Andrew Ray, Chief Product und Innovationsbeauftragter bei Ensemble – Interview-Serie

Andrew Ray, Chief Product und Innovationsbeauftragter bei Ensemble, bringt umfassende Erfahrung im Bereich Gesundheitsfinanzen, Revenue-Cycle-Operationen, Produktstrategie und Innovation mit. Bei Ensemble leitet er Produkt-, Prozessverbesserungs- und Innovationsinitiativen, einschließlich der Partnerschaft des Unternehmens mit Epic im Rahmen des Rev Cycler-Programms. Seine Vergangenheit umfasst die Transformation von Gesundheitsdienstleistern und strategisches Wachstum bei McKinsey & Company, Revenue-Cycle-Führung bei Stanford Children’s Health und frühere Gesundheitsberatungsrollen bei EY und Triage Consulting Group, was ihm eine starke Grundlage in operativer Umsetzung und technologiegestützter Gesundheitstransformation verleiht.

Ensemble Health Partners ist ein Unternehmen für Gesundheits-Revenue-Cycle-Management, das mit Krankenhäusern, Gesundheitssystemen und Arztpraxen zusammenarbeitet, um die finanzielle Leistung, die Patientenerfahrung und die betriebliche Effizienz zu verbessern. Das Unternehmen bietet umfassende RCM-Unterstützung in Bereichen wie Patientenbindung, Kodierung, Rechnungsmanagement, Ablehnungsverhinderung, Payer-Performance und Kontenabstimmung, während es AI-gesteuerte Entscheidungsfindung, Automatisierung, Analytik und seine EIQ-Plattform für Revenue-Cycle-Intelligenz nutzt, um Anbietern zu helfen, Reibungspunkte zu reduzieren und die Vergütung zu beschleunigen. Ensemble hat auch eine Partnerschaft mit Epic im Rahmen des Rev Cycler-Programms aufgenommen und seine Arbeit mit Microsoft Azure generativer KI und maschinellem Lernen erweitert, um AI-gesteuerte Revenue-Cycle-Operationen voranzutreiben.

Welche spezifischen Schwachstellen in traditionellen RCM-Workflows haben Sie davon überzeugt, dass ein speziell entwickeltes LLM erforderlich ist? 

Gesundheitssysteme operieren mit Margen von 2% bis 4%, während die anfänglichen Ablehnungsraten auf 12% bis 15% ansteigen. Das ist der Wendepunkt, der zeigt, dass traditionelle Revenue-Cycle-Ansätze das Kernproblem nicht lösen und dass ein grundlegend anderer Ansatz erforderlich ist. Dieser Druck betrifft jeden Teil der Organisation, von der Personalbesetzung bis zur Technologieinvestition und zur Versorgungskapazität.

Die meisten Lösungen behandeln das gesamte System nicht. Organisationen bleiben mit fragmentierten Tools, isolierten Daten und abgekoppelten Aktivitäten zurück, die darauf angewiesen sind, Kontext durch Prompt-Engineering auf allgemeinen Modellen zusammenzustellen.

Dieser Ansatz ist langsamer, teurer, weniger konsistent und schwer zu verwalten.

Ein speziell entwickeltes Modell ändert dies, indem es historische und Echtzeit-Daten in eine geregelte Plattform bringt. Es kann Payer-Verhalten vorhersagen, relevante Intelligenz aufdecken, helfen, Ablehnungen zu reduzieren und in umfassbaren, überprüfbaren Umgebungen operieren.

Hat sich seit Ihrem früheren Schreiben Ihre Perspektive auf allgemeine KI im Vergleich zu speziell entwickelten Modellen geändert oder verstärkt? 

Unsere fortlaufende Entwicklung und Bereitstellung von End-to-End-AI-Orchestrierung im gesamten Revenue-Cycle hat unsere Perspektive auf die Stärken und Schwächen von Frontier-LLMs und speziell entwickelten Modellen weiter verstärkt.

Frontier-LLMs funktionieren gut bei klinischer Argumentation, aber wir investieren stark in die Bereitstellung von Kontext und Expertise durch unsere Ärzte und Krankenschwestern, die Jahrzehnte der Erfahrung bei der Überbrückung der klinischen und administrativen Kluft im Gesundheitswesen haben. Das erweist sich als eine leistungsstarke Kombination, die durch die Einbettung dieser KI-Lösungen mit Experten im Prozess außergewöhnliche Ergebnisse liefert.

Breite Modelle stoßen weiterhin auf die Realitäten von regulierten Revenue-Cycle-Umgebungen und den Mangel an Trainingsdaten für die Navigation von nuancierten Revenue-Cycle-Prozessen. Einfach ausgedrückt, identifiziert allgemeine KI einen Weg zu einer Antwort, aber oft fehlt die Nuancen, um Intelligenz und Prozesse zu liefern, die Ergebnisse und Spitzenleistungen treiben.

Die Anpassung allgemeiner Modelle führt immer noch zu Inkonsistenzen, schwacher Governance und begrenzter Fähigkeit, Nuancen zu verwalten. Dies ist eine strukturelle Einschränkung, kein Tooling-Problem.

Ensemble baut Kapazitäten auf und rekonstruiert Prozesse und Daten, um Ergebnisse zu liefern – Ablehnungsverhinderung, verbesserte Patientenbindung und Zugang zur Versorgung sowie verbesserte Versorgungsabstimmung mit Payern.

Was sind die kritischsten Einschränkungen von Prompt-Engineering, das auf allgemeine Modelle in RCM-Operationen aufgetragen wird? 

Die Einschränkungen von Prompt-Engineering auf Foundation-Modelle sind, dass man fähige Allround-Fähigkeiten erreicht, die auf der Oberfläche den Vernünftigkeitstest bestehen, aber die Nuancen fehlen, um Spitzenleistungen zu liefern, die kontinuierlich anpassen und verbessern. ‘Medizinische Notwendigkeit’ bedeutet etwas anderes für einen nationalen kommerziellen Payer als für einen Medicare-MAC, und dieser Unterschied bestimmt die finanzielle Leistung. Ein Modell, das auf dem offenen Internet trainiert wurde, weiß das nicht, und Prompting kann einige dieser Lücken schließen, aber verpasst vollständige und genaue kontextuelle Nuancen.

Durch Konstruktion sind prompt-engineered Modelle statisch. Sie können nicht lernen, wenn ein Payer sein Adjudikationsverhalten stillschweigend ändert, wenn ein neues Ablehnungsmuster auftritt oder wenn eine Berufungsstrategie, die im letzten Quartal funktioniert hat, aufhört zu funktionieren. Bei Ensemble haben wir eine geschlossene Feedback-Schleife aufgebaut, die jedes Claim-Ergebnis in Intelligenz umwandelt – weil wir im Zentrum des Revenue-Cycles über Hunderte von Gesundheitssystemen und Payern stehen, in einem Umfang, den kein einzelner Anbieter intern replizieren könnte.

Was wir festgestellt haben, ist, dass die wahre Barriere in AI-gesteuerter RCM nicht das Modell ist – es ist die Daten und die Expertise, die darin kodifiziert sind. Wir haben Jahre damit verbracht, das zu operationalisieren, was unsere besten Ablehnungsspezialisten, Kodierer und Payer-Beziehungs-Experten tun, um Spitzenleistungen zu liefern. Man kann das nicht in ein System-Prompt injizieren – es muss in der Art und Weise leben, wie das Modell trainiert wurde, was es ausgewertet wird und wie es in den Workflow integriert ist.

AI-Transformation im Gesundheits-Revenue-Cycle wird sich in zwei Lager aufteilen: Organisationen, die AI als Produktivitätsschicht auf bestehende Prozesse verwenden, und Organisationen, die Intelligenz in den Prozess selbst aufgebaut haben. Ensemble ist fest im zweiten Lager – und für Gesundheitssysteme unter Margendruck ist dieser Unterschied der Unterschied zwischen inkrementeller Verbesserung und Transformation.

Wie sieht die Genauigkeitsdecke von prompt-lastigen Systemen in der Praxis aus, wenn es um Payer-Regeln und mehrstufige Workflows geht? 

Die Decke zeigt sich als Inkonsistenz an den Punkten, an denen die Revenue-Cycle-Leistung von Präzision abhängt. Es geht nicht nur um rohe Genauigkeit. Es geht um Zuverlässigkeit in realen Betriebsbedingungen.

Prompt-lastige Systeme versuchen, Revenue-Cycle-Logik bei der Inferenzzeit durch das Laden von Kontext in jede Anfrage einzuführen. Das kann in einfacheren Szenarien funktionieren, aber es bricht mit Payer-spezifischem Verhalten, regulatorischer Nuancen und mehrstufigen Abhängigkeiten zusammen.

Die Ausgaben können richtungsweisend richtig sein, aber sie sind nicht zuverlässig genug für den täglichen Betrieb.

Mit zunehmender Komplexität steigt der Aufwand und die Kohärenz sinkt, was zu Lücken in der Sequenzierung, verpassten Abhängigkeiten und Verlust des Kontexts über Schritte hinweg führt.

Deswegen konzentrieren wir uns auf Modelle, die in realen operativen Daten und direkt in die Revenue-Cycle-Aktivität eingebettet sind, anstatt Kontext auf Anfrage zu rekonstruieren.

Sehen Sie Payer-KI und Anbieter-KI als eine Art Wettlauf an, und wie sollten Gesundheitssysteme reagieren? 

Die Wettlauf-Framing fängt nicht vollständig das ein, was passiert. Sowohl Payer als auch Anbieter wenden AI schnell über Priorisierung und Claims-Verarbeitung an. In vielen Fällen erhöht dies die Reibung anstelle einer Verringerung und kann zu automatisierten Systemen führen, die ohne Auflösung interagieren.

AI allein löst fragmentierte Revenue-Cycle-Operationen nicht. Angewendet auf Fragmentierung kann es das Problem verstärken. Die stärkere Reaktion besteht darin, von reaktiven zu proaktiven Operationen überzugehen. Dazu ist Sichtbarkeit über den gesamten Revenue-Cycle, eine stärkere Datenbasis und die Fähigkeit erforderlich, Payer-Verhalten vorherzusagen, Risiken früher zu identifizieren und Probleme vor der Einreichung zu lösen.

Wenn Organisationen mit diesem Level an Koordination und Einsicht operieren, verschiebt sich die Dynamik von Reibung zu stärkerer Leistung. Wir liefern reale Ergebnisse, um dies zu erreichen, wo wir reduzierte Reibung und schnellere Abstimmung mit Payern an jedem Schritt erreichen – mit AI, die an jedem Schritt neu konzipiert ist.

Wie stellen Sie sicher, dass ein Modell, das ohne identifizierbare Patientendaten trainiert wurde, immer noch reale Komplexität aufgreift? 

Die Abwesenheit identifizierbarer Patientendaten bedeutet nicht die Abwesenheit realer Komplexität.

Durch die Verwaltung von 80 Millionen Transaktionen pro Jahr hat Ensemble mehr als zwei Petabyte Anbieter-, Payer- und klinische Daten in ein AI-fähiges Asset vereint. Diese Grundlage spiegelt wider, wie Revenue-Cycle-Aktivitäten tatsächlich im großen Maßstab funktionieren, einschließlich Betreiber-Expertise, Payer-spezifischem Verhalten und Ablehnungsmustern, und schafft predictive Modeling, Echtzeit-Einblicke und agentische AI-Workflows, die Anbieter vor Zahlungsverzögerungen und Ablehnungen schützen.

Wir verwenden hochwertige synthetische und anonymisierte Datensätze aus zertifizierten Quellen in einer HIPAA-konformen Umgebung. Diese Datensätze bewahren die Struktur, Variabilität und Randfälle vor, die in realen Szenarien vorhanden sind.

Wir replizieren nicht die EHR. Wir nehmen einen EHR-nativen Ansatz, indem wir Intelligenz hinzufügen, wo sie am meisten zählt, insbesondere in Bereichen, die an Payer-Anforderungen und Entscheidungen geknüpft sind, die außerhalb der EHR liegen.

Wir verstärken diesen Ansatz mit weltklasse-Experten (Ärzten, Krankenschwestern, Revenue-Cycle-Operatoren), die die Nuancen und Expertise liefern, die AI und Daten allein noch nicht erreichen können.

Dieser Ansatz bewahrt reale Komplexität, treibt Ergebnisse und Leistung voran, während er Patientenvertraulichkeit schützt.

Wie übersetzen Sie menschliches Entscheiden und Workflows in etwas, das ein Modell zuverlässig lernen und ausführen kann? 

Was funktioniert, ist die Tiefe der Betreiber-Expertise dahinter. Die Übersetzung in unser Modell ist nicht darum, Expertise zu approximieren. Es geht darum, wie erfahrene Teams tatsächlich arbeiten.

Wir trainieren auf realen Revenue-Cycle-Aufgaben und strukturieren das System um die Regeln, Abhängigkeiten und Muster, die Betreiber jeden Tag verwenden. Die effektivsten Systeme kombinieren mehrere Intelligenzschichten. Deterministische Logik unterstützt Schritte, die konsistent bleiben müssen, wie Validierung und Richtlinienprüfungen. Predictive Modelle bewerten Risiken, wie die Wahrscheinlichkeit einer Ablehnung. Reasoning-Modelle behandeln Komplexität, einschließlich Interpretation und narrative Generation.

Jede Schicht reduziert Unsicherheit und spiegelt wider, wie hochleistungsfähige Teams in der Praxis operieren.

Was sieht End-to-End-Orchestrierung tatsächlich aus, von der Patientenaufnahme bis zur Kontenabstimmung? 

End-to-End-Orchestrierung bedeutet, von isolierter Aufgabenunterstützung zu einem System zu wechseln, das über den gesamten klinischen-zu-cash-Zyklus operiert.

Es beginnt bei der Patientenaufnahme, unterstützt durch genaue Datenerfassung, Eignungsprüfung und Autorisierungsanforderungen in Echtzeit, um nachgelagerte Probleme zu verhindern.

Wenn Dokumentation und Kodierung Gestalt annehmen, stimmt das System die Aktivität mit Payer-Erwartungen ab und identifiziert Risiken frühzeitig. Durch Rechnungsstellung und Adjudikation überwacht es Payer-Verhalten, Vertragsnuancen und potenzielle Unterzahlungen.

Wenn Probleme auftreten, verbindet das System Ergebnisse mit Ursachen und gibt Einblicke stromaufwärts.

Heute verlassen sich viele Organisationen auf 15 bis 30 verschiedene Punkt-Lösungen über den Revenue-Cycle. Jede verbessert einen bestimmten Bereich, aber sie lernen nicht zusammen. Lücken zwischen Funktionen ermöglichen es, dass Revenue-Leckagen bestehen bleiben.

Orchestrierung bringt dies zusammen durch einheitliche Daten, koordinierte Revenue-Cycle-Aktivität und klare Verantwortlichkeit, was ein kontinuierliches Lernsystem über den gesamten Lebenszyklus hinweg schafft.

Wo liegen die aktuellen EHRs kurz, und wie erweitert Ihr Ansatz ihre Fähigkeiten, ohne bestehende Infrastruktur zu stören? 

EHRs sind grundlegend. Sie dienen als System der Aufzeichnung für klinische und finanzielle Daten.

Sie wurden nicht dazu entwickelt, als Systeme der Intelligenz für Revenue-Cycle-Operationen zu fungieren.

Die Lücke liegt im Verbinden von Kontext über den Revenue-Cycle. Während EHRs Informationen speichern und organisieren, interpretieren sie nicht Payer-Verhalten, vorhersagen Ablehnungen oder leiten Benutzer durch komplexe, mehrstufige Aktivitäten, die über ihre Grenzen hinausgehen.

Viel von der Arbeit, die zur Verwaltung von Payer-Anforderungen und Ausnahmen erforderlich ist, geschieht außerhalb der EHR, wo Fragmentierung entsteht.

Unser Ansatz ergänzt die EHR, anstatt sie zu ersetzen. Wir arbeiten in bestehenden Umgebungen, indem wir Intelligenz in die Bereiche hinzufügen, wo die Arbeit tatsächlich stattfindet.

Dies ermöglicht es uns, den administrativen Aufwand zu reduzieren, die Genauigkeit zu verbessern und Teams zu helfen, sich auf wertvollere Aktivitäten zu konzentrieren, ohne dass Änderungen an der Kerninfrastruktur erforderlich sind.

Wie sehen Sie den Revenue-Cycle in den nächsten fünf Jahren, und welche Rolle werden menschliche Betreiber weiterhin spielen? 

In den nächsten fünf Jahren werden Revenue-Cycle-Operationen von reaktiven und arbeitsintensiven zu proaktiven und koordinierten Operationen wechseln.

Weniger Aufwand wird für Nachbearbeitung wie Berufungen und Nachverfolgung aufgewendet, und mehr wird auf die Verhinderung von Ablehnungen und die Verbesserung der finanziellen Vorhersehbarkeit konzentriert.

Dieser Wechsel erweitert die Möglichkeiten für die Belegschaft. Heute ist zu viel qualifizierte Arbeitskraft an repetitive Aufgaben gebunden. Wenn die Automatisierung diese Last reduziert, können Teams sich auf Ausnahmeverwaltung, Prozessverbesserung, strategische Entscheidungsfindung und Patientenversorgung konzentrieren.

Rollen verschwinden nicht. Sie entwickeln sich weiter. Menschliche Expertise nimmt nicht ab. Sie wird kritischer und zentraler für die gesamte Revenue-Cycle-Leistung.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Ensemble Health Partners besuchen.