访谈
Rinova 的 CEO 和联合创始人 Rihan Javid 博士 – 采访系列
Rihan Javid 博士 是 Rinova AI 的 CEO 和联合创始人，他是一位专注于通过人工智能现代化医疗保健运营的医务执行官和企业家。除了领导 Rinova 之外，他还是 Edge 的联合创始人和总裁，Edge 为保险、医疗和牙科诊所提供远程工作场所基础设施解决方案。作为一位精神病医生，他目前担任 CommonSpirit Health 和 St. Joseph’s Behavioral Health Center 的医疗主任和首席医疗官，同时还在 Touro University Medical Group 担任临床职务。他的之前的经历包括在 The Permanente Medical Group, Inc. 实习精神病学，并在 California Pacific Medical Center 和南佛罗里达大学完成了住院医师培训，之前他还曾担任法律招聘的负责人。
Rinova AI 是一家专注于人工智能驱动的收入循环管理和医疗计费自动化的医疗技术公司。该平台旨在通过自动化关键流程（如保险核实、编码优化、索赔提交和拒绝管理）来减少医疗服务提供者的行政负担。通过利用人工智能来简化工作流程和提高准确性，Rinan 旨在与传统的计费服务相比，提供显著的成本节约，同时加快报销速度并提高医疗组织的财务表现。
您在 2021 年联合创立了 Edge，在此之前您曾担任精神病医生和医疗主任。从人工智能的角度来看，您在计费工作流程中注意到哪些早期信号，例如分散的数据、不断变化的付款人规则或手动异常处理，这些信号使您相信自动化最终将变得不可避免？
当我执业和后来管理临床运营时，我看到计费中存在多少摩擦。数据存在于多个系统中，这些系统之间的通信不良。付款人的要求不断变化。员工花费数小时重新处理索赔，往往是由于可以预见的原因。
让我印象深刻的是重复。相同的错误，相同的拒绝模式，相同的文档差距。这些并不是罕见的、细致入微的问题。它们是反复出现的运营故障。在一定规模下，你会意识到让人们手动管理这种复杂性是不可持续的。这时就变得明显，自动化不是可选的，而是不可避免的。
当您几年后推出 Rinova AI 时，技术或数据方面发生了什么变化，使得人工智能可以应用于收入循环管理，并且可以可靠地运行于实时的付款人规则和现实世界的索赔复杂性之下？
发生了两件事。首先，数据环境得到了改善。电子健康记录、清算中心和计费平台之间的集成变得更加结构化。这为我们提供了更干净的输入和更强的反馈循环。
第二，技术成熟了。我们超越了简单的规则引擎。模型能够评估上下文，而不仅仅是检查框框。这使我们能够同时分析文档、编码和付款人逻辑，而不是分别分析。
这并不意味着计费突然变得简单。这意味着生态系统变得足够稳定，以至于人工智能可以可靠地运行。
收入循环管理传统上依赖于静态规则和拒绝后恢复。早期引入人工智能如何改变医院对财务风险和报销可预测性的思考方式？
传统上，收入循环团队接受一定程度的拒绝作为业务的一部分。工作始于某事出错后。
当人工智能被引入到上游时，目标从恢复转变为预防。你可以在提交之前识别文档差距或编码不匹配。这减少了报销的可变性。
医院开始更多地思考如何控制风险，而不是追求收入。这改变了预测、人员编制模型和董事会关于财务稳定的讨论。
人工智能系统通常在标准案例中表现良好，但在边缘案例中却苦苦挣扎。目前，在计费运营中，哪些类型的场景最适合自动化处理，而人工判断在哪里仍然起着至关重要的作用？
自动化在结构化、高容量任务中表现最佳。资格检查、授权验证、编码一致性和拒绝模式检测都是机器可以比人更快、更一致地处理的领域。
人工判断在边缘案例中仍然很重要。需要临床细微差别的上诉、合同纠纷、异常的付款人行为或复杂的患者场景都可以从经验和推理中受益。人工智能可以标记风险，但人类仍然解释灰色区域并做出最终决定。
Edge 将接受过医疗培训的收入循环团队嵌入到医院工作流程中，而 Rinova 则在上游自动化决策。您如何设计人工智能系统，以加强人类决策而不是引入新的运营风险？
我们将人工智能视为支持层，而不是替代品。系统提供推荐并解释其逻辑。我们的接受过医疗培训的团队仍然嵌入在工作流程中。
这种结构很重要。人工智能处理规模和模式识别。人类处理监督和问责。当这些角色明确时，您减少了风险，而不是增加风险。
目标是减少认知负担，而不是去除人类判断。
付款人政策经常变化，并不总是一致地执行。实时付款人情报如何重塑索赔提交、拒绝和持续模型改进之间的反馈循环？
付款人政策经常变化，执行也不总是一致。历史上，组织会定期更新规则，并希望它们是最新的。
通过实时反馈，每个拒绝和批准都成为一个数据点。模型从实际结果中学习，而不是静态假设。这缩短了政策变化和运营调整之间的差距。
随着时间的推移，这减少了意外拒绝并提高了提交准确性。这使系统更加适应性。
医院对影响现金流的人工智能系统自然会持谨慎态度。您认为医疗保健领导者在信任人工智能驱动的计费决策之前应该期待什么样的透明度或控制力？
领导者应该期待清晰度。他们应该了解为什么做出某个推荐。他们应该能够覆盖它。并且他们应该有一个清晰的审计跟踪记录。
收入循环直接影响现金流和合规性。信任来自于可见性和控制，而不是盲目自动化。在这个领域运行的人工智能系统需要满足这个标准。
收入循环团队的员工短缺通常被视为劳动力问题。从您的角度来看，问题有多少是真正根植于数据质量和工作流设计，而人工智能可以在哪里产生最大影响？
员工短缺是一个真实的问题，但其中很多问题都是由糟糕的工作流设计放大了。当团队大部分时间都花在纠正可预防的错误上时，倦怠增加，生产力下降。
如果您清理数据输入并减少可避免的拒绝，相同的团队可以更有效地运作。人工智能在消除重复性重做和标准化流程方面产生了最大影响。
通常，问题不仅仅是人数。它是摩擦。
随着人工智能被嵌入收入循环运营中，您如何看待未来几年收入循环团队的角色演变，特别是在监督、异常处理和治理方面？
我预计收入循环团队将变得更加战略性。他们将花费更少的时间处理重复性处理，更多的时间用于监督、复杂的上诉、付款人谈判和绩效分析。
随着自动化处理常规工作，人类团队将转向治理和优化。这提升了功能，而不是缩小它。
展望未来，您是否预计人工智能驱动的收入循环平台将成为医院的核心财务基础设施，而不是可选工具，以及这种转变将为面临持续利润率压力的组织带来什么？
是的。利润率压力不会消失。报销的可预测性将变得至关重要。
能够提高准确性和减少泄漏的人工智能驱动平台将从可选工具转变为基础设施。当现金流变得更加稳定时，医院可以更有信心地计划并更有意图地投资于患者护理。
这最终是我们关心的结果。
