Andrew Ray, Ensemble:n Chief Product and Innovation Officer – Haastattelusarja

Andrew Ray, Ensemble:n Chief Product and Innovation Officer, tuo syvän kokemuksen terveydenhuollon talouden, tuoton kierron toimintojen, tuote-strategian ja innovaation risteyksestä. Ensemble:ssa hän johtaa tuote-, prosessin parantamis- ja innovaatiotoimia, mukaan lukien yhtiön Rev Cycler -kumppanuus Epicin kanssa. Taustalla on terveydenhuollon tarjoajan muutos- ja strateginen kasvu työ McKinsey & Company:ssa, tuoton kierron johtajuus Stanford Children’s Healthissa ja aikaisemmat terveydenhuollon neuvonantajat EY:ssa ja Triage Consulting Groupissa, mikä antaa hänelle vahvan perustan sekä operatiivisessa toiminnassa että teknologiaan perustuvassa terveydenhuollon muutoksessa.

Ensemble Health Partners on terveydenhuollon tuoton kierron hallintayhtiö, joka työskentelee sairaaloiden, terveydenhuollon järjestelmien ja lääkärien kanssa parantamaan taloudellista suorituskykyä, potilaskokemusta ja operatiivista tehokkuutta. Yhtiö tarjoaa lopputuloa tukevan RCM-tuen alueilla, kuten potilasosuuskunnassa, koodauksessa, vaatimusten hallinnassa, kieltäytymisen estämisessä, maksajien suorituskyvyn seuraamisessa ja tilitoiminnassa, käyttäen AI-vetämää päätöksentekoa, automaatiota, analyytikkoja ja sen EIQ-tuoton kierron älykkyyden alustaa auttamaan tarjoajia vähentämään kitkaa ja nopeuttamaan korvausta. Ensemble on myös tehnyt yhteistyötä Epicin kanssa Rev Cyclers -ohjelman kautta ja laajentanut työtään Microsoft Azure generatiivisen AI:n ja koneoppimisen kanssa edistääkseen AI-vetämää tuoton kierron toimintaa.

Mikä tarkka muutos perinteisissä RCM-työnkulussa vakuutti sinut siitä, että tarkoitukseen tehty LLM on välttämätön? 

Terveydenhuollon järjestelmät toimivat 2 %:n ja 4 %:n voittomarginaaleilla, kun alkuperäiset kieltäytymiset nousevat 12 %:iin ja 15 %:iin. Se on murtumapiste, joka osoittaa, että perinteiset tuoton kierron lähestymistavat eivät ratkaise perusongelmaa, ja että perustavanlaatuinen erilainen lähestymistapa on tarpeen. Tuo paine vaikuttaa jokaiseen organisaation osaan, henkilöstöstä teknologiaan ja hoitokapasiteettiin.

Useimmat ratkaisut eivät koske koko lopputuloa järjestelmää. Organisaatiot jäävät sirpaleisiin työkaluihin, eristyneisiin tietoihin ja yhteyttömään toimintaan, joka riippuu asiayhteyden yhdistämisestä yleispätevien mallien kautta.

Tuo lähestymistapa on hitaampi, kalliimpi, vähemmän johdonmukainen ja hankalampi hallita suurella mittakaavalla.

Tarkoitukseen tehty malli muuttaa tilannetta tuomalla historialliset ja reaaliaikaiset tiedot hallituihin alustoihin. Se voi ennakoida maksajan käyttäytymistä, tuoda esiin merkittäviä tietoja, auttaa vähentämään kieltäytymisiä ja toimia sääntelyn mukaisissa, auditoitavissa ympäristöissä.

Onko mikään muuttanut tai vahvistanut sinun näkökulmaasi yleisestä AI:sta verrattuna tarkoitukseen tehtyihin malleihin? 

Jatkuvasti kehittämämme ja käyttöön ottamamme lopputuloa koskevan AI-ohjauksen kehitys on jatkuvasti vahvistanut, missä eturintamalla LLM:t loistavat ja missä on merkittäviä aukkoja, joita olemme ratkaisseet tarkoitukseen tehtyjen mallien avulla.

Eturintamalla LLM:t suorittavat hyvin kliinisessä päättelyssä, mutta panostamme voimakkaasti tarjoamaan asiayhteys ja asiantuntemus lääkäreiltä ja hoitajilta, jotka ovat vuosikymmenien ajan sillanneet kliinisen ja hallinnollisen terveydenhuollon välimaastoa. Se osoittautuu voimakkaaksi yhdistelmäksi, joka tarjoaa poikkeuksellisia tuloksia upottamalla nämä AI-ratkaisut asiantuntijoiden kanssa.

Laajat mallit jatkavat törmäämistä säänteltyyn tuoton kierron ympäristöön ja puutteelliseen koulutusdataan monimutkaisten tuoton kierron prosessien navigoimiseksi. Yksinkertaisesti sanottuna, valmiit AI-ratkaisut tunnistavat keinon vastaukseen, mutta usein puuttuu hienovaraisuus tarjoamaan älykkyyttä ja prosesseja, jotka tuottavat tuloksia ja parhaimman suorituskyvyn.

Yleisten mallien sopeuttaminen tuottaa edelleen epäjohdonmukaisuutta, heikkoa hallintaa ja rajoitettua kykyä hallita hienovaraisuutta. Tämä on rakenteellinen rajoitus, ei työkaluongelma.

Ensemble kehittää kykyjä ja uudelleenmuokkaa prosesseja ja tietoja saavuttaakseen tuloksia – kieltäytymisen estäminen, potilaiden osallistumisen parantaminen ja hoitoon pääsyn parantaminen ja hoidon sopiminen maksajien kanssa.

Mikä ovat tärkeimmät rajoitukset yleispätevien mallien kerroksellisuudelle RCM-toiminnassa? 

Lupaus AI:sta tuoton kierrossa ei ole vain soveltamista yleispätevään malliin terveydenhuollon tehtäviin — se on siinä, onko AI todella ymmärtänyt alaa. Yleispätevien mallien kerroksellisuuden rajoitukset ovat, että saavutetaan kykenevät yleistietäjien ominaisuudet, jotka läpäisevät järkevyyden testin pinnalla, mutta puuttuvat hienovaraisuudesta, joka tarvitaan saavuttaa parhaimman suorituskyvyn, joka jatkuvasti sopeutuu ja paranee. ‘Lääkinnällinen välttämättömyys’ tarkoittaa jotain erilaista kansalliselle kaupalliselle maksajalle kuin se, mitä se tarkoittaa Medicare MAC:lle, ja tuo ero määrää taloudellista suorituskykyä. Malli, joka on koulutettu avoimessa internetissä, ei tiedä sitä, ja ohjelmointi voi sulkea joitain näistä aukoista, mutta se puuttuu täydellisestä ja tarkasta asiayhteydestä.

Suunnittelun mukaan ohjelmoidut mallit ovat staattisia. Ne eivät opi, kun maksaja hiljaisesti muuttaa maksamisensa käyttäytymistä, kun uusi kieltäytymismalli nousee esiin tai kun valituksesta strategia, joka toimi viime neljänneksellä, lakkasi toimimasta. Ensemble:ssa olemme rakentaneet suljetun palautekehyksen, joka muuttaa jokaisen vaatimuksen tulokseksi — koska istumme tuoton kierron keskuudessa satojen terveydenhuollon järjestelmien ja maksajien kanssa, mittakaavassa, jota yksikään tarjoaja ei voi jäljitellä sisäisesti.

Mitä olemme havainneet, on se, että todellinen este AI-vetämässä RCM:ssa ei ole malli — se on data ja asiantuntemus, joka on koodattu siihen. Olemme viettänyt vuosia operationalisoidessa, mitä parhaat kieltäytymisemme erikoisalat, koodaajamme ja maksajan suhteiden asiantuntijamme tekevät saavuttaakseen parhaimman suorituskyvyn. Et voi ruokailla sitä järjestelmään — se on elää, miten malli on koulutettu, mitä sitä arvioidaan ja miten se on integroitu työnkulkuun.

AI-muutos terveydenhuollon tuoton kierrossa erottuu kahteen leiriin: organisaatioihin, jotka käyttävät AI:ta tuottavuuden kerroksena olemassa olevien prosessien päällä, ja organisaatioihin, jotka ovat rakentaneet älykkyyden itse prosessiin. Ensemble on vahvasti jälkimmäisessä leirissä — ja terveydenhuollon järjestelmille, jotka ovat voittomarginaalipaineessa, tuo ero on eroa vähäisen parantamisen ja muodonmuutoksen välillä.

Miltä näyttää tarkkuuden kattoa ohjelmoitavissa järjestelmissä käytettäessä maksajan sääntöjä ja monivaiheisia työnkulkuja? 

Katto näkyy epäjohdonmukaisuutena kohdissa, joissa tuoton kierron suorituskyky riippuu tarkkuudesta. Se ei ole vain raakaa tarkkuutta. Se on luotettavuus todellisissa toimintakokoonpanoissa.

Ohjelmoitavat järjestelmät yrittävät esittää tuoton kierron logiikkaa johtopäätöksellä lataamalla asiayhteyden jokaiseen pyyntöön. Se voi toimia yksinkertaisemmissa skenaarioissa, mutta se menee rikki maksajan käyttäytymisessä, sääntelyn hienovaraisuudessa ja monivaiheisissa riippuvuuksissa.

Tulokset voivat olla suunnilleen oikein, mutta ne eivät ole riittävän luotettavia päivittäisissä toimintakokoonpanoissa.

Kun monimutkaisuus lisääntyy, kustannukset nousevat ja yhtenäisyys laskee, johtaa aukoihin järjestyksessä, puuttuvat riippuvuudet ja yhteyden menetys askelten välillä.

Tämän vuoksi keskitymme malleihin, jotka perustuvat todellisiin operatiivisiin tietoihin ja upotetaan suoraan tuoton kierron toimintaan, eikä asiayhteyden uudelleenrakentamiseen vaadittaessa.

Näetkö maksajan AI:n ja tarjoajan AI:n kehittyvän aseelliseksi kilpailuksi, ja miten terveydenhuollon järjestelmien tulisi vastata? 

Aseellisen kilpailun viitekehyksessä ei täysin käydä, mitä tapahtuu. Molemmat maksajat ja tarjoajat soveltavat nopeasti AI:ta ennakkovaltuutuksessa ja vaatimusten prosessoinnissa. Monissa tapauksissa se lisää kitkaa sen sijaan, että se vähentää sitä, ja se voi johtaa automaattisiin järjestelmiin, jotka vuorovaikuttavat ilman ratkaisua.

AI yksin ei ratkaise fragmentoituneita tuoton kierron toimintoja. Soveltamalla sitä fragmentaation päälle se voi lisätä ongelmaa. Vahvempi vastaus on siirtyä reaktiivisesta toiminnasta proaktiiviseen toimintaan. Se vaatii näkyvyyttä koko tuoton kierron yli, vahvempaa tietopohjaa ja kykyä ennakoida maksajan käyttäytymistä, tunnistaa riskiä aikaisemmin ja ratkaista ongelmia ennen lähettämistä.

Kun organisaatiot toimivat tämän tason koordinoinnilla ja havainnolla, dynamiikka siirtyy kitkasta vahvempaan suorituskykyyn. Saavutamme todellisia tuloksia, ja saavutamme vähennettyä kitkaa ja nopeampaa sopimista maksajien kanssa jokaisessa vaiheessa — AI:lla uudelleen suunniteltuna jokaisessa vaiheessa.

Miten varmistat, että malli, joka on koulutettu ilman tunnistettavia potilastietoja, edelleen kaappaa todellisen maailman monimutkaisuuden? 

Tunnistettavien potilastietojen puute ei tarkoita puutetta todellisesta maailman monimutkaisuudesta.

Hallitsemalla 80 miljoonaa transaktiota vuodessa Ensemble on yhdistänyt yli kaksi petatavua tarjoajan, maksajan ja kliinistä dataa AI-valmiiksi varastoksi. Tuo perusta heijastaa, miten tuoton kierron toiminta tosiasiassa toimii laajassa mittakaavassa, mukaan lukien operatiivinen asiantuntemus, maksajan käyttäytymisen ja kieltäytymisen mallit, ja se avaa ennustavan mallinnuksen, reaaliaikaiset näkymät ja agenteille työnkulut, jotka auttavat tarjoajia suojelemaan maksamisen viivästymisiä ja kieltäytymisiä.

Käytämme laadukkaita syntetisiä ja tunnistamattomia tietoja sertifioituista lähteistä HIPAA-yhdenmukaisessa ympäristössä. Nämä tiedot säilyttävät rakenteen, vaihtelun ja reuna tapauksia, jotka ovat läsnä todellisissa skenaarioissa.

Lisäämme tähän lähestymistapaan maailmanluokan asiantuntijoita (MD, hoitajat, tuoton kierron operatiiviset) jotka antavat lähestymistavalle hienovaraisuutta ja asiantuntemusta, jota AI ja data eivät voi vielä saavuttaa itsenään.

Tämä lähestymistapa säilyttää todellisen maailman monimutkaisuuden, ajaa kohti tuloksia ja suorituskykyä, samalla kun se suojaa potilaiden yksityisyyttä.

Miten käännät ihmisen päätöksentekoa ja työnkulkuja joksikin, mitä malli voi luotettavasti oppia ja suorittaa? 

Se, mikä tekee tämän työn, on operatiivisen asiantuntemuksen syvyys sen takana. Kääntäminen sitä malliimme ei ole arvioimista asiantuntemusta. Se on siinä, miten kokeneet tiimit todella toimivat.

Koulutamme todellisilla tuoton kierron tehtävillä ja rakennamme järjestelmän sääntöjen, riippuvuuksien ja mallien ympärille, joita operatiiviset käyttävät jokapäiväisesti. Tehokkaimmat järjestelmät yhdistävät useita älykkyyden kerroksia. Deterministinen logiikka tukee askelia, jotka on oltava yhdenmukaisia, kuten validointi ja politiikkatarkastukset. Ennustavat mallit arvioivat riskiä, kuten kieltäytymisen todennäköisyyttä. Päättelymallit käsittelevät monimutkaisuutta, mukaan lukien tulkinta ja narratiivin generointi.

Jokainen kerros vähentää epävarmuutta ja heijastaa, miten korkean suorituskyvyn tiimit toimivat käytännössä.

Miltä näyttää lopputuloa koskeva orkestraatio todella potilaan otosta tilitoimintaan? 

Lopputuloa koskeva orkestraatio tarkoittaa siirtymistä erillisten tehtävien tuesta järjestelmään, joka toimii koko kliinisen-rahastus-elinkaaren yli.

Se alkaa potilaan otosta, tukevaan tarkkaa tietojen kaappaa, oikeellista asiakirjojen ja koodauksen muodostumista ja maksajan odotuksia ja riskin varhaisen tunnistamisen reaaliajassa estämään aliraportointia.

Kun asiakirjat ja koodaus muotoillaan, järjestelmä yhdistää toimintaa maksajan odotuksiin ja tunnistaa riskiä aikaisemmin. Laskutuksen ja maksamisen kautta se seuraa maksajan käyttäytymistä, sopimuksen nuansseja ja mahdollisia alimaksuja.

Kun ongelmia ilmenee, järjestelmä yhdistää tulokset takaisin alkuperäisiin syihin ja antaa näkymän ylös.

Tänään monet organisaatiot riippuvat 15:stä 30:een eri pistekohtaisista ratkaisuista tuoton kierron yli. Jokainen parantaa tiettyä aluetta, mutta ne eivät opi yhdessä. Aukot toimintojen välillä sallivat tuoton vuodon jatkua.

Orkestraatio tuo tämän yhteen yhdistetyillä tietoilla, koordinoitujen tuoton kierron toiminnalla ja selkeällä vastuulla, luoden jatkuvan oppimisen järjestelmän koko elinkaaren yli.

Missä nykyiset EHR:t jäävät lyhyiksi, ja miten lähestymistapanne laajentaa niiden kykyjä ilman olemassa olevan infrastruktuurin häirintää? 

EHR:t ovat perustavanlaatuisia. Ne toimivat kliinisen ja taloudellisen tiedon kirjaamisjärjestelmänä.

Ne eivät ole suunniteltu toimimaan älykkyyden järjestelminä tuoton kierron toiminnassa.

Aukko on yhteyden muodostamisessa tuoton kierron yli. Vaikka EHR:t säilyttävät ja järjestävät tietoja, ne eivät tulkkaa maksajan käyttäytymistä, ennakoi kieltäytymisiä tai ohjaa käyttäjiä monimutkaisessa, monivaiheisessa toiminnassa, joka ulottuu heidän rajojensa ulkopuolelle.

Paljon työtä, joka vaaditaan maksajan vaatimusten ja poikkeamien hallinnassa, tapahtuu EHR:n ulkopuolella, jossa fragmentaatio kehittyy.

Lähestymistapamme täydentää EHR:ää sen sijaan, että se korvaa sen. Toimimme olemassa olevissa ympäristöissä, lisäämme älykkyyttä alueille, joissa työ on todella tapahtumassa.

Tämä mahdollistaa meidän vähentää hallinnollista taakkaa, parantaa tarkkuutta ja auttaa tiimejä keskittymään arvokkaampiin toimintoihin ilman vaatimusta muutoksia perusinfrastruktuuriin.

Miten näet tuoton kierron kehittyvän seuraavan viiden vuoden aikana, ja mikä rooli ihmisten toimijoiden on jatkossa? 

Seuraavan viiden vuoden aikana tuoton kierron toiminta siirtyy reaktiivisesta ja työvoimavaltaisesta proaktiiviseen ja koordinoituun.

Vähemmän ponnistelua kohdistetaan uudelleen työhön, kuten valituksiin ja seuraamiseen, ja enemmän keskitytään ylös virtaan estämiseen. Kieltäytymiset ja alimaksut tunnistetaan yhä useammin aikaisemmin, parantaen sekä kustannusrakennetta että taloudellista ennustettavuutta.

Tämä siirtyminen laajentaa työvoiman mahdollisuuksia. Tänään liian paljon ammattitaitoista työvoimaa on sitoutunut toistuviin tehtäviin. Kun automaatio vähentää tuota taakkaa, tiimit voivat keskittyä poikkeukselliseen hallintaan, prosessin parantamiseen, strategiseen päätöksentekoon ja potilashoitoon

Roolit eivät katoa. Ne kehittyvät. Inhimillinen asiantuntemus ei heikene. Se tulee olemaan kriittisempää ja keskeisempää koko tuoton kierron suorituskyvylle.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Ensemble Health Partners:ssa.