拉詹·科利，CitiusTech 首席执行官 – 采访系列：回归对话

拉詹·科利 是 CitiusTech 的首席执行官，负责公司的全球战略、增长和在医疗保健和生命科学领域加速创新。他是一位拥有超过三十年经验的资深技术高管，曾领导过大规模的数字化转型项目，涉及医疗保健、工程、云计算现代化、数据平台和人工智能。自从他接任 CitiusTech 首席执行官以来，他专注于帮助医疗保健组织超越数字化转型，向由人工智能、互操作性和高级分析驱动的智能运营模式转变。

CitiusTech 是一家领先的医疗保健技术服务、咨询和数字解决方案提供商，服务于全球医疗保健提供者、支付者、医疗技术公司和生命科学组织。该公司专门从事医疗保健数据平台、互操作性、云计算现代化、数字工程、分析和人工智能。随着医疗保健组织越来越多地尝试在大规模上运用人工智能，CitiusTech 将其重点转向建设智能医疗保健系统，结合可信的数据基础、治理、互操作性和工作流感知人工智能。通过诸如 Knewron 和其更广泛的人工智能和数据生态系统等解决方案，CitiusTech 帮助组织将分散的医疗保健运营转变为连接的、上下文感知的环境，从而提高效率、决策和患者结果。

本次采访是对我们之前与拉詹·科利的对话的续篇，我们在之前的对话中探讨了生成式人工智能、互操作性、医疗保健数据现代化和医疗保健生态系统中的数字化转型的日益重要作用。自那时以来，该行业已经迅速从尝试人工智能转向在生产环境中部署人工智能，围绕治理、信任、可解释性和运营规模的新挑战应运而生。在本次讨论中，拉詹分享了医疗保健组织如何超越孤立的人工智能试点，转向智能驱动的护理，为什么上下文工程正在成为医疗保健人工智能的关键基础，以及建设可信的、可扩展的系统以支持下一代患者护理需要什么。

您拥有数十年的领导大规模数字化转型项目的经验。这种经历如何塑造您对医疗保健转型的复杂性的看法？

医疗保健转型之所以独特地困难，是因为没有单一的成功定义。临床结果、准确的计费和支付、可及性、成本和体验往往朝着不同的方向拉扯。与其他行业不同，医疗保健受到临床风险、监管审查和道德责任的约束。故障模式以患者结果为衡量标准，而不是收入损失。

这就是上下文工程成为基础的原因：结构化信息环境的学科，使人工智能的输出从一开始就临床准确、工作流感知和合规。扩展需要跨价值链进行系统思考，而不是数字化孤立的功能。医疗保健需要对工作流、数据语义（包括临床、索赔和设备数据）以及复杂的合规路径进行深入的上下文化。像 Knewron 这样的平台正是建立在这一原则之上的，超越了通用人工智能，嵌入域特定上下文到架构层面。

这种复杂性被医疗保健生态系统的碎片化所放大，涉及支付者、提供者、医疗技术和生命科学。每个参与者都在不同的系统、激励机制和数据标准下运作。表面上看似技术问题，实际上往往是上下文和连贯性问题。

最终，转型的成功取决于信任工程，而不仅仅是技术现代化。我们必须积极地将信任层融入全球医疗保健人工智能中，设计出临床医生和监管机构可以在现实世界的护理环境中信任的系统。上下文工程是使这种信任成为可能的机制。当人工智能理解决策的完整临床和运营上下文时，它会系统地赢得信任，而不是偶然地赢得信任。

您将医疗保健描述为达到一个转折点。目前有哪些具体力量推动着这一转变？

我们目前正在经历的转折点是由运营压力驱动的，而不是技术新颖性。成本压力、临床医生倦怠和严重的劳动力短缺迫使医疗保健系统重新思考其运营模式，而不是仅仅数字化现有的模式。手动流程不再可扩展，特别是在索赔、计费和临床运营中，这就是为什么人工智能被激进地推入生产环境的原因。

但是，将人工智能推入生产环境只是等式的一半；另一半是确保人工智能以正确的上下文运作。没有上下文工程，人工智能在临床和运营工作流中风险生成输出，输出在技术上正确但在临床或行政上不一致。

同时，监管力量，如 CMS 互操作性规则、价格透明度和数字质量措施，正在强制数据流动性并加速现代化。云采用已经跨越了成熟度门槛，使企业规模的现代化和合规人工智能部署成为可能。人工智能现在完全与医疗保健的准备就绪相一致，因为我们终于拥有了数字化工作流、更丰富的数据资产和更清晰的责任框架，而不是以前的技术浪潮。

迄今为止缺失的东西是原始数据资产和有意义的人工智能行动之间的连接组织，这种连接组织就是上下文。我们正在看到一个明显的市场需求，需要专门为帮助医疗保健组织将这种运营压力转化为可衡量的效率而设计的解决方案。

医疗保健长期以来一直在数字化方面落后于其他行业。今天什么因素使得人工智能的大规模部署成为可能？

人工智能现在可以扩展，因为医疗保健组织正在学习编纂政策、临床指南和运营逻辑，而不是消化大量数据。根本的转变是从解释原始信息的模型转变为执行可编程知识的系统，具有严格的监督。这种转变正是上下文工程所能实现的，通过结构化人工智能环境中的知识，使模型能够以精度和责任感来执行，而不是被动地解释。

基础的摩擦已经通过广泛采用 FHIR、HL7、云原生数据平台和事件驱动架构大大减少。医疗保健组织越来越多地认识到，人工智能必须嵌入工作流中，而不是作为独立的仪表板存在。工作流感知人工智能是实现这一目标的关键，确保系统了解工作流语义并驱动可执行的结果。

像 MLOps、DevSecOps 和合规自动化这样的工具已经使得持续验证、监控和受控重训成为可能。我们正在看到一个明显的转变，从实验转向价值链接的用例，例如护理差距、预授权、索赔完整性、图像和临床决策支持。这种规模只有当我们将强大的防护栏和人工在环监督直接嵌入这些运营工作流中时才是可能的。

该行业每月都在增加就业机会，这有所帮助，因为人工智能不被视为抢走工作。扩大的人工智能正在帮助为更好的患者和临床结果投资。

许多组织仍然停留在试点阶段。哪些关键障碍阻止人工智能在医疗保健领域转入真正的运营使用？

人工智能在医疗保健领域难以扩展，因为多个结构现实同时浮现。医疗保健流程很少朝着单一目标运作；临床结果、成本、可及性、患者体验、报销准确性和长期风险往往相互竞争，涉及提供者、支付者、监管者和患者。定义成功至关重要但复杂。许多试点失败是因为它们没有锚定在明确的共享结果指标上。结构化的运营上下文有助于通过提前编纂目标、约束和利益相关者优先级来解决这个问题，而不是依赖模型从原始数据中推断出来。

第二个障碍是注释和验证的成本和努力。扩展需要来自临床医生和收入周期专家的持续参与，他们的时间既有限又昂贵，往往在试点阶段被低估。

第三，治理和集成差距在扩展时变得更加明显。试点通常缺乏高风险工作流（涉及 PHI）所需的可审计性、政策控制和人工监督。此外，错误在现实世界环境中出现，特别是在索赔和计费中，输出未能满足支付者规则或互操作性期望。技术生态系统的碎片化，包括遗留系统、专有平台和不均匀的 HL7/FHIR 采用，使得集成变得脆弱，难以适应通用人工智能解决方案。

扩展只有当人工智能与真正的运营目标保持一致、得到强大的数据基础支持并为复杂工作流设计时才会成功。正在出现一种转变，人们正在转向专注的、价值链驱动的最小可行产品（MVP），针对具有明确业务价值和高层支持的高影响力用例，正在将对话从人工智能实验转向可衡量的流程转型。

从系统角度来看，现代人工智能就绪医疗保健架构是什么样的，特别是在数据管道、互操作性和云基础设施方面？

人工智能就绪架构是指政策执行、验证和升级直接嵌入工作流中，而不是作为事后补充来管理的。它需要统一的云原生数据平台，将索赔、EHR、图像、设备和运营数据摄取到高度受治理的层中。

我们必须优先考虑以 FHIR、HL7、SMART on FHIR 和 DICOM 为基础的标准化互操作性，并由专用的验证引擎支持。必须在摄取、处理、分析、人工智能服务和治理层之间有明确的关注点分离。上下文工程位于这些层的交叉点；它是连接原始摄取数据和人工智能服务可以精确和负责地执行的受治理和语义丰富的输入的学科。

内置安全性是不可协商的，涵盖 RBAC、加密、同意管理、血统和审计跟踪。架构的成功最终由系统是否安全地失败来衡量，而不是由组件的复杂性来衡量。通过将框架（如 HIPAA 和 GDPR）直接编码到执行层中，我们建立了所需的架构信任，以便进行全球部署。

组织如何处理电子健康记录（EHR）、医疗设备和支付平台的实时数据处理和集成，以实现人工智能驱动的决策？

实时处理只有当洞察力出现在临床医生和操作员的工作流中时才重要，而不是在下游的次要仪表板中。核心挑战是管理可变性和异常，而不是纯粹关注数据吞吐量。组织通过在人工智能消费之前对数据进行归一化和丰富来解决这个问题，而不是将原始源推送到下游。

这就是上下文工程发挥关键作用的地方。系统必须将来自 EHR、医疗设备和支付平台的传入数据结构化为一个连贯的上下文基础，确保人工智能输入与特定的临床或运营决策语义一致。这使得与 EHR 工作流的紧密集成成为可能，使得洞察力可以在护理点出现。

更重要的是，这使得集成变得有意义，而不仅仅是技术上的。这确保输出反映不仅仅是数据，还反映了与每个患者和遭遇相关的临床指南、支付者规则和工作流约束。焦点在于在正确的时刻拦截工作流，并提供可执行的支持，而不会破坏现有的运营节奏。

在临床环境中部署人工智能模型时，围绕模型验证、监控和漂移管理的最大技术挑战是什么？

最大的挑战不是准确性衰减，而是未被检测到的错误传播到相互连接的工作流中。上下文工程作为第一道防线，通过结构化人工智能操作的知识环境。系统必须在人工智能推理开始之前验证输入的临床和运营一致性，减少错误来源。

验证必须超越自动化指标，包括人工重新解释，确保输出反映实际的临床相关性，而不仅仅是统计性能。这一方法将模型评估建立在实际的临床和行政结果上，而不是抽象的基准。

模型漂移也必须被积极管理，因为患者人口、临床指南和行为会随着时间的推移而演变。这种方法需要与现实世界的反馈循环相关的持续监控，并且需要检查点来检测与临床相关性、支付者规则和工作流一致性相关的漂移。

最终，成功取决于平衡适应性与严格的监管期望。人工智能在临床和 SaMD 环境中的部署需要一个强大的信任层，这个信任层强制执行防护栏，触发人工审查，并确保在任何影响患者护理之前进行受控重训。

您如何在监管医疗保健环境中使用的人工智能系统中构建可解释性和可审计性？

可解释性是为了让人类能够对人工智能输出提出异议、覆盖和学习，而不仅仅是理解它们。上下文工程使这种可争议性变得结构化，而不是表面上的。通过将临床指南、政策规则和工作流逻辑直接编码到人工智能环境中，每个输出都可以追溯到形成它的上下文输入，而不是事后逆向工程。

可审计性类似地必须创建机构记忆，而不是作为合规事后补充。通过使用政策即代码将监管和组织规则直接嵌入执行流中，框架如 HIPAA 和 CMS 指南被视为从一开始就有的管理输入，而不是稍后应用的外部检查。

此外，不可变的日志和审计跟踪对于支持监管监督和临床信任至关重要。系统应捕获不仅是做出的决定，还有形成该决定的完整上下文，包括数据、约束和工作流状态。

在所有这些方面，高风险或不可逆转的临床决策中的人工在环监督仍然是一个基本要求。构建这种透明的信任层确保当监管机构或临床医生询问人工智能系统为什么做出特定建议时，答案是立即可用且有理有据的。

随着代理式和自主系统的兴起，为了确保可靠性和防止医疗工作流中意外结果，需要哪些保障措施？

在医疗保健中，代理式系统只有在自动化边界明确且可逆转时才有价值。上下文工程有助于通过将运营范围、临床约束和升级逻辑结构化到环境中来定义这些边界，确保自主性在受治理的框架内运作，而不是依赖模型自我调节。

这需要有责任感的自主性，包括明确的角色定义、升级路径和确定性检查点嵌入到代理行为中。系统必须确保代理在临床和运营上批准的边界内运作，这些边界是架构强制执行的，而不是仅仅由政策定义的。

它还需要对代理行为、决策质量和意外交互进行持续监控。我们实施了基于政策的约束，防止代理在其批准的临床或运营范围之外行事。对于临床工作流，人工在环是一个基本的设计原则，而不是一个回退机制。

随着我们向代理到代理的编排发展，这些代理必须在受治理的、编码的框架内运作，以确保可靠性。

展望未来，未来十年智能驱动的护理对患者来说到底是什么样的？

未来十年将会看到人工智能减少行政工作，而不是转变护理，从行政、协调和决策支持开始。智能驱动的护理成功是因为临床医生信任默认值，但仍然坚定地保持他们的权威。人工智能成为护理连续体的编排者，预测需求而不是简单地对事件做出反应。

上下文工程使这种转变成为可能，通过结构化临床、索赔和运营数据，使人工智能能够在整个连续体中推理，具有可靠行动所需的深度，而不仅仅是预测洞察。这种方法支持更个性化、连续和上下文感知的护理路径，跨越环境。

“上下文感知”这个短语是关键的，并且不是偶然的。为了在规模上提供真正个性化的护理路径，人工智能系统必须继承每个患者的临床史、支付环境和护理环境的深入上下文知识。临床医生将得到合作者和决策智能的支持，从而大大减轻他们的认知和行政负担。

随着时间的推移，医疗保健系统将会演变成学习系统，随着数据、模型和现实世界反馈的积累而不断改进。通过今天构建强大的信任层，我们为这种无缝的未来奠定了运营基础。

感谢您详细的答案，希望了解更多的读者可以访问 CitiusTech。