusTech.