Andrew Ray, Directeur principal des produits et de l’innovation chez Ensemble – Série d’entretiens

Andrew Ray, Directeur principal des produits et de l’innovation chez Ensemble, apporte une expérience approfondie à l’intersection de la finance de la santé, des opérations du cycle de revenu, de la stratégie de produits et de l’innovation. Chez Ensemble, il dirige les initiatives de produits, d’amélioration opérationnelle et d’innovation, y compris le partenariat de l’entreprise avec Epic, Rev Cycler. Son passé comprend la transformation des prestataires de soins de santé et le travail de croissance stratégique chez McKinsey & Company, le leadership du cycle de revenu chez Stanford Children’s Health, et des rôles consultatifs en soins de santé précédents chez EY et Triage Consulting Group, lui donnant une solide fondation à la fois dans l’exécution opérationnelle et la transformation des soins de santé basée sur la technologie.

Ensemble Health Partners est une entreprise de gestion du cycle de revenu des soins de santé qui travaille avec des hôpitaux, des systèmes de santé et des cabinets de médecins pour améliorer la performance financière, l’expérience des patients et l’efficacité opérationnelle. L’entreprise fournit un soutien RCM de bout en bout dans des domaines tels que l’engagement des patients, la codification, la gestion des réclamations, la prévention des refus, les performances des payeurs et la résolution des comptes, tout en utilisant la prise de décision basée sur l’IA, l’automatisation, l’analyse et sa plateforme d’intelligence du cycle de revenu EIQ pour aider les prestataires à réduire les frictions et à accélérer les remboursements. Ensemble a également conclu un partenariat avec Epic dans le cadre du programme Rev Cyclers et a élargi son travail avec Microsoft Azure, l’intelligence artificielle générative et l’apprentissage automatique pour faire progresser les opérations du cycle de revenu basées sur l’IA.

Quelles sont les défaillances spécifiques des flux de travail RCM traditionnels qui vous ont convaincu qu’un LLM conçu à des fins spécifiques était nécessaire ? 

Les systèmes de santé fonctionnent avec des marges de 2 % à 4 % tandis que les taux de refus initiaux atteignent 12 % à 15 %. C’est le point de rupture qui nous a montré que les approches traditionnelles du cycle de revenu ne résolvent pas le problème fondamental et qu’une approche fondamentalement différente est nécessaire. Cette pression affecte chaque partie de l’organisation, de la dotation en personnel aux investissements en technologie et en capacité de soins.

La plupart des solutions ne traitent pas du système de bout en bout dans son ensemble. Les organisations se retrouvent avec des outils fragmentés, des données silotées et des activités disjointes qui dépendent du rapprochement du contexte par le biais de l’ingénierie de prompt sur des modèles à usage général.

Cette approche est plus lente, plus coûteuse, moins cohérente et difficile à gérer à grande échelle.

Un modèle conçu à des fins spécifiques change cela en intégrant les données historiques et en temps réel dans une plate-forme réglementée. Il peut anticiper le comportement des payeurs, mettre en évidence l’intelligence pertinente, aider à réduire les refus et fonctionner dans des environnements conformes et auditable.

Depuis vos écrits précédents, quelque chose a-t-il renforcé ou modifié votre point de vue sur les modèles généraux d’IA par rapport aux modèles conçus à des fins spécifiques ? 

Notre développement et notre déploiement continus de l’orchestration de l’IA de bout en bout sur le cycle de revenu ont continué à renforcer les domaines où les LLM de pointe excellent et où il existe des lacunes significatives que nous traitons avec des modèles conçus à des fins spécifiques.

Les LLM de pointe fonctionnent bien avec la raison clinique, mais nous investissons lourdement pour fournir le contexte et l’expertise de nos médecins et infirmières qui ont des décennies d’expérience à combler le fossé clinique et administratif des soins de santé. Cela s’avère être une combinaison puissante qui livre des résultats exceptionnels en intégrant ces solutions d’IA avec des experts dans la boucle.

Les modèles généraux continuent de rencontrer les réalités des environnements de cycle de revenu réglementés et le manque de données de formation pour la navigation de processus de cycle de revenu nuancés. Pour simplifier, l’IA hors étagère identifie un moyen de parvenir à une réponse mais manque souvent de la nuance nécessaire pour livrer de l’intelligence et des processus qui conduisent à des résultats et à des performances de classe mondiale.

L’adaptation des modèles généraux produit toujours de l’incohérence, une gouvernance faible et une capacité limitée à gérer la nuance. Il s’agit d’une limitation structurelle, et non d’un problème d’outillage.

Ensemble construit des capacités et réingénie les processus et les données pour livrer des résultats – prévention des refus, amélioration de l’engagement des patients et de l’accès aux soins, et amélioration de l’alignement des soins avec les payeurs.

Quelles sont les limitations les plus critiques de l’ingénierie de prompt superposée aux modèles à usage général dans les opérations RCM ? 

La promesse de l’IA dans le cycle de revenu ne consiste pas seulement à appliquer un modèle à usage général aux tâches des soins de santé — c’est à savoir si l’IA comprend réellement le domaine. Les limitations de l’ingénierie de prompt sur les modèles de base sont que vous obtenez des capacités de généraliste compétent qui passent le test de raisonabilité en surface mais manquent de la nuance nécessaire pour livrer des performances de classe mondiale qui s’adaptent et s’améliorent continuellement. ‘Nécessité médicale’ signifie quelque chose de différent pour un payeur commercial national que pour un MAC de Medicare, et cette différence détermine les performances financières. Un modèle formé sur Internet ouvert ne le sait pas, le prompt peut combler certaines de ces lacunes mais manque de nuance contextuelle complète et précise.

Par conception, les modèles conçus avec des prompts sont statiques. Ils ne peuvent pas apprendre lorsque le comportement d’un payeur change discrètement, lorsqu’un nouveau modèle de refus émerge ou lorsqu’une stratégie d’appel qui a fonctionné le trimestre dernier cesse de fonctionner. Chez Ensemble, nous avons construit la boucle de rétroaction fermée qui transforme chaque résultat de réclamation en intelligence — parce que nous sommes au centre du cycle de revenu à travers des centaines de systèmes de santé et de payeurs, à une échelle que aucun fournisseur unique ne pourrait reproduire en interne.

Ce que nous avons constaté, c’est que la véritable barrière dans les opérations RCM alimentées par l’IA n’est pas le modèle — c’est les données et l’expertise encodées en lui. Nous avons passé des années à opérationnaliser ce que font nos meilleurs spécialistes de refus, codeurs et experts en relations avec les payeurs pour livrer des résultats de classe mondiale. Vous ne pouvez pas injecter cela dans un système de prompt — il doit vivre dans la façon dont le modèle a été formé, ce contre quoi il est évalué et comment il est intégré dans le flux de travail.

La transformation de l’IA dans le cycle de revenu des soins de santé se divise en deux camps : les organisations utilisant l’IA comme une couche de productivité au-dessus des processus existants, et les organisations qui ont reconstruit l’intelligence dans le processus lui-même. Ensemble est fermement dans le deuxième camp — et pour les systèmes de santé sous pression de marge, cette distinction fait la différence entre l’amélioration incrémentale et la transformation.

Quelle est l’apparence du plafond d’exactitude des systèmes à prompt lourd lorsqu’il s’agit de règles de payeur et de flux de travail à plusieurs étapes ? 

Le plafond se manifeste par une incohérence aux points où les performances du cycle de revenu dépendent de la précision. Il ne s’agit pas seulement de l’exactitude brute. Il s’agit de fiabilité dans les conditions de fonctionnement réel.

Les systèmes à prompt lourd tentent d’introduire la logique du cycle de revenu au moment de l’inférence en chargeant le contexte dans chaque demande. Cela peut fonctionner dans des scénarios plus simples, mais cela se brise avec le comportement spécifique au payeur, la nuance réglementaire et les dépendances à plusieurs étapes.

Les sorties peuvent être directionnellement correctes, mais elles ne sont pas fiables enough pour les opérations quotidiennes.

À mesure que la complexité augmente, le coût augmente et la cohérence diminue, ce qui conduit à des lacunes dans la séquencing, des dépendances manquées et une perte de contexte à travers les étapes.

C’est pourquoi nous nous concentrons sur des modèles ancrés dans les données opérationnelles réelles et intégrés directement dans l’activité du cycle de revenu plutôt que de reconstruire le contexte à la demande.

Est-ce que vous voyez l’IA des payeurs et l’IA des prestataires évoluer vers une course aux armements, et comment les systèmes de santé devraient-ils réagir ? 

Le cadre de la course aux armements ne capture pas pleinement ce qui se passe. Les payeurs et les prestataires appliquent rapidement l’IA à l’autorisation préalable et au traitement des réclamations. Dans de nombreux cas, cela augmente les frictions plutôt que de les réduire et peut entraîner des systèmes automatisés qui interagissent sans résolution.

L’IA seule ne résout pas les opérations de cycle de revenu fragmentées. Appliquée au-dessus de la fragmentation, elle peut amplifier le problème. La réponse plus forte consiste à passer d’opérations réactives à des opérations proactives. Cela nécessite une visibilité sur l’ensemble du cycle de revenu, une fondation de données plus solide et la capacité d’anticiper le comportement des payeurs, d’identifier les risques plus tôt et de résoudre les problèmes avant la soumission.

Lorsque les organisations fonctionnent avec ce niveau de coordination et de perspicacité, la dynamique passe de la friction à de meilleures performances. Nous livrons de véritables résultats à cette fin, où nous réalisons une réduction des frictions et une alignment plus rapide avec les payeurs à chaque étape – avec l’IA réingéniée à chaque étape.

Comment assurez-vous qu’un modèle formé sans données de patients identifiables capture toujours la complexité du monde réel ? 

L’absence de données de patients identifiables ne signifie pas l’absence de complexité du monde réel.

En gérant 80 millions de transactions par an, Ensemble a unifié plus de deux pétaoctets de données de prestataires, de payeurs et de données cliniques en un actif prêt pour l’IA. Cette fondation reflète la façon dont l’activité du cycle de revenu fonctionne réellement à grande échelle, y compris l’expertise des opérateurs, le comportement spécifique au payeur et les modèles de refus, et débloque la modélisation prédictive, les informations en temps réel et les flux de travail d’IA agents qui aident à protéger les prestataires contre les retards et les refus de paiement.

Nous utilisons des ensembles de données synthétiques et désidentifiés de haute qualité à partir de sources certifiées dans un environnement conforme à la HIPAA. Ces ensembles de données préservent la structure, la variabilité et les cas de bordure présents dans les scénarios du monde réel.

Nous ne répliquons pas le dossier médical électronique (DME). Nous adoptons une approche native du DME, en ajoutant de l’intelligence là où cela compte le plus, en particulier dans les domaines liés aux exigences des payeurs et aux décisions qui se situent en dehors du DME.

Nous renforçons cette approche avec des experts de classe mondiale (médecins, infirmières, opérateurs du cycle de revenu) qui fournissent la nuance et l’expertise que l’IA et les données ne peuvent pas encore atteindre seules.

Cette approche préserve la complexité du monde réel, conduit à des résultats et des performances tout en protégeant la confidentialité des patients.

Comment traduisez-vous la prise de décision humaine et les flux de travail en quelque chose qu’un modèle peut apprendre et exécuter de manière fiable ? 

Ce qui fait que cela fonctionne, c’est la profondeur de l’expertise opérationnelle derrière. La traduction de cela dans notre modèle ne consiste pas à approximer l’expertise. Il s’agit de capturer la façon dont les équipes expérimentées travaillent réellement.

Nous formons sur des tâches de cycle de revenu réelles et structurons le système autour des règles, des dépendances et des modèles que les opérateurs utilisent chaque jour. Les systèmes les plus efficaces combinent plusieurs couches d’intelligence. La logique déterministe prend en charge les étapes qui doivent rester cohérentes, telles que les vérifications de validation et les contrôles de politique. Les modèles prédictifs évaluent les risques, tels que la probabilité de refus. Les modèles de raisonnement traitent la complexité, y compris l’interprétation et la génération de récits.

Chaque couche réduit l’incertitude et reflète la façon dont les équipes à haute performance opèrent dans la pratique.

Quelle est l’apparence réelle de l’orchestration de bout en bout, de l’admission du patient à la résolution du compte ? 

L’orchestration de bout en bout signifie passer du soutien à des tâches isolées à un système qui fonctionne sur l’ensemble du cycle clinique-à-argent.

Cela commence à l’admission du patient, en soutenant la capture de données précises, la vérification d’éligibilité et les exigences d’autorisation en temps réel pour prévenir les problèmes en aval.

À mesure que la documentation et la codification prennent forme, le système aligne l’activité sur les attentes des payeurs et identifie les risques tôt. Au travers de la facturation et de l’adjudication, il surveille le comportement des payeurs, les nuances des contrats et les paiements potentiels insuffisants.

Lorsque des problèmes surviennent, le système relie les résultats aux causes profondes et fournit des informations en amont.

Aujourd’hui, de nombreuses organisations s’appuient sur 15 à 30 solutions de point différentes à travers le cycle de revenu. Chacune améliore un domaine spécifique, mais elles n’apprennent pas ensemble. Les lacunes entre les fonctions permettent aux fuites de revenu de persister.

L’orchestration rassemble tout cela grâce à des données unifiées, à une activité de cycle de revenu coordonnée et à une responsabilité claire, créant un système d’apprentissage continu sur l’ensemble du cycle de vie.

Où les DME actuels font-ils défaut, et comment votre approche étend-elle leurs capacités sans perturber les infrastructures existantes ? 

Les DME sont fondamentaux. Ils servent de système d’enregistrement pour les données cliniques et financières.

Ils n’ont pas été conçus pour agir comme des systèmes d’intelligence pour les opérations du cycle de revenu.

Le fossé se situe dans la connexion du contexte à travers le cycle de revenu. Alors que les DME stockent et organisent l’information, ils n’interprètent pas le comportement des payeurs, n’anticipent pas les refus ou ne guident pas les utilisateurs à travers des activités complexes et à plusieurs étapes qui s’étendent au-delà de leurs limites.

Une grande partie du travail nécessaire pour gérer les exigences des payeurs et les exceptions se déroule en dehors du DME, ce qui est où la fragmentation se développe.

Notre approche complète le DME plutôt que de le remplacer. Nous travaillons dans les environnements existants, en ajoutant de l’intelligence dans les domaines où le travail se déroule réellement.

Cela nous permet de réduire la charge administrative, d’améliorer la précision et d’aider les équipes à se concentrer sur des activités à plus forte valeur sans nécessiter de changements dans les infrastructures de base.

Comment voyez-vous l’évolution du cycle de revenu au cours des cinq prochaines années, et quel rôle les opérateurs humains continueront-ils à jouer ? 

Au cours des cinq prochaines années, les opérations du cycle de revenu passeront d’une approche réactive et intensive en main-d’œuvre à une approche proactive et coordonnée.

Moins d’efforts seront consacrés à la révision, tels que les appels et les suivis, et davantage seront axés en amont sur la prévention. Les refus et les sous-paiements seront de plus en plus identifiés plus tôt, améliorant à la fois la structure de coûts et la prévisibilité financière.

Ce changement élargit les opportunités pour la main-d’œuvre. Aujourd’hui, trop de main-d’œuvre qualifiée est liée à des tâches répétitives. À mesure que l’automatisation réduit cette charge, les équipes peuvent se concentrer sur la gestion des exceptions, l’amélioration des processus, la prise de décision stratégique et les soins aux patients

Les rôles ne disparaissent pas. Ils évoluent. L’expertise humaine ne diminue pas. Elle devient plus critique et plus centrale dans les performances globales du cycle de revenu.

Merci pour cette grande interview. Les lecteurs qui souhaitent en savoir plus peuvent visiter Ensemble Health Partners.