Andrew Ray, Director de Producto y Innovación de Ensemble – Serie de Entrevistas

Andrew Ray, Director de Producto y Innovación de Ensemble, aporta una profunda experiencia en la intersección de las finanzas de la salud, las operaciones del ciclo de ingresos, la estrategia de producto y la innovación. En Ensemble, lidera las iniciativas de producto, la mejora operativa y la innovación, incluida la asociación de la empresa con Epic, Rev Cycler. Su experiencia incluye la transformación de los proveedores de atención médica y el crecimiento estratégico en McKinsey & Company, el liderazgo del ciclo de ingresos en Stanford Children’s Health, y roles de asesoramiento en salud en EY y Triage Consulting Group, lo que le da una sólida base en ejecución operativa y transformación de la salud habilitada por la tecnología.

Ensemble Health Partners es una empresa de gestión del ciclo de ingresos de la salud que trabaja con hospitales, sistemas de salud y prácticas médicas para mejorar el desempeño financiero, la experiencia del paciente y la eficiencia operativa. La empresa ofrece apoyo de gestión del ciclo de ingresos de extremo a extremo en áreas como la participación del paciente, la codificación, la gestión de reclamaciones, la prevención de denegaciones, el desempeño de los pagadores y la resolución de cuentas, utilizando la toma de decisiones impulsada por IA, la automatización, el análisis y su plataforma de inteligencia del ciclo de ingresos EIQ para ayudar a los proveedores a reducir la fricción y acelerar el reembolso. Ensemble también ha asociado con Epic a través del programa Rev Cyclers y ha ampliado su trabajo con Microsoft Azure, inteligencia artificial generativa y aprendizaje automático para avanzar en las operaciones del ciclo de ingresos habilitadas por IA.

¿Qué descomposiciones específicas en los flujos de trabajo de gestión del ciclo de ingresos tradicionales lo convencieron de que se necesitaba un modelo de lenguaje grande (LLM) con fines específicos? 

Los sistemas de salud operan con márgenes del 2% al 4% mientras que las tasas de denegación inicial aumentan al 12% al 15%. Ese es el punto de ruptura que nos mostró que los enfoques tradicionales del ciclo de ingresos no resuelven el problema principal y que se necesita un enfoque fundamentalmente diferente. Esa presión afecta a todas las partes de la organización, desde el personal hasta la inversión en tecnología y la capacidad de atención.

La mayoría de las soluciones no abordan el sistema de extremo a extremo en su conjunto. Las organizaciones se quedan con herramientas fragmentadas, datos siloizados y actividades desconectadas que dependen de la creación de contexto a través de la ingeniería de solicitudes en modelos de propósito general.

Ese enfoque es más lento, más caro, menos consistente y difícil de gestionar a gran escala.

Un modelo con fines específicos cambia eso al introducir datos históricos y en tiempo real en una plataforma gobernada. Puede anticipar el comportamiento de los pagadores, mostrar inteligencia relevante, ayudar a reducir las denegaciones y operar en entornos conformes y auditables.

¿Ha habido algo desde su escritura anterior que haya reforzado o cambiado su perspectiva sobre la inteligencia artificial general en comparación con los modelos con fines específicos? 

Nuestro desarrollo y despliegue continuo de la orquestación de IA de extremo a extremo en el ciclo de ingresos ha seguido reforzando dónde brillan los LLM de frontera y dónde hay brechas significativas que estamos abordando con modelos con fines específicos.

Los LLM de frontera funcionan bien con la razonamiento clínico, pero estamos invirtiendo mucho en proporcionar el contexto y la experiencia de nuestros médicos y enfermeras que tienen décadas de experiencia en la división clínica y administrativa de la salud. Eso resulta ser una combinación poderosa que entrega resultados excepcionales al integrar esas soluciones de IA con expertos en el bucle.

Los modelos generales siguen encontrando las realidades de los entornos del ciclo de ingresos regulados y la falta de datos de entrenamiento para navegar procesos del ciclo de ingresos matizados. En simples palabras, la IA de venta identifica un medio para una respuesta pero a menudo carece de la sutileza para entregar inteligencia y procesos que impulsan resultados y un desempeño de clase mundial.

Ajustar modelos generales todavía produce inconsistencia, una gobernanza débil y una capacidad limitada para gestionar la sutileza. Esta es una limitación estructural, no un problema de herramientas.

Ensemble está construyendo capacidades y reingenierizando procesos y datos para entregar resultados – prevención de denegaciones, mejora de la participación del paciente y acceso a la atención, y mejora de la alineación de la atención con los pagadores.

¿Cuáles son las limitaciones más críticas de la ingeniería de solicitudes superpuesta a modelos de propósito general en las operaciones del ciclo de ingresos? 

La promesa de la IA en el ciclo de ingresos no se trata solo de aplicar un modelo de propósito general a tareas de salud – se trata de si la IA realmente entiende el dominio. Las limitaciones de la ingeniería de solicitudes sobre modelos de base es que se logran capacidades de generalista capaces que pasan la prueba de razonabilidad en la superficie pero carecen de la sutileza necesaria para entregar un desempeño de clase mundial que se adapte y mejore continuamente. ‘Necesidad médica’ significa algo diferente para un pagador comercial nacional que para un MAC de Medicare, y esa diferencia determina el desempeño financiero. Un modelo entrenado en Internet abierto no sabe eso, la ingeniería de solicitudes puede cerrar algunas de esas brechas pero pierde la sutileza contextual completa y precisa.

Por diseño, los modelos con ingeniería de solicitudes son estáticos. No pueden aprender cuando un pagador cambia silenciosamente su comportamiento de adjudicación, cuando surge un nuevo patrón de denegación o cuando una estrategia de apelación que funcionó el trimestre pasado deja de funcionar. En Ensemble, hemos construido el bucle de retroalimentación cerrado que convierte cada resultado de reclamación en inteligencia – porque nos sentamos en el centro del ciclo de ingresos en cientos de sistemas de salud y pagadores, a una escala que ningún proveedor podría replicar internamente.

Lo que hemos encontrado es que el verdadero foso en la gestión del ciclo de ingresos impulsada por IA no es el modelo – es los datos y la experiencia codificados en él. Hemos pasado años operativizando lo que hacen nuestros mejores especialistas en denegaciones, codificadores y expertos en relaciones con pagadores para entregar resultados de clase mundial. No puedes inyectar eso en un sistema de solicitud – debe vivir en cómo se entrenó el modelo, contra qué se evaluó y cómo se integró en el flujo de trabajo.

La transformación de la IA en el ciclo de ingresos de la salud se separará en dos campos: organizaciones que utilizan la IA como una capa de productividad sobre procesos existentes, y organizaciones que han reconstruido la inteligencia en el proceso en sí. Ensemble está firmemente en el segundo campo – y para los sistemas de salud bajo presión de margen, esa distinción es la diferencia entre la mejora incremental y la transformación.

¿Cómo se ve el techo de precisión de los sistemas con ingeniería de solicitudes en la práctica cuando se trata de reglas de pagadores y flujos de trabajo de múltiples pasos? 

El techo se muestra como inconsistencia en los puntos donde el desempeño del ciclo de ingresos depende de la precisión. No se trata solo de precisión bruta. Se trata de confiabilidad en condiciones de funcionamiento real.

Los sistemas con ingeniería de solicitudes intentan introducir lógica del ciclo de ingresos en el momento de la inferencia cargando el contexto en cada solicitud. Eso puede funcionar en escenarios más simples, pero se rompe con el comportamiento específico del pagador, la sutileza regulatoria y las dependencias de múltiples pasos.

Las salidas pueden estar en la dirección correcta, pero no son lo suficientemente confiables para las operaciones diarias.

A medida que aumenta la complejidad, el costo aumenta y la coherencia disminuye, lo que lleva a brechas en la secuencia, dependencias perdidas y pérdida de contexto a través de los pasos.

Es por eso que nos centramos en modelos basados en datos operativos reales y integrados directamente en la actividad del ciclo de ingresos en lugar de reconstruir el contexto a demanda.

¿Ve una carrera armamentista entre la IA de los pagadores y la IA de los proveedores, y cómo deberían responder los sistemas de salud? 

La estructura de la carrera armamentista no captura completamente lo que está sucediendo. Tanto los pagadores como los proveedores están aplicando rápidamente la IA en la autorización previa y el procesamiento de reclamaciones. En muchos casos, eso aumenta la fricción en lugar de reducirla y puede resultar en sistemas automatizados que interactúan sin resolución.

La IA por sí sola no resuelve las operaciones del ciclo de ingresos fragmentadas. Aplicada sobre la fragmentación, puede amplificar el problema. La respuesta más fuerte es moverse de operaciones reactivas a operaciones proactivas. Eso requiere visibilidad en todo el ciclo de ingresos, una base de datos más fuerte y la capacidad de anticipar el comportamiento de los pagadores, identificar el riesgo más temprano y resolver problemas antes de la presentación.

Cuando las organizaciones operan con ese nivel de coordinación y perspicacia, la dinámica cambia de fricción a un desempeño más fuerte. Estamos entregando resultados reales, en ese sentido, donde estamos logrando una reducción de la fricción y una alineación más rápida con los pagadores en cada paso – con la IA reingenierada en cada paso.

¿Cómo garantiza que un modelo entrenado sin datos de paciente identificables aún capture la complejidad del mundo real? 

La ausencia de datos de paciente identificables no significa una ausencia de complejidad del mundo real.

Al gestionar 80 millones de transacciones al año, Ensemble ha unificado más de dos petabytes de datos de proveedores, pagadores y clínicos en un activo listo para IA. Esa base refleja cómo realmente funciona la actividad del ciclo de ingresos a escala, incluyendo la experiencia del operador, el comportamiento específico del pagador y los patrones de denegación, y desbloquea la modelización predictiva, las perspectivas en tiempo real y los flujos de trabajo de IA que ayudan a proteger a los proveedores contra retrasos y denegaciones de pago.

Utilizamos conjuntos de datos sintéticos y desidentificados de alta calidad de fuentes certificadas en un entorno compatible con HIPAA. Estos conjuntos de datos conservan la estructura, la variabilidad y los casos límite presentes en escenarios del mundo real.

No estamos replicando el registro electrónico de salud (EHR). Adoptamos un enfoque nativo del EHR, agregando inteligencia donde más importa, especialmente en áreas vinculadas a los requisitos de los pagadores y las decisiones que se encuentran fuera del EHR.

Mejoramos este enfoque con expertos de clase mundial (médicos, enfermeras, operadores del ciclo de ingresos) que proporcionan la sutileza y la experiencia que la IA y los datos no pueden lograr de forma independiente.

Este enfoque conserva la complejidad del mundo real, impulsa los resultados y el desempeño mientras protege la privacidad del paciente.

¿Cómo traduce la toma de decisiones y los flujos de trabajo humanos en algo que un modelo pueda aprender y ejecutar de manera confiable? 

Lo que hace que esto funcione es la profundidad de la experiencia del operador detrás de ello. Traducir eso en nuestro modelo no se trata de aproximar la experiencia. Se trata de capturar cómo trabajan realmente los equipos experimentados.

Entrenamos en tareas reales del ciclo de ingresos y estructuramos el sistema alrededor de las reglas, dependencias y patrones que los operadores utilizan todos los días. Los sistemas más efectivos combinan múltiples capas de inteligencia. La lógica determinista admite pasos que deben permanecer consistentes, como validaciones y verificaciones de políticas. Los modelos predictivos evalúan el riesgo, como la probabilidad de denegación. Los modelos de razonamiento abordan la complejidad, incluida la interpretación y la generación de narrativas.

Cada capa reduce la incertidumbre y refleja cómo operan los equipos de alto rendimiento en la práctica.

¿Cómo se ve la orquestación de extremo a extremo desde la admisión del paciente hasta la resolución de cuentas? 

La orquestación de extremo a extremo significa moverse desde el apoyo a tareas aisladas a un sistema que opera en todo el ciclo de vida clínico a financiero.

Comienza en la admisión del paciente, apoyando la captura de datos precisa, la verificación de elegibilidad y los requisitos de autorización en tiempo real para prevenir problemas downstream.

A medida que se desarrolla la documentación y la codificación, el sistema alinea la actividad con las expectativas de los pagadores e identifica el riesgo temprano. A través de la facturación y la adjudicación, monitorea el comportamiento de los pagadores, las sutilezas contractuales y los posibles subpagos.

Cuando surgen problemas, el sistema conecta los resultados con las causas raíz y alimenta la perspicacia hacia arriba.

Hoy en día, muchas organizaciones dependen de 15 a 30 soluciones de punto diferentes en el ciclo de ingresos. Cada una mejora un área específica, pero no aprenden juntas. Las brechas entre las funciones permiten que la fuga de ingresos persista.

La orquestación une todo esto a través de datos unificados, actividad del ciclo de ingresos coordinada y responsabilidad clara, creando un sistema de aprendizaje continuo en todo el ciclo de vida.

¿Dónde fallan los registros electrónicos de salud (EHR) actuales, y cómo se extienden sus capacidades sin perturbar la infraestructura existente? 

Los EHR son fundamentales. Sirven como el sistema de registro para los datos clínicos y financieros.

No fueron diseñados para actuar como sistemas de inteligencia para las operaciones del ciclo de ingresos.

La brecha está en conectar el contexto a través del ciclo de ingresos. Mientras que los EHR almacenan y organizan la información, no interpretan el comportamiento de los pagadores, anticipan denegaciones o guían a los usuarios a través de actividades complejas y de múltiples pasos que se extienden más allá de sus límites.

Mucho del trabajo necesario para gestionar los requisitos de los pagadores y las excepciones ocurre fuera del EHR, lo que es donde se desarrolla la fragmentación.

Nuestro enfoque complementa el EHR en lugar de reemplazarlo. Trabajamos dentro de los entornos existentes, agregando inteligencia en las áreas donde realmente se está realizando el trabajo.

Esto nos permite reducir la carga administrativa, mejorar la precisión y ayudar a los equipos a centrarse en actividades de mayor valor sin requerir cambios en la infraestructura básica.

¿Cómo ve evolucionar el ciclo de ingresos en los próximos cinco años, y qué papel seguirán desempeñando los operadores humanos? 

En los próximos cinco años, las operaciones del ciclo de ingresos se moverán de reactivas y laboriosas a proactivas y coordinadas.

Se dedicará menos esfuerzo a la rework como apelaciones y seguimiento, y más se centrará en la prevención upstream. Las denegaciones y los subpagos se identificarán cada vez más temprano, mejorando tanto la estructura de costos como la previsibilidad financiera.

Este cambio expande la oportunidad para la fuerza laboral. Hoy en día, demasiado trabajo especializado se vincula a tareas repetitivas. A medida que la automatización reduce esa carga, los equipos pueden centrarse en la gestión de excepciones, la mejora de procesos, la toma de decisiones estratégicas y la atención al paciente

Los roles no desaparecen. Evolucionan. La experiencia humana no disminuye. Se vuelve más crítica y más central para el desempeño general del ciclo de ingresos.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Ensemble Health Partners.