Ανδρέας Ρέι, Chief Product και Innovation Officer στην Ensemble – Σειρά Συνεντεύξεων

Ανδρέας Ρέι, Chief Product και Innovation Officer στην Ensemble, φέρνει βαθιά εμπειρία στο σημείο τομής της υγείας, των οικονομικών, των επιχειρηματικών στρατηγικών και της καινοτομίας. Στην Ensemble, ηγείται των πρωτοβουλιών προϊόντων, βελτίωσης λειτουργιών και καινοτομίας, συμπεριλαμβανομένης της συνεργασίας της εταιρείας με την Epic. Το υπόβαθρό του περιλαμβάνει μετασχηματισμό παρόχων υγείας και στρατηγική ανάπτυξη στην McKinsey & Company, ηγεσία κύκλου εσόδων στο Stanford Children’s Health και προηγούμενους ρόλους συμβούλων υγείας στην EY και Triage Consulting Group, δίνοντάς του μια ισχυρή βάση τόσο σε λειτουργική εκτέλεση όσο και σε τεχνολογική μετασχηματισμό υγείας.

Ensemble Health Partners είναι μια εταιρεία διαχείρισης κύκλου εσόδων υγείας που συνεργάζεται με νοσοκομεία, συστήματα υγείας και ιατρικές πρακτικές για τη βελτίωση της οικονομικής απόδοσης, της εμπειρίας του ασθενούς και της λειτουργικής αποτελεσματικότητας. Η εταιρεία παρέχει ολοκληρωμένη υποστήριξη RCM σε τομείς όπως η εμπλοκή του ασθενούς, η κωδικοποίηση, η διαχείριση αιτημάτων, η πρόληψη των απορρίψεων, η απόδοση των ασφαλιστών και η επίλυση λογαριασμών, χρησιμοποιώντας λύσεις AI, αυτοματοποίηση, αναλυτικά και την πύλη έξυπνης διαχείρισης κύκλου εσόδων EIQ για να βοηθήσει τους παρόχους να μειώσουν τις δυσκολίες και να επιταχύνουν την αποζημίωση. Η Ensemble έχει επίσης συνεργαστεί με την Epic μέσω του προγράμματος Rev Cyclers και έχει επεκτείνει τη δουλειά της με την Microsoft Azure γεννητική AI και μηχανική μάθηση για να προωθήσει τις λειτουργίες κύκλου εσόδων που βασίζονται στην AI.

Ποια συγκεκριμένα προβλήματα στις παραδοσιακές ροές διαχείρισης κύκλου εσόδων σας έκαναν να πιστεύετε ότι ήταν απαραίτητο ένα μοντέλο LLM με ειδικό σκοπό;

Τα συστήματα υγείας λειτουργούν με περιθώρια 2% έως 4%, ενώ οι αρχικές απορρίψεις φτάνουν στο 12% έως 15%. Αυτός είναι ο κρίσιμος σημείο που μας έδειξε ότι οι παραδοσιακές προσεγγίσεις διαχείρισης κύκλου εσόδων δεν λύνουν το βασικό πρόβλημα και ότι χρειαζόμαστε μια θεμελιωδώς διαφορετική προσέγγιση. Αυτή η πίεση επηρεάζει κάθε μέρος της οργάνωσης, από τη στελέχωση έως τις επενδύσεις σε τεχνολογία και την ικανότητα φροντίδας.

Οι περισσότερες λύσεις δεν αντιμετωπίζουν το σύστημα ως ένα ολοκληρωμένο σύνολο. Οι οργανώσεις μένουν με θραύσματα εργαλείων, απομονωμένα δεδομένα και αποσυνδεδεμένες δραστηριότητες που εξαρτώνται από τη ραφή του πλαισίου με τη βοήθεια γενικών μοντέλων.

Αυτή η προσέγγιση είναι πιο αργή, πιο δαπανηρή, λιγότερο συνεπής και δύσκολο να διαχειριστεί σε κλίμακα.

Ένα μοντέλο με ειδικό σκοπό αλλάζει αυτό, φέρνοντας ιστορικά και πραγματικά δεδομένα σε μια διαχειριζόμενη πλατφόρμα. Μπορεί να προβλέψει τη συμπεριφορά των ασφαλιστών, να επιφέρει σχετικές πληροφορίες, να βοηθήσει στη μείωση των απορρίψεων και να λειτουργήσει σε συμμόρφωση με τις απαιτήσεις και τους κανόνες.

Έχει κάτι από τότε που έγραψα νωρίτερα ενισχύσει ή αλλάξει την άποψή σας για γενικά μοντέλα AI έναντι μοντέλων με ειδικό σκοπό;

Η συνεχής ανάπτυξη και ανάπτυξη της ολοκληρωμένης ορχήστρας AI στον κύκλο εσόδων έχει ενισχύσει όπου τα μοντέλα LLM είναι αποτελεσματικά και όπου υπάρχουν σημαντικά κενά που αντιμετωπίζουμε με μοντέλα με ειδικό σκοπό.

Τα μοντέλα LLM λειτουργούν καλά με κλινική λογική, αλλά επενδύουμε πολύ στην παροχή του πλαισίου και της εμπειρογνωμοσύνης από τους ιατρούς και τις νοσοκόμες που έχουν δεκάδες χρόνια εμπειρίας στη γέφυρα μεταξύ κλινικής και διοικητικής πλευράς της υγείας. Αυτό αποδεικνύεται μια ισχυρή συνδυασμένη προσέγγιση που παρέχει εξαιρετικά αποτελέσματα, ενσωματώνοντας αυτές τις λύσεις AI με εμπειρογνώμονες στη διαδικασία.

Τα ευρύτερα μοντέλα συνεχίζουν να αντιμετωπίζουν τις πραγματικότητες των ρυθμιζόμενων περιβαλλόντων κύκλου εσόδων και την έλλειψη δεδομένων εκπαίδευσης για την πλοήγηση των λεπτών αποχρώσεων του κύκλου εσόδων. Απλά, τα γενικά μοντέλα AI αναφέρουν ένα μέσο για μια απάντηση, αλλά συχνά λείπουν της νύανσης για την παροχή νοήματος και διαδικασιών που οδηγούν σε αποτελέσματα και κορυφαίες επιδόσεις.

Η προσαρμογή των γενικών μοντέλων vẫn παράγει ασυνέπεια, αδύναμη διακυβέρνηση και περιορισμένη ικανότητα να διαχειριστεί τις νύανσεις. Αυτό είναι ένα δομικό περιορισμό, όχι ένα ζήτημα εργαλείων.

Η Ensemble κατασκευάζει ικανότητες και ανασχεδιάζει διαδικασίες και δεδομένα για την παροχή αποτελεσμάτων – πρόληψη απορρίψεων, βελτίωση της εμπλοκής του ασθενούς και πρόσβασης στη φροντίδα και βελτίωση της φροντίδας σύμφωνα με τους ασφαλιστές.

Ποια είναι τα πιο κρίσιμα προβλήματα της μηχανικής προώθησης που στοιβάζεται πάνω σε γενικά μοντέλα στον κύκλο εσόδων;

Η υπόσχεση της AI στον κύκλο εσόδων δεν είναι μόνο η εφαρμογή ενός γενικού μοντέλου σε εργασίες υγείας — είναι αν η AI πραγματικά καταλαβαίνει το πεδίο. Τα προβλήματα της μηχανικής προώθησης πάνω σε μοντέλα είναι ότι επιτυγχάνουν ικανές γενικές ικανότητες που περνούν το τεστ της λογικότητας στην επιφάνεια, αλλά λείπουν της νύανσης που απαιτείται για να παρέχουν κορυφαίες επιδόσεις που συνεχώς προσαρμόζονται και βελτιώνονται. ‘Ιατρική αναγκαιότητα’ σημαίνει κάτι διαφορετικό σε έναν εθνικό εμπορικό ασφαλιστή από ότι σε έναν Medicare MAC, και αυτή η διαφορά καθορίζει την οικονομική απόδοση. Ένα μοντέλο που έχει εκπαιδευτεί στο ανοιχτό διαδίκτυο δεν ξέρει αυτό, η προώθηση μπορεί να κλείσει κάποια από αυτά τα κενά, αλλά χάνει την πλήρη και ακριβή νύανση του πλαισίου.

Κατά σχεδιασμό, τα μοντέλα που έχουν προωθηθεί με μηχανική είναι στατικά. Δεν μπορούν να μάθουν όταν ένας ασφαλιστής αλλάζει ήπια τη συμπεριφορά του, όταν εμφανίζεται ένα νέο μοτίβο απορρίψεων ή όταν μια στρατηγική έφεσης που λειτουργούσε την προηγούμενη περίοδο παύει να λειτουργεί. Στην Ensemble, έχουμε κατασκευάσει einen κλειστό βρόχο ανατροφοδότησης που μετατρέπει κάθε αποτέλεσμα αιτήματος σε νοήμα — επειδή καθόμαστε στο κέντρο του κύκλου εσόδων σε εκατοντάδες συστήματα υγείας και ασφαλιστές, σε μια κλίμακα που κανένας einzelner πάροχος δεν θα μπορούσε να αναπαραγάγει εσωτερικά.

Τι έχουμε βρει είναι ότι ο πραγματικός φραγμός στην AI-ενισχυμένη διαχείριση κύκλου εσόδων δεν είναι το μοντέλο — είναι τα δεδομένα και η εμπειρογνωμοσύνη που κωδικοποιείται σε αυτό. Έχουμε δαπανήσει χρόνια operationalizing τι κάνουν οι καλύτεροι ειδικοί απορρίψεων, κωδικοποίησης και ασφαλιστικών σχέσεων για να παρέχουν κορυφαία αποτελέσματα. Δεν μπορείτε να ενject αυτή την γνώση σε ένα σύστημα — πρέπει να ζήσει στο πώς το μοντέλο έχει εκπαιδευτεί, τι έχει αξιολογηθεί και πώς ενσωματώνεται στη διαδικασία.

Η μετασχηματισμός της AI στην υγεία του κύκλου εσόδων θα χωριστεί σε δύο στρατόπεδα: οργανισμούς που χρησιμοποιούν AI ως ένα στρώμα παραγωγικότητας πάνω από τις υφιστάμενες διαδικασίες και οργανισμούς που έχουν ξαναχτίσει την νοήμα στη διαδικασία herself. Η Ensemble είναι σαφώς στο δεύτερο στρατόπεδο — και για τα συστήματα υγείας υπό πίεση περιθωρίου, αυτή η διάκριση είναι η διαφορά μεταξύ της επιμέρους βελτίωσης και της μετασχηματίσεως.

Τι είναι το όριο ακρίβειας των συστημάτων που βασίζονται σε προώθηση όταν αντιμετωπίζουν κανόνες ασφαλιστών και πολύπλοκες διαδικασίες;

Το όριο εμφανίζεται ως ασυνέπεια στους σημεία όπου η απόδοση του κύκλου εσόδων εξαρτάται από την ακρίβεια. Δεν είναι μόνο για την ακρίβεια. Είναι για την αξιοπιστία στις πραγματικές συνθήκες λειτουργίας.

Τα συστήματα που βασίζονται σε προώθηση προσπαθούν να εισαγάγουν λογική κύκλου εσόδων κατά τη διάρκεια της εύρεσης, φορτώνοντας το πλαίσιο στο κάθε αίτημα. Αυτό μπορεί να λειτουργήσει σε απλές περιπτώσεις, αλλά σπάει με την συμπεριφορά των ασφαλιστών, την νύανση των κανονισμών και τις πολύπλοκες εξαρτήσεις.

Τα αποτελέσματα μπορεί να είναι κατευθυντικά σωστά, αλλά δεν είναι αρκετά αξιόπιστα για την καθημερινή λειτουργία.

Όσο αυξάνεται η πολυπλοκότητα, αυξάνεται ο κόστος και μειώνεται η συνάφεια, οδηγώντας σε κενά στην αλληλουχία, σε λείψανα εξαρτήσεων και απώλεια πλαισίου σε όλα τα βήματα.

Γι’ αυτό εστιάζουμε σε μοντέλα που βασίζονται σε πραγματικά δεδομένα λειτουργίας και ενσωματωμένα απευθείας στη δραστηριότητα του κύκλου εσόδων, αντί να ανακατασκευάζουμε το πλαίσιο με αίτημα.

Δείτε τον αγώνα AI των ασφαλιστών και των παρόχων να εξελίσσεται σε einen αγώνα; Πώς πρέπει τα συστήματα υγείας να ανταποκριθούν;

Η ερμηνεία του αγώνα δεν πιάνει πλήρως τι συμβαίνει. Και οι ασφαλιστές και οι πάροχοι εφαρμόζουν γρήγορα την AI σε προκαταρκτικές εξουσιοδοτήσεις και επεξεργασία αιτημάτων. Σε πολλές περιπτώσεις, αυτό αυξάνει τις δυσκολίες αντί να τις μειώνει και μπορεί να οδηγήσει σε αυτόματα συστήματα που αλληλεπιδρούν χωρίς επίλυση.

Η AI από μόνη της δεν επιλύει τις θραύσματα λειτουργιών του κύκλου εσόδων. Εφαρμοσμένη πάνω στις θραύσματα, μπορεί να ενισχύσει το πρόβλημα. Η ισχυρότερη απάντηση είναι να μεταβεί από αντιδραστικές σε προδραστικές λειτουργίες. Αυτό απαιτεί ορατότητα σε ολόκληρο τον κύκλο εσόδων, μια ισχυρότερη βάση δεδομένων και την ικανότητα να προβλέψει τη συμπεριφορά των ασφαλιστών, να αναγνωρίσει τον κίνδυνο νωρίτερα και να επιλύσει προβλήματα πριν από την υποβολή.

Όταν οι οργανισμοί λειτουργούν με αυτό το επίπεδο συντονισμού και ενημέρωσης, η δυναμική μετατρέπεται από δυσκολίες σε ισχυρότερη απόδοση. Παρέχουμε πραγματικά αποτελέσματα, προς αυτή την κατεύθυνση, όπου επιτυγχάνουμε μείωση δυσκολιών και ταχύτερη ευθυγράμμιση με τους ασφαλιστές σε κάθε βήμα — με την AI ανασχεδιασμένη σε κάθε βήμα.

Πώς εξασφαλίζετε ότι ένα μοντέλο που εκπαιδεύτηκε χωρίς αναγνωρίσιμα δεδομένα ασθενούς ainda καταλαβαίνει την πολυπλοκότητα του πραγματικού κόσμου;

Η απουσία αναγνωρίσιμων δεδομένων ασθενούς δεν σημαίνει απουσία πολυπλοκότητας του πραγματικού κόσμου.

Διαχειριζόμενη 80 εκατομμύρια συναλλαγές το χρόνο, η Ensemble έχει ενωθεί περισσότερα από δύο petabytes δεδομένων παρόχων, ασφαλιστών και κλινικών σε ένα έτοιμο για AI περιουσιακό στοιχείο. Αυτή η βάση αντανακλά πώς λειτουργεί πραγματικά η δραστηριότητα του κύκλου εσόδων σε κλίμακα, συμπεριλαμβανομένης της εμπειρογνωμοσύνης των χειριστών, της συμπεριφοράς των ασφαλιστών και των μοτίβων απορρίψεων, και ξεκλειδώνει προβλέψιμη μοντελοποίηση, πραγματικές ενημερώσεις και εργασίες AI που βοηθούν τους παρόχους να προστατεύσουν από καθυστερήσεις και απορρίψεις πληρωμών.

Χρησιμοποιούμε υψηλής ποιότητας συνθετικά και αναγνωρίσιμα datasets από πιστοποιημένες πηγές σε einen περιβάλλον που συμμορφώνεται με τον HIPAA. Αυτά τα datasets διατηρούν τη δομή, την παραλλαγή και τις περιπτώσεις ακμής που υπάρχουν σε πραγματικές περιπτώσεις.

Δεν αναπαράγουμε το EHR. Λαμβάνουμε einen προσεγγιστικό EHR, προσθέτοντας νοήμα στις περιοχές όπου συμβαίνει η δουλειά.

Ενισχύουμε αυτή την προσέγγιση με παγκόσμιους εμπειρογνώμονες (ιατρούς, νοσοκόμες, χειριστές κύκλου εσόδων) που παρέχουν την προσέγγιση νύανσης και εμπειρογνωμοσύνης που η AI και τα δεδομένα δεν μπορούν ακόμη να επιτύχουν ανεξάρτητα.

Αυτή η προσέγγιση διατηρεί την πολυπλοκότητα του πραγματικού κόσμου, οδηγεί στα αποτελέσματα και την απόδοση ενώ προστατεύει την ιδιωτικότητα του ασθενούς.

Πώς μεταφράζετε την ανθρώπινη λήψη αποφάσεων και τις δραστηριότητες σε κάτι που ένα μοντέλο μπορεί να μάθει και να εκτελέσει αξιόπιστα;

Τι κάνει αυτή τη δουλειά είναι το βάθος της εμπειρογνωμοσύνης πίσω της. Η μετάφραση αυτής στο μοντέλο μας δεν είναι για να προσεγγίσει την εμπειρογνωμοσύνη. Είναι για να καταγράψει πώς οι έμπειροι ομάδες λειτουργούν πραγματικά.

Εκπαιδεύουμε σε πραγματικές εργασίες κύκλου εσόδων και δομούμε το σύστημα γύρω από τους κανόνες, τις εξαρτήσεις και τα μοτίβα που οι χειριστές χρησιμοποιούν κάθε μέρα. Τα πιο αποτελεσματικά συστήματα συνδυάζουν πολλαπλά στρώματα νοήματος. Η ντετερμινιστική λογική υποστηρίζει βήματα που πρέπει να παραμείνουν συνεπή, όπως έλεγχος και πολιτικές. Προβλέψιμα μοντέλα αξιολογούν τον κίνδυνο, όπως η πιθανότητα απορρίψεων. Μοντέλα λογικής αντιμετωπίζουν την πολυπλοκότητα, συμπεριλαμβανομένης της ερμηνείας και της αφηγηματικής γεννήσεως.

Κάθε στρώμα μειώνει την αβεβαιότητα και αντανακλά πώς λειτουργούν οι υψηλής απόδοσης ομάδες στην πράξη.

Τι είναι η ολοκληρωμένη ορχήστρα από την εισαγωγή του ασθενούς έως την επίλυση του λογαριασμού;

Η ολοκληρωμένη ορχήστρα σημαίνει μετακίνηση από την υποστήριξη απομονωμένων εργασιών στην υποστήριξη ενός συστήματος που λειτουργεί σε ολόκληρο τον κύκλο ζωής κλινικής-σε-χρήματα.

Ξεκινά από την εισαγωγή του ασθενούς, υποστηρίζοντας την ακριβή συλλογή δεδομένων, την επαλήθευση της ικανότητας και τις απαιτήσεις εξουσιοδότησης σε πραγματικό χρόνο για να προληφθούν τα προβλήματα.

Όσο η τεκμηρίωση και η κωδικοποίηση λαμβάνουν σχήμα, το σύστημα ευθυγραμμίζει τη δραστηριότητα με τις προσδοκίες των ασφαλιστών και αναγνωρίζει τον κίνδυνο νωρίτερα. Μέσω της διαδικασίας Billing και της αξιολόγησης, παρακολουθεί για τη συμπεριφορά των ασφαλιστών, τις νύανσεις των συμβάσεων και τις πιθανές υποπληρωμές.

Όταν εμφανίζονται προβλήματα, το σύστημα συνδέει τα αποτελέσματα με τις αιτίες και τα αποτελέσματα ανταποκρίνονται στην αρχική αιτία.

Σήμερα, πολλές οργανώσεις εξαρτώνται από 15 έως 30 διαφορετικά σημεία λύσεων σε ολόκληρο τον κύκλο εσόδων. Κάθε λύση βελτιώνει μια συγκεκριμένη περιοχή, αλλά δεν μαθαίνουν μαζί. Τα κενά μεταξύ των λειτουργιών επιτρέπουν την διαρροή εσόδων να συνεχιστεί.

Η ορχήστρα φέρνει όλα αυτά μαζί μέσω της ενοποιημένης βάσης δεδομένων, της συντονισμένης δραστηριότητας του κύκλου εσόδων και της σαφούς ευθύνης, δημιουργώντας ένα συνεχές σύστημα μάθησης σε ολόκληρο τον κύκλο ζωής.

Πού πέφτουν τα τρέχοντα EHR; Πώς η προσέγγισή σας επεκτείνει τις ικανότητές τους χωρίς να διαταράσσει την υφιστάμενη υποδομή;

Τα EHR είναι θεμελιώδη. Λειτουργούν ως το σύστημα εγγραφής για κλινικά και οικονομικά δεδομένα.

Δεν σχεδιάστηκαν για να λειτουργούν ως συστήματα νοήματος για τις λειτουργίες του κύκλου εσόδων.

Το κενό είναι στην σύνδεση του πλαισίου σε ολόκληρο τον κύκλο εσόδων. Ενώ τα EHR αποθηκεύουν και οργανώνουν πληροφορίες, δεν ερμηνεύουν τη συμπεριφορά των ασφαλιστών, δεν προβλέπουν τις απορρίψεις ή δεν οδηγούν τους χρήστες μέσω πολύπλοκων, πολυβηματικών δραστηριοτήτων που εκτείνονται πέρα από τα όρια τους.

ΜUCH της δουλειάς που απαιτείται για τη διαχείριση των απαιτήσεων των ασφαλιστών και των εξαιρέσεων συμβαίνει έξω από το EHR, όπου αναπτύσσεται η θραύσμα.

Η προσέγγισή μας συμπληρώνει το EHR αντί να το αντικαθιστά. Λειτουργούμε μέσα στα υπάρχοντα περιβάλλοντα, προσθέτοντας νοήμα στις περιοχές όπου συμβαίνει η δουλειά.

Αυτό μας επιτρέπει να μειώσουμε το διοικητικό φορτίο, να βελτιώσουμε την ακρίβεια και να βοηθήσουμε τις ομάδες να εστιάσουν σε δραστηριότητες υψηλότερης αξίας χωρίς να απαιτούν αλλαγές στην πυρήνα υποδομή.

Πώς βλέπετε τον κύκλο εσόδων να εξελίσσεται τα επόμενα πέντε χρόνια; Ποιο ρόλο θα συνεχίσουν να παίζουν οι ανθρώπινοι χειριστές;

Τα επόμενα πέντε χρόνια, οι λειτουργίες του κύκλου εσόδων θα μεταβούν από αντιδραστικές και εργατοβόρες σε προδραστικές και συντονισμένες.

Λιγότερη προσπάθεια θα καταβληθεί στην επανεπεξεργασία, όπως οι έφεσεις και η επανεξέταση, και περισσότερη θα εστιαστεί στην πρόληψη. Οι απορρίψεις και οι υποπληρωμές θα αναγνωρίζονται όλο και περισσότερο νωρίτερα, βελτιώνοντας τόσο την κόστος δομή όσο και την οικονομική προβλέψιμη.

Αυτή η μεταβολή επεκτείνει την ευκαιρία για την εργατική δύναμη. Σήμερα, πολύ εξειδικευμένη εργασία είναι δεσμευμένη σε επαναλαμβανόμενες εργασίες. Όσο η αυτοματοποίηση μειώνει αυτό το φορτίο, οι ομάδες μπορούν να εστιάσουν στην διαχείριση εξαιρέσεων, την βελτίωση της διαδικασίας, τη στρατηγική λήψη αποφάσεων και την φροντίδα του ασθενούς.

Οι ρόλοι δεν εξαφανίζονται. Εξελίσσονται. Η ανθρώπινη εμπειρογνωμοσύνη δεν μειώνεται. Γίνεται πιο κρίσιμη και πιο κεντρική στην ολική απόδοση του κύκλου εσόδων.

Ευχαριστούμε για τη μεγάλη συνέντευξη. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Ensemble Health Partners.