Andrew Ray, Chief Product og Innovation Officer hos Ensemble – Interviewserie

Andrew Ray, Chief Product og Innovation Officer hos Ensemble, har dyb erfaring på tværs af sundhedsfinans, revenue cycle-operationer, produktstrategi og innovation. Hos Ensemble leder han produkt-, operationsforbedrings- og innovationsinitiativer, herunder virksomhedens Rev Cycler-partnerskab med Epic. Hans baggrund omfatter sundhedsudbydertransformation og strategisk vækst hos McKinsey & Company, revenue cycle-ledelse hos Stanford Children’s Health og tidligere sundhedsrådgivningsroller hos EY og Triage Consulting Group, hvilket giver ham en stærk grundlag i både operationel gennemførelse og teknologi-drevet sundheds-transformation.

Ensemble Health Partners er en sundheds-revenue cycle-management-virksomhed, der arbejder med hospitaler, sundhedssystemer og lægepraksisser for at forbedre deres økonomiske præstation, patientoplevelse og operationel effektivitet. Virksomheden tilbyder end-to-end RCM-support på områder som patientengagement, kodning, kravstyring, afvisningsforebyggelse, betalingsydelse og kontoafklaring, mens de anvender AI-drevet beslutning, automatisering, analytics og deres EIQ-revenue cycle-intelligensplatform til at hjælpe udbydere med at reducere friktion og accelerere refusion. Ensemble har også samarbejdet med Epic gennem Rev Cyclers-programmet og udvidet deres arbejde med Microsoft Azure generative AI og machine learning til at fremme AI-drevne revenue cycle-operationer.

Hvilke specifikke fejl i traditionelle RCM-workflows overbeviste dig om, at en formål-bygget LLM var nødvendig? 

Sundhedssystemer opererer med en margen på 2% til 4%, mens de første afvisningsrater stiger til 12% til 15%. Det er det kritiske punkt, der viser, at traditionelle revenue cycle-tilgange ikke løser det grundlæggende problem, og at en fundamentalt anderledes tilgang er nødvendig. Denne pres påvirker hver del af organisationen, fra personale til teknologiinvesteringer til kapacitet til behandling.

De fleste løsninger adresserer ikke det samlede system som helhed. Organisationer er efterladt med fragmenterede værktøjer, siloede data og ikke-sammenhængende aktivitet, der afhænger af at sy sammen kontekst gennem prompt-engineering på generelle modeller.

Denne tilgang er langsommere, mere dyrt, mindre konsekvent og svær at håndtere i stor skala.

En formål-bygget model ændrer dette ved at bringe historisk og realtidsdata ind i en styret platform. Den kan forudse betalingsadfærd, fremhæve relevant intelligens, hjælpe med at reducere afvisninger og operere inden for overensstemmende, revisionssikre miljøer.

Har noget siden din tidligere skrivning forstærket eller ændret din perspektiv på generel AI versus formål-byggede modeller? 

Vores fortsatte udvikling og implementering af end-to-end AI-orkestration på tværs af revenue cycle har fortsat forstærket, hvor frontier LLM’er lyser og hvor der er betydelige huller, som vi adresserer med formål-byggede modeller.

Frontier LLM’er fungerer godt med klinisk resonnering, men vi investerer tungt i at give kontekst og ekspertise fra vores læger og sygeplejersker, der har årtiers erfaring med at brobygge det kliniske og administrative sundhedsfelt. Det viser sig at være en kraftfuld kombination, der leverer exceptionelle resultater ved at indlejre disse AI-løsninger med eksperter i løkken.

Brede modeller løber stadig ind i realiteterne af regulerede revenue cycle-miljøer og manglen på træningsdata til at navigere nuancerede revenue cycle-processer. Det er ikke blot om, at man finder en vej til et svar, men om, at man mangler nuancen til at levere intelligens og processer, der driver resultater og bedste præstation.

Tilpasning af generelle modeller producerer stadig inkonsistens, svag styre og begrænset evne til at håndtere nuance. Dette er en strukturel begrænsning, ikke et værktøjsproblem.

Ensemble bygger kapaciteter og geningeniører processer og data for at levere resultater – afvisningsforebyggelse, forbedret patientengagement og adgang til behandling og forbedret behandlingsalignering med betalere.

Hvad er de mest kritiske begrænsninger af prompt-engineering lagt på generelle formål-modeller i RCM-operationer? 

Løftet om AI i revenue cycle handler ikke kun om at anvende en generel model til sundhedsopgaver – det handler om, hvorvidt AI faktisk forstår domænet. Begrænsningerne af prompt-engineering på grundlagsmodeller er, at man opnår kapable generalist-kapaciteter, der passer det rimelige test på overfladen, men mangler nuancen til at levere bedste præstation, der kontinuerligt tilpasser og forbedrer sig. ‘Medicinsk nødvendighed’ betyder noget andet for en national kommerciel betaler end det gør for en Medicare MAC, og den forskel bestemmer økonomisk præstation. En model trænet på det åbne internet kender ikke til det, og prompt-engineering kan lukke nogle af disse huller, men mangler komplet og præcis kontekstuel nuance.

Prompt-engineered modeller er statiske ved design. De kan ikke lære, når en betaler stille ændrer sin afvisningsadfærd, når en ny afvisningsmønster opstår eller når en appelsstrategi, der fungerede sidste kvartal, ophører med at fungere. Hos Ensemble har vi bygget en lukket feedback-løkke, der omdanner hver enkelt krav-afgang til intelligens – fordi vi sidder i centrum af revenue cycle på tværs af hundredvis af sundhedssystemer og betalere, i en skala, som ingen enkelt udbyder kan genskabe internt.

Hvad vi har fundet, er, at den virkelige moat i AI-drevne RCM ikke er modellen – det er data og ekspertisen, der er indkodet i den. Vi har brugt år på at operationalisere, hvad vores bedste afvisningsspecialister, kodere og betalingsrelationseksperter gør for at levere bedste præstation. Det kan man ikke injicere i et systemprompt – det må bo i, hvordan modellen blev trænet, hvad den blev evaluering mod, og hvordan den er integreret i arbejdsgangen.

AI-transformation i sundheds-revenue cycle vil skille sig i to lejre: organisationer, der bruger AI som en produktivitetslag på toppen af eksisterende processer, og organisationer, der har genopbygget intelligens i processen selv. Ensemble er fast i den anden lejr – og for sundhedssystemer under margenpres, er den forskel mellem inkrementel forbedring og transformation.

Hvad ser nøjagtighedsloftet for prompt-tunge systemer ud i praksis, når man har med betalingsregler og flertrinsprocesser at gøre? 

Loftet viser sig som inkonsistens på de punkter, hvor revenue cycle-præstation afhænger af præcision. Det handler ikke kun om ren nøjagtighed. Det handler om pålidelighed i virkelige driftsforhold.

Prompt-tunge systemer forsøger at introducere revenue cycle-logik på inferens-tid ved at indlæse kontekst i hver anmodning. Det kan fungere i simple scenarier, men det bryder sammen med betalingsadfærd, regulatorisk nuance og flertrins-afhængigheder.

Udgangspunkterne kan være retningssættende, men de er ikke pålidelige nok til dag-til-dag-operationer.

Som kompleksiteten øges, stiger omkostningerne, og sammenhængen falder, hvilket fører til huller i sekvens, manglende afhængigheder og tab af kontekst på tværs af trin.

Det er derfor, vi fokuserer på modeller, der er grundet i virkelige operationelle data og indlejret direkte i revenue cycle-aktivitet, snarere end at genskabe kontekst på anmodning.

Ser du betalings-AI og udbyder-AI udvikle sig til en våbenkapløb, og hvordan bør sundhedssystemer reagere? 

Våbenkapløbs-rammen fanger ikke fuldt ud, hvad der sker. Begge betalere og udbydere anvender hurtigt AI på tværs af forudgående autorisation og kravbehandling. I mange tilfælde øger det friktion snarere end reducerer det og kan resultere i automatiserede systemer, der interagerer uden opklaring.

AI alene løser ikke fragmenterede revenue cycle-operationer. Anvendt på toppen af fragmentering kan det forstærke problemet. Den stærkere respons er at bevæge sig fra reaktiv til proaktiv operation. Det kræver overblik på tværs af den fulde revenue cycle, en stærkere datagrundlag og evnen til at forudse betalingsadfærd, identificere risiko tidligt og løse problemer, før de indgives.

Når organisationer opererer med det niveau af koordination og indsigt, skifter dynamikken fra friktion til bedre præstation. Vi leverer reelle resultater på den måde, hvor vi opnår reduceret friktion og hurtigere alignment med betalere på hvert trin – med AI-genigeniører på hvert trin.

Hvordan sikrer du, at en model trænet uden identificerbare patientdata stadig fanger virkelige kompleksiteter? 

Fraværet af identificerbare patientdata betyder ikke fraværet af virkelige kompleksiteter.

Med at håndtere 80 millioner transaktioner om året har Ensemble samlet mere end to petabyte provider-, betaler- og kliniske data i en AI-klar aktiv. Denne grundlag reflekterer, hvordan revenue cycle-aktivitet faktisk fungerer i stor skala, herunder operatørens ekspertise, betalingsadfærd og afvisningsmønstre, og det låser op for prædictivt model, realtids-indsigter og agens- AI-arbejdsgange, der hjælper med at beskytte udbydere mod betalingsforsinkelser og afvisninger.

Vi bruger højkvalitets syntetiske og anonymiserede datasæt fra certificerede kilder i et HIPAA-kompatibelt miljø. Disse datasæt bevare strukturen, variabiliteten og edge-cases, der er til stede i virkelige scenarier.

Vi genskaber ikke EHR. Vi tilføjer intelligens, hvor det betyder mest, især i områder knyttet til betalingskrav og beslutninger, der ligger uden for EHR.

Vi forbedrer denne tilgang med verdensklasse-eksperter (MD’er, sygeplejersker, revenue cycle-operatører), der giver tilgangen nuance og ekspertise, som AI og data ikke kan opnå uafhængigt.

Denne tilgang bevare virkelige kompleksiteter, driver til resultater og præstation, mens den beskytter patientprivatliv.

Hvordan oversætter du menneskelig beslutning og arbejdsgange til noget, en model kan pålideligt lære og udføre? 

Det, der gør dette arbejde, er dybden af operatørens ekspertise bag det. At oversætte det til vores model handler ikke om at approksimere ekspertise. Det handler om at fange, hvordan erfarne hold faktisk arbejder.

Vi træner på virkelige revenue cycle-opgaver og strukturerer systemet omkring regler, afhængigheder og mønstre, operatører bruger hver dag. De mest effektive systemer kombinerer multiple lag af intelligens. Deterministisk logik understøtter trin, der skal forblive konsekvente, såsom validering og politikkontrol. Prædictive modeller vurderer risiko, såsom sandsynlighed for afvisning. Resonansmodeller adresserer kompleksitet, herunder fortolkning og narrativ generation.

Hvert lag reducerer usikkerhed og reflekterer, hvordan højtpræsterende hold opererer i praksis.

Hvad ser end-to-end-orkestration ud i virkeligheden fra patientindtagelse til kontoafklaring? 

End-to-end-orkestration betyder at bevæge sig fra isoleret opgave-understøttelse til et system, der opererer på tværs af den fulde klinisk-til-penge-livscyklus.

Det begynder ved patientindtagelse, hvor det understøtter præcis datafangst, berettigelsesverificering og autorisationskrav i realtid for at forhindre downstream-problemer.

Da dokumentation og kodning tager form, alignerer systemet aktivitet med betalingsforventninger og identificerer risiko tidligt. Gennem fakturering og afvisning overvåger det betalingsadfærd, kontrakt-nuancer og potentielle underbetalinger.

Når problemer opstår, forbinder systemet resultater tilbage til rodårsager og føder indsigt opstrøms.

I dag afhænger mange organisationer af 15 til 30 forskellige punktløsninger på tværs af revenue cycle. Hver forbedrer et specifikt område, men de lærer ikke sammen. Huller mellem funktioner tillader revenue-lækage at bestå.

Orkestriering bringer dette sammen gennem samlet data, koordineret revenue cycle-aktivitet og klar ansvar, og skaber et kontinuerligt læringsystem på tværs af hele livscyklussen.

Hvor falder nuværende EHR’er kort, og hvordan udvider din tilgang deres kapaciteter uden at forstyrre eksisterende infrastruktur? 

EHR’er er grundlæggende. De fungerer som systemet for registrering af kliniske og økonomiske data.

De var ikke designet til at fungere som systemer for intelligens til revenue cycle-operationer.

Hullet er i at forbinde kontekst på tværs af revenue cycle. Mens EHR’er gemmer og organiserer information, fortolker de ikke betalingsadfærd, forudser afvisninger eller guider brugere gennem komplekse, flertrins-aktiviteter, der strækker sig ud over deres grænser.

Meget af det arbejde, der kræves for at håndtere betalingskrav og undtagelser, sker uden for EHR, hvilket er, hvor fragmentering udvikler sig.

Vores tilgang komplementerer EHR i stedet for at erstatte det. Vi arbejder inden for eksisterende miljøer, hvor vi tilføjer intelligens til de områder, hvor arbejdet faktisk sker.

Dette tillader os at reducere den administrative byrde, forbedre nøjagtigheden og hjælpe hold med at fokusere på højere-værdi-aktiviteter uden at kræve ændringer i kerne-infrastruktur.

Hvordan ser du revenue cycle udvikle sig over de næste fem år, og hvilken rol vil menneskelige operatører fortsat spille? 

Over de næste fem år vil revenue cycle-operationer skifte fra reaktive og arbejdskrævende til proaktive og koordinerede.

Mindre indsats vil blive brugt på omgørelse såsom appeller og opfølgning, og mere vil blive fokuseret upstream på forebyggelse. Afvisninger og underbetalinger vil stadig mere blive identificeret tidligt, hvilket forbedrer både omkostningsstruktur og økonomisk forudsigelighed.

Denne skift udvider muligheder for arbejdsstyrken. I dag er for meget dygtig arbejdskraft bundet til repetitive opgaver. Da automatisering reducerer denne byrde, kan hold fokusere på undtagelseshåndtering, procesforbedring, strategisk beslutning og patientbehandling

Roller forsvinder ikke. De udvikler sig. Menneskelig ekspertise formindskes ikke. Den bliver mere kritisk og mere central for den samlede revenue cycle-præstation.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Ensemble Health Partners.