Halsey Wise, administrerende direktør for Lyric – Intervju-serie

Halsey Wise, administrerende direktør for Lyric, har næsten tre årtiers erfaring med ledelse, bestyrelsesarbejde og værdiskabelse inden for sundhedssektoren, software og finansielle services. Efter at have været medlem af Lyrics bestyrelse siden 2022, overtog han stillingen som administrerende direktør med fokus på at udvide Lyric42-platformen, dybe klient- og samarbejdsrelationer, accelerere innovation og AI-investeringer samt drive vækst gennem både organisk udvidelse og strategisk M&A. Wise har ledet seks virksomheder som administrerende direktør eller præsident, herunder offentlige virksomheder som Intergraph og MedAssets, og har været medlem af bestyrelserne for større teknologi- og sundhedsorganisationer, herunder Cotiviti, Cerner, Aspen Technology , Acxiom, Nextech Systems, Lyric og WellSky. Han er også formand og administrerende direktør for Lime Barrel Advisors, senior rådgiver for TPG Capital og co-leder af en familiefond, der støtter uddannelser, fødevaresikkerhed, veteranstøtte og sundhedsårsager.

Lyric er et sundhedsbeslutningsintelligensselskab, der fokuserer på at forbedre betalingsnøjagtigheden for sundhedsplaner ved at anvende politik, data, AI, klinisk gennemgang og forklarelig beslutningsstøtte før krav betales. Deres Lyric42-platform er designet til at hjælpe sundhedsplaner med at koordinere betalingsbeslutninger på tværs af regler, arbejdsgange, betalingsintegritetsprodukter og AI-drevne anbefalinger med det formål at reducere administrativt spild, forbedre første-gangs betalingsnøjagtighed, mindske udbyderfriction og give kunderne større gennemsigtighed i, hvorfor betalingsbeslutninger træffes. Virksomheden positionerer sin AI-tilgang som en, der supplerer menneskelig ekspertise i stedet for at erstatte den, ved at kombinere automatisering, klinisk validering, styring og kundecontrol til at støtte mere konsekvente og forsvarende sundhedsbetalingsbeslutninger.

Du har ledet og rådgivet større sundheds- og virksomhedsteknologiselskaber, herunder MedAssets, Cerner, Cotiviti og nu Lyric. Hvordan har din erfaring på tværs af sundheds-IT, analytik og teknologi formet din vision for Lyric?

På tværs af alle virksomheder, jeg har ledet eller rådgivet, er én overbevisning kun blevet stærkere: Sundhedssektoren kan ikke forbedres uden tillid, sandhed og gennemsigtighed som grundlag. Disse er ikke bløde værdier. Disse er de operativa betingelser, som et bedre sundhedssystem afhænger af. Hver plan, udbyder og medlem påvirkes af, om den underliggende intelligens kan tillides, om informationen afspejler sandheden, og om grunden til en beslutning er gennemsigtig nok til at kunne stå til skud.

Denne overbevisning former, hvordan jeg tænker om Lyric. Jeg blev medlem af Lyrics bestyrelse i 2022, før jeg overtog stillingen som administrerende direktør, og hvad jeg forstod dengang, tror jeg endnu stærkere på nu. Vi på Lyric bygger et af de mest innovative, betydningsfulde og vigtige sundheds-teknologiselskaber.

Lyric er sundhedsbeslutningsintelligens. Årtiers klinisk og betalings ekspertise, dybe kunde- og samarbejdsrelationer og en platform, der opererer på nationalt niveau, giver os et grundlag, som få virksomheder i sundhedssektoren har. Betaling er den højeste indsatsudtryk for det i dag, men den bredere mulighed er at give mennesker i sundhedssektoren teknologi og indsigt til at træffe bedre beslutninger, hurtigere, med tillid, til bedre sundhedsydelser for mennesker og patienter, som det ultimativt eksisterer for at tjene.

Jeg tror også dybt på, at sundhedsbeslutningstagenheden tilhører mennesker. Klinisk dømmekraft, politikfortolkning og ansvar kan ikke uddelegeres til en model. Hvad AI kan gøre, og hvad det skal gøre, er at informere og støtte de mennesker, der træffer disse beslutninger. Det kan fremhæve signaler, tendenser og afvigelser, der tidligere var begravet i skala og kompleksitet. Det kan fremhæve, hvor noget ser inkonsistent ud, hvor en mønster opstår, eller hvor en beslutning kræver en nærmere gennemgang. Det er AI’s rolle i sundhedssektoren: At udvide menneskelig synlighed og styrke menneskelig dømmekraft, ikke at erstatte den.

Lyric har brugt de sidste flere år på at genopbygge sin teknologistak til en cloud-baseret AI-platform, der understøtter betalingsoperationer på tværs af 190 millioner liv. Hvad var de største arkitektoniske eller organisatoriske udfordringer i denne overgang?

Lyric opstod som en udskillelse fra en større organisation. Vi arvede legacy-infrastruktur sammen med utrolige kunde- og samarbejdsrelationer og årtiers operationel ekspertise.

I de sidste flere år har vi genopbygget teknologigrundlaget fra bunden. Udfordringen var ikke kun at modernisere infrastruktur. Det var at udvikle en 30-årig betalingsnøjagtighedsforretning til en moderne sundhedsbeslutningsintelligensplatform, mens vi bevarede forklarbarhed, revision og tillid.

En kerneprincip var at sikre, at der ikke var nogen forretningsforstyrrelser, mens vi moderniserede vores teknologi. Vi udnyttede de avancerede funktioner i Lyric42 til at sikre meget nøjagtige migrationer, og arbejdede tæt sammen med vores sundhedsplan-kunder til at skabe en sikker og sikker overgang.

Arkitektonisk flyttede vi os fra statisk forudbestemt ordning til realtidsintelligens, der understøtter første-gangs betalingsbeslutninger inden for arbejdsgange. Samtidig skulle hver udfald være gennemsigtig, politikbaseret og forklarbar.

Da vi migrerer kunder over på den nye platform, understøtter vi betalingsoperationer på tværs af 200 millioner liv gennem en samlet intelligensarkitektur, der fremhæver indsigt tidligere, reducerer spild og understøtter mere konsekvent beslutningstagning i skala.

Du har argumenteret for, at sundhedsbetalinger skal skifte fra efter-betalingsgendannelse til forud-betalingsintelligens. Hvad er de teknologiske gennembrud, der endelig gør denne overgang mulig i skala?

Overgangen fra efter-betalingsgendannelse til forud-betalingsintelligens er nu mulig, fordi sundhedssektoren endelig har kombinationen af stort skala-arbejdsgangsdata, cloud-infrastruktur og AI, der kan skille signal fra støj på tværs af meget komplekse kravmiljøer.

Historisk set var de fleste systemer bygget til at analysere, hvad der skete efter betaling. I dag kan vi anvende intelligens meget tidligere inden for arbejdsgange, før fejl, stridigheder og spild flytter gennem systemet.

Fra et funktionelt perspektiv har Lyric introduceret intelligent udvælgelse til forud-betalingsgennemgang, således at krav ikke unødigt holdes tilbage før betaling, når timing er kritisk for både planer og udbydere. Gennem vores intelligent revision-platform har vi også muliggjort, at krav, der kræver menneskelig gennemgang, kan behandles på få timer eller dage, i stedet for de uger eller måneder, som traditionelle processer kan kræve.

Disse teknologiske gennembrud, kombineret med den avancerede orkestrering inden for Lyric42, har låst sundhedsbeslutningsintelligens for forud-betalingsnøjagtighed ved at kombinere AI, politik og ekspert-klinisk gennemgang til at understøtte nøjagtige, forklarbare betalingsbeslutninger på første gang. Vigtigt er, at dette kun fungerer i skala, når intelligensen forbliver gennemsigtig, revisionabel og grundet i menneskelig ansvarlighed.

Mange sundhedsydelser afhænger stadig af fragmenteret legacy-infrastruktur. Hvorfor tror du, at AI-naturlige systemer vil udgøre en grundlæggende bedre præstation end traditionelle “systemer til registrering” over de næste ti år?

Legacy-sundhedsystemer var primært designede til at registrere transaktioner og understøtte retrospektive auditor. De var aldrig bygget til at understøtte intelligens-drevne beslutninger inden for arbejdsgange.

Sundhedssektoren kræver nu intelligenssystemer, der kan operere på den skala, hastighed og kompleksitet, moderne betalingsoperationer kræver. Fordelene ved moderne sundhedsbeslutningsintelligenssystemer er ikke kun anvendt AI. Det er evnen til at kombinere politik, data, AI og ekspert-gennemgang til at understøtte mere konsekvente, forklarbare beslutninger i realtid.

Fremtiden tilhører systemerne, der kan lære kontinuerligt fra operationelle arbejdsgange, mens de forbliver gennemsigtige, forklarbare og ansvarlige. Sundhedssektoren kan ikke operere uden menneskelig ekspertise, så målet er ikke autonomt beslutningstagning. Målet er at supplere menneskelig beslutningstagning med intelligens, som mennesker kan stole på.

Lyric beskriver sig selv som et betalingsintegritets-AI-selskab bygget på årtiers klinisk ekspertise. Hvor vigtigt er ejendommeligt sundhedsdata og historisk kravekspertise i opbygning af forsvarlige AI-systemer i denne sektor?

Ejendommeligt kravekspertise og arbejdsgangsdata er grundlæggende i sundhedssektoren, fordi generiske modeller alene ikke er nok til at understøtte nøjagtige, forklarbare betalingsbeslutninger i skala.

Lyrics platform understøtter ca. 200 millioner liv og er bygget på årtiers operationel kravekspertise. Denne ejendommelige viden og kontekst betyder noget, fordi den afspejler, hvordan politikker anvendes, hvor stridigheder opstår, hvordan fejl opstår, og hvordan betalingsarbejdsgange opfører sig i den virkelige verden.

Kombinationen af arbejdsgangsintegration, tre årtiers klinisk ekspertise og longitudinal kravekspertise skaber systemer, der ikke kun er mere nøjagtige, men også mere forklarbare og operationelt revisionable.

I sundhedssektoren betyder intelligens kun noget, hvis mennesker kan forstå, validere og handle på den med tillid.

En af de største bekymringer i sundheds-AI er styring og forklarbarhed. Da AI overtager mere betalingsbeslutningsansvar, hvad ser effektiv menneskelig-i-løkken-oversigt ud i praksis?

For os er menneskelig-i-løkken ikke en buzzword; det er arkitekturen. AI er et værktøj, vi bruger til at supplere menneskelig beslutningstagning.

Du kan se det i vores indholdsskabende arbejde. Vi byggede Studio42-indholdsskabende oplevelse oven på vores Lyric42-platform, efter principperne om, at hver regel og redigering skal være deterministisk. AI hjælper vores teams med at gennemgå store mængder af regerings-, industri- og forskningsmateriale, identificere relevante mønstre og fremhæve anbefalinger. Men AI bliver ikke kilden til sandheden. Kilden til sandheden er grundet i originale materialer og menneskelig klinisk ekspertise.

Hver regel og redigering er designet til at være sporbare og revisionabel. Kliniske eksperter gennemgår og validerer arbejdet, før det når produktion, og hver anbefaling, vores AI giver til at hjælpe vores kliniske team med at skabe indhold, er grundet i originale kilder og menneskelig viden. Vi holder også track af den fulde historie af ændringer, så det er klart, om en regel eller et stykke indhold blev bygget fra en specifik regerings-, industri- eller forskningskilde.

Det er, hvad effektiv oversigt ser ud i praksis: AI hjælper med skala og signal-detektion, kliniske eksperter validerer arbejdet, og systemet bevarede en klar revisionshistorik fra kilde til gennemgået indhold. Lige så vigtigt er, at vores kunder beholder fuld kontrol over, om og hvornår de implementerer indholdet, reglerne eller anbefalingerne, der fremhæves gennem platformen.

I sundhedssektoren er indsatsen for høj til, at vigtige beslutninger kan træffes udelukkende af en maskine eller model. Hos Lyric tror vi, at menneskelig ekspertise, dømmekraft og ansvarlighed skal forblive grundlæggende, ikke behandles som en eftertanke, men indbygget i arkitekturen fra starten.

Sundheds-spild forbliver en af de største omkostningsfaktorer i det amerikanske system. Hvor tror du, at AI kan have den hurtigste målbare indvirkning på reduktion af unødvendigt udgifter uden at påvirke patientpleje negativt?

Sundhedssektoren udgør ca. 20% af USA’s BNP, og 25% af det er spild. En majoritet af dette spild skyldes systemkompleksitet, ikke svindel eller bevidst spild.

Det er præcis, hvorfor vi byggede Lyric42-platformen. Den skifter kravprocessen fra en betal-og-jagt-model til forud-betalingsintelligens, der muliggør, at sundhedsplaner får betalingerne rigtige fra starten.

En betydelig del af sundheds-spildet skyldes administrativt arbejde ved at have inkonsistent intelligens på tværs af flere interessenter. Dette fører til unødvendige afslag og genanmeldelser, større intensitet af manuelle auditor, og en øgning af udbyder-appeller uden at ændre den endelige betaling.

Spild skyldes manglende rigtig intelligens på det rigtige tidspunkt. Lyric giver sundhedsplaner beslutningsintelligens og anbefalinger, valideret og bakket op af klinisk viden til at hjælpe med at identificere åbenlyse fejl og inkonsistenser (kodning, enheder, bundling, medicinsk politik-alignment). Vi gør det før betaling, hvilket reducerer spild og forkerte kodninger, og reducerer frem og tilbage af arbejde, appeller og justeringer.

Lyrics platform integrerer stadig mere automatisering, prædikativ analyse og AI-understøttede arbejdsgange i kravoperationer. Hvor tæt er vi på en fremtid, hvor store dele af sundhedsbetalingsarbejdsgange opererer autonomt?

Over de næste ti år vil vi se en verden, hvor de fleste opgaver inden for betalingsarbejdsgange er automatiseret. Men regulatoriske og overholdelseskrav vil fortsat kræve tydelig ansvarlighed, hvilket betyder en identificerbar menneskelig og organisatorisk ansvar. AI, automatisering og prædikativ analyse vil strømline kedelige daglige løft i sundhedsbetalingsarbejdsgange, herunder validering af data, spotting af mønstre og anbefalinger af handlinger i realtid under den første gennemgang af et krav. Følsomme, høj-impact eller tvetydige beslutninger vil forblive under menneskelig gennemgang.

Sundhedssektoren er fundamentalt forskellig fra mange andre brancher, fordi ansvarlighed betyder noget. Betalingsbeslutninger påvirker udbydere, planer, patienter/medlemmer og finansielle resultater på tværs af sundhedssektoren.

Vi bygger ikke et fuldt autonomt betalings-AI. Vi bygger sundhedsbeslutningsintelligens designet til at supplere menneskelig beslutningstagning.

Fremtiden er ikke autonom sundhedsbetalings. Fremtiden er forklarlig intelligens, der understøtter mennesker, der forbliver ansvarlige for beslutninger og resultater.

Mange virksomheder er stadig eksperimenterende med AI i isolerede pilotprojekter. Hvad adskiller organisationer, der med succes operationaliserer AI, fra dem, der forbliver fast i bevis-for-koncept-tilstand?

Forskellen er, at succesfulde organisationer ikke behandler AI som en række isolerede pilotprojekter. De behandler det som en operativ kapacitet og fremdrift.

Det kræver mere end et stærkt model. Det kræver grundlæggende investeringer i værktøjer, overvågning, styring og arbejdsgangsdesign. I vores erfaring skal AI kun skala, når teknologien understøtter styringsprocesserne omkring det, og når menneskelige processer er redesignet omkring AI-understøttede arbejdsgange. Du behøver tydelig ejerskab, eksklusivt sponsorskab, operationel alignment og en konstant feedback-løkke for, hvordan AI fungerer i produktion.

Det sidste punkt er kritisk. Organisationer, der operationaliserer AI, stopper ikke ved implementering. De overvåger præstation, analyserer resultater, identificerer, hvor systemet skal forbedres, og forbedrer det kontinuerligt. AI bliver en del af den operativa rytme, ikke en engangs-implementering.

Hos Lyric har vi set dette mønster i områder som indholdsskabning. Vi fokuserede på at få ét domæne rigtigt først, med de rigtige værktøjer, kontroller, overvågning og menneskelig gennemgang. Når denne grundlæggelse var succesfuld, kunne vi bruge den samme underliggende tilgang til at udvide til andre domæner. Det er meget forskelligt fra at køre en bevis-for-koncept, der ser godt ud i en demo, men aldrig har behøvet at overleve kompleksiteten af live-operationer.

Organisationer, der bliver fast i pilot-tilstand, underskatter ofte denne kompleksitet. De kan teste modeller på snævre datasæt eller kontrollerede arbejdsgange, men de wire ikke AI ind i rigtige operationer med den styring, overvågning og ændringsstyring, der kræves for at opretholde det. Organisationer, der lykkes, bygger grundlaget først, viser værdi i et fokuseret område og skalerer derefter med disciplin.

Set fremad, tror du, at de langsigtede vindere i sundheds-AI vil være virksomhederne med de bedste enkeltstående modeller eller dem med den dybeste operationelle integration, arbejdsgangsdata og netværkseffekter på tværs af sundhedssektoren?

I sundhedssektoren vil de langsigtede vindere ikke være virksomhederne med de bedste enkeltstående modeller i isolation. De vil være virksomhederne med den dybeste operationelle integration, den rigeste arbejdsgangsdata og de stærkeste netværkseffekter på tværs af sundhedssektoren.

Modeller vil fortsat forbedres, og mange funktioner vil blive mere alment tilgængelige over tid. Det, der er meget sværere at reproducerer, er kombinationen af indbygget arbejdsgangsposition, longitudinal kravekspertise og tillidsfulde relationer på tværs af sundhedsplaner, udbydere og samarbejdspartnere.

Lyrics platform dækker ca. 200 millioner liv og er bygget på årtiers ejendommelig betalingsnøjagtigheds-ekspertise, med mulighed for at lagre nye funktioner og samarbejdspartnere. Fordi vi er indbygget tidligt i betalingsarbejdsgangen og opererer post-care og forud-betalings, har vi indsigt i rigtig transaktionsflow, ikke kun statiske datasæt. Denne dybde af arbejdsgangs- og resultatsdata er, hvad der hjælper AI med at skille signal fra støj og flytte fra trendanalyse til forudsigelse, anbefalinger og handling.

Tak for det fantastiske interview. Læsere, der ønsker at lære mere, skal besøge Lyric.