Andrew Ray, Chief Product a inovací Officer ve společnosti Ensemble – Interview Series

Andrew Ray, Chief Product a inovací Officer ve společnosti Ensemble, přináší hluboké zkušenosti z oblasti zdravotnických financí, operací revenue cycle, produktové strategie a inovací. Ve společnosti Ensemble vede produktové, provozní a inovační iniciativy, včetně partnerství Rev Cycler s Epic. Jeho pozadí zahrnuje transformaci zdravotnických poskytovatelů a strategický růst ve společnosti McKinsey & Company, vedení revenue cycle ve Stanford Children’s Health a dříve poradenské role ve zdravotnictví ve společnosti EY a Triage Consulting Group, což mu dává silný základ jak v operativní realizaci, tak v technologicky podporované transformaci zdravotnictví.

Ensemble Health Partners je společnost pro správu revenue cycle ve zdravotnictví, která spolupracuje s nemocnicemi, zdravotnickými systémy a praktikami lékařů, aby zlepšila finanční výkon, zkušenosti pacientů a provozní efektivitu. Společnost poskytuje komplexní podporu RCM v oblastech, jako je zapojení pacientů, kódování, správa nároků, prevence zamítnutí, výkon plátce a vyřešení účtů, a to pomocí AI-driven rozhodování, automatizace, analýz a platformy EIQ pro inteligenci revenue cycle, aby pomohla poskytovatelům snížit tření a urychlit úhradu. Ensemble také uzavřela partnerství s Epic prostřednictvím programu Rev Cyclers a rozšířila svou spolupráci s Microsoft Azure generativní AI a strojovým učením, aby pokročila v AI-podporovaných operacích revenue cycle.

Jaké konkrétní nedostatky v tradičních pracovních postupech RCM vás přesvědčily o nutnosti speciálně vytvořeného LLM? 

Zdravotnické systémy fungují s maržemi 2% až 4%, zatímco počáteční míra zamítnutí stoupá na 12% až 15%. To je bod zlomu, který ukazuje, že tradiční přístupy k revenue cycle nevyřešily základní problém a že je zapotřebí fundamentálně odlišný přístup. Tento tlak ovlivňuje každou část organizace, od personálu po investice do technologií a kapacity péče.

Většina řešení se nezaměřuje na celý systém jako celek. Organizace tak zůstávají s fragmentovanými nástroji, izolovanými daty a nesouvisející činností, která závisí na spojení kontextu prostřednictvím inženýrství promptů na obecných modelech.

Tento přístup je pomalejší, dražší, méně konzistentní a obtížněji spravovatelný v měřítku.

Speciálně vytvořený model mění tuto situaci tím, že přináší historická a reálná data do řízené platformy. Může předpovídat chování plátce, odhalovat relevantní inteligenci, pomáhat snižovat zamítnutí a fungovat v souladu s právními a auditovatelnými prostředími.

Změnilo něco vaši perspektivu na obecné AI versus speciálně vytvořené modely od vašeho předchozího psaní? 

Naše pokračující vývoj a nasazení komplexní AI orchestrace napříč revenue cycle dále posílilo, kde vynikají hranice LLM a kde existují významné mezery, které řešíme pomocí speciálně vytvořených modelů.

Hranice LLM fungují dobře s klinickým rozhodováním, ale investujeme značně do poskytování kontextu a odborných znalostí od našich lékařů a zdravotních sester, kteří mají desetiletí zkušeností s mostem mezi klinickou a administrativní částí zdravotnictví. To se ukazuje jako mocná kombinace, která dodává výjimečné výsledky tím, že vkládá tyto AI řešení do expertního prostředí.

Široké modely nadále narážejí na realitu regulovaných prostředí revenue cycle a nedostatek trénovacích dat pro navigaci v jemných procesech revenue cycle. Jinými slovy, off-the-shelf AI identifikuje prostředek k odpovědi, ale často postrádá jemnost pro dodávání inteligence a procesů, které vedou k výsledkům a špičkovým výkonům.

Adaptace obecných modelů stále produkuje nekonzistenci, slabou správu a omezenou schopnost zvládat jemnost. To je strukturální omezení, ne otázka nástrojů.

Ensemble buduje kapacity a přepracovává procesy a data, aby dodávala výsledky – prevenci zamítnutí, zlepšenou zapojení pacientů a přístup ke zdravotní péči a zlepšenou péči v souladu s plátci.

Jaké jsou nejkritičtější omezení inženýrství promptů vrstveného na obecné modely v operacích RCM? 

Slib AI ve revenue cycle není jen o aplikaci obecného modelu na úkoly ve zdravotnictví — je to o tom, zda AI skutečně rozumí doméně. Omezení inženýrství promptů na základní modely spočívá v tom, že dosáhnete schopných obecných schopností, které projdou testem rozumnosti na povrchu, ale postrádají jemnost potřebnou pro dodávání špičkových výkonů, které neustále adaptují a zlepšují. ‘Medicínská nezbytnost’ znamená něco jiného pro národního komerčního plátce než pro Medicare MAC, a tento rozdíl určuje finanční výkon. Model školený na otevřeném internetu to neví, prompting může uzavřít některé z těchto mezer, ale postrádá úplnou a přesnou kontextuální jemnost.

Statické modely prompt-inženýrství nemohou se učit, když plátce potichu změní své rozhodovací chování, když se objeví nový vzorec zamítnutí nebo když strategie odvolání, která fungovala minulý čtvrtletí, přestane fungovat. V Ensemble jsme vybudovali uzavřenou zpětnou smyčku, která promění každý výsledek nároku na inteligenci — protože sedíme v centru revenue cycle napříč stovkami zdravotnických systémů a plátci, v měřítku, které žádný jednotlivý poskytovatel nemůže interně replikovat.

Co jsme zjistili, je, že skutečný příkop v AI-podporovaných RCM není model — je to data a odbornost zakódovaná do něj. Strávili jsme roky operacionalizací toho, co naši nejlepší specialisté na zamítnutí, kodéry a experti na plátce dělají, aby dosáhli špičkových výsledků. To nelze vstřikovat do systému prompt — musí to žít v tom, jak byl model trénován, proti čemu je vyhodnocen a jak je integrován do pracovního postupu.

Transformace AI ve zdravotnickém revenue cycle se rozdělí do dvou táborů: organizací, které používají AI jako produktivní vrstvu nad stávajícími procesy, a organizací, které přestavily inteligenci do procesu samotného. Ensemble je pevně ve druhém táboře — a pro zdravotnické systémy pod tlakem marží je toto rozlišení rozdíl mezi inkrementálním zlepšením a transformací.

Jak vypadá strop přesnosti systémů s prompt-heavy v praxi při řešení pravidel plátce a vícekrokových pracovních postupů? 

Strop se projeví jako nekonzistence v bodech, kde výkon revenue cycle závisí na přesnosti. Není to jen o surové přesnosti. Je to o spolehlivosti v reálných provozních podmínkách.

Systémy s prompt-heavy se snaží zavést logiku revenue cycle v době inference tím, že zavádějí kontext do každé žádosti. To může fungovat v jednodušších scénářích, ale rozpadá se u chování plátce, regulační jemnosti a vícekrokových závislostí.

Výstupy mohou být směrově správné, ale nejsou dostatečně spolehlivé pro denní operace.

S rostoucí složitostí se zvyšují náklady a klesá koherence, vedoucí k mezerám v sekvencování, zmeškaným závislostem a ztrátě kontextu napříč kroky.

To je důvod, proč se zaměřujeme na modely založené na skutečných provozních datech a zabudované přímo do činnosti revenue cycle, spíše než rekonstruovat kontext na vyžádání.

Vidíte, že AI plátce a AI poskytovatele se vyvíjí do zbrojního závodu, a jak by měly zdravotnické systémy reagovat? 

Zbrojní závod není plným popisem toho, co se děje. Oba plátci a poskytovatelé rychle aplikují AI napříč předautorizací a zpracováním nároků. Ve mnoha případech to zvyšuje tření spíše než ho snižuje a může vést k interakcím automatizovaných systémů bez řešení.

AI samo o sobě nevyřeší fragmentované operace revenue cycle. Použité na fragmentaci, může problém zhoršit. Silnější odpovědí je přesunout se z reaktivních na proaktivní operace. To vyžaduje viditelnost napříč celým revenue cycle, silnější základnu dat a schopnost předpovídat chování plátce, identifikovat riziko dříve a řešit problémy před podáním.

Když organizace fungují s touto úrovní koordinace a vhledu, dynamika se mění z tření na lepší výkon. Dosahujeme skutečných výsledků, a to tak, že snižujeme tření a urychlujeme soulad s plátci na každém kroku — s AI přepracovanou na každém kroku.

Jak zajišťujete, aby model trénovaný bez identifikovatelných údajů pacientů stále zachytil reálnou složitost? 

Absence identifikovatelných údajů pacientů neznamená absenci reálné složitosti.

Správa 80 milionů transakcí ročně, Ensemble sjednotila více než dvě petabyty poskytovatele, plátce a klinických dat do AI-připraveného aktiva. Tato základna odráží, jak revenue cycle hoạtnost skutečně funguje v měřítku, včetně odborných znalostí, chování plátce a vzorců zamítnutí, a odemyká prediktivní modelování, reálné přehledy a agentic AI pracovní postupy, které pomáhají chránit poskytovatele proti zpožděním plateb a zamítnutím.

Používáme vysoce kvalitní syntetická a deidentifikovaná data z certifikovaných zdrojů v HIPAA-kompatibilním prostředí. Tato data zachovávají strukturu, variabilitu a hraniční případy přítomné v reálných scénářích.

Neduplikujeme EHR. Přistupujeme k EHR-nativní, přidáváme inteligenci tam, kde je to nejvíce potřeba, zejména v oblastech spojených s požadavky plátce a rozhodnutími, která leží mimo EHR.

Tento přístup doplňujeme světovými experty (MD, zdravotními sestrami, operátory revenue cycle), kteří poskytují nuanci a odborné znalosti, které AI a data dosud nemohou nezávisle dosáhnout.

Tento přístup zachovává reálnou složitost, směřuje k výsledkům a výkonu, zatímco chrání soukromí pacientů.

Jak překládáte lidské rozhodování a pracovní postupy do něčeho, co může model spolehlivě naučit a vykonat? 

Co to funguje, je hloubka odborných znalostí za tím. Překládání toho do našeho modelu není o aproximaci odborných znalostí. Je to o zachycení, jak zkušené týmy skutečně pracují.

Školíme na skutečných úkolech revenue cycle a strukturalizujeme systém kolem pravidel, závislostí a vzorců, které operátoři používají každý den. Nejúčinnější systémy kombinují multiple vrstvy inteligence. Deterministické logiky podporují kroky, které musí zůstat konzistentní, jako je ověření a kontrola politik. Prediktivní modely hodnotí riziko, jako je pravděpodobnost zamítnutí. Reasoning modely řeší složitost, včetně interpretace a generace narativu.

Každá vrstva snižuje nejistotu a odráží, jak fungují high-performing týmy v praxi.

Co vypadá komplexní orchestrace od pacienta k vyřešení účtu? 

Komplexní orchestrace znamená přesunout se z izolovaného podpory úkolů na systém, který funguje napříč celým klinicko-finčním cyklem.

Začíná u pacienta, podporuje přesnou zachycení dat, ověření způsobilosti a požadavky na autorizaci v reálném čase, aby se předešlo pozdějším problémům.

Jakmile se dokumentace a kódování utvoří, systém alignuje aktivitu s očekáváním plátce a identifikuje riziko brzy. Během fakturace a rozhodování monitoruje chování plátce, nuance smluv a potenciální podplácení.

Když nastanou problémy, systém spojuje výsledky s kořenovými příčinami a poskytuje vhled upstream.

Dnes mnoho organizací spoléhá na 15 až 30 různých bodových řešení napříč revenue cycle. Každé z nich zlepšuje konkrétní oblast, ale nedozví se společně. Mezery mezi funkcemi umožňují, aby únik revenue trval.

Orchestrace spojuje toto dohromady prostřednictvím sjednocených dat, koordinované revenue cycle aktivity a jasnou odpovědností, vytváří kontinuální učící se systém napříč celým cyklem.

Kde současné EHR selhávají, a jak váš přístup rozšiřuje jejich schopnosti bez narušení stávající infrastruktury? 

EHR jsou základem. Slouží jako systém záznamu pro klinická a finanční data.

Nebyly navrženy tak, aby fungovaly jako systémy inteligence pro operace revenue cycle.

Mezera je v propojení kontextu napříč revenue cycle. Zatímco EHR ukládají a organizují informace, neinterpretují chování plátce, nepředpovídají zamítnutí nebo nevedou uživatele skrz složitou, vícekrokovou aktivitu, která přesahuje jejich hranice.

Velká část práce vyžadované pro správu požadavků plátce a výjimek se odehrává mimo EHR, což je místo, kde se vyvíjí fragmentace.

Náš přístup doplňuje EHR, spíše než ho nahrazuje. Pracujeme v existing prostředích, přidáváme inteligenci do oblastí, kde se skutečně děje práce.

To umožňuje snížit administrativní zátěž, zlepšit přesnost a pomoci týmům soustředit se na vyšší hodnotovou aktivitu, aniž by vyžadovaly změny jádrové infrastruktury.

Jak vidíte vývoj revenue cycle v příštích pěti letech, a jakou roli budou hrát lidské operátoři? 

V příštích pěti letech se operace revenue cycle posunou z reaktivních a pracovně náročných na proaktivní a koordinované.

Méně úsilí bude vynaloženo na rework, jako jsou odvolání a následné kroky, a více se bude soustředit upstream na prevenci. Zamítnutí a podplácení budou stále více identifikovány dříve, zlepšují se tak náklady a finanční předpovědi.

Tento posun rozšiřuje příležitosti pro pracovní sílu. Dnes je příliš mnoho kvalifikované práce vázané na opakující se úkoly. Jak automatizace snižuje tuto zátěž, týmy se mohou soustředit na správu výjimek, procesní zlepšování, strategické rozhodování a péči o pacienty.

Role nezmizí. Evoluční. Lidská odbornost se nezmenšuje. Stává se ještě kritičtější a centrálnější pro celkový výkon revenue cycle.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Ensemble Health Partners.