एंड्रू रे, एन्सेम्बल में चीफ प्रोडक्ट और इनोवेशन ऑफिसर – साक्षात्कार श्रृंखला

एंड्रू रे, एन्सेम्बल में चीफ प्रोडक्ट और इनोवेशन ऑफिसर, स्वास्थ्य वित्त, राजस्व चक्र संचालन, उत्पाद रणनीति और नवाचार के क्षेत्र में गहरा अनुभव लाते हैं। एन्सेम्बल में, वह उत्पाद, संचालन सुधार और नवाचार पहलों का नेतृत्व करते हैं, जिसमें कंपनी की रेव साइकलर साझेदारी एपिक के साथ शामिल है। उनकी पृष्ठभूमि में मैकिन्से एंड कंपनी में स्वास्थ्य प्रदाता परिवर्तन और रणनीतिक विकास कार्य, स्टैनफोर्ड चिल्ड्रन हेल्थ में राजस्व चक्र नेतृत्व और ईवाई और ट्राइएज कंसल्टिंग ग्रुप में पहले स्वास्थ्य सलाहकार भूमिकाएं शामिल हैं, जो उन्हें संचालन निष्पादन और प्रौद्योगिकी-संचालित स्वास्थ्य परिवर्तन दोनों में मजबूत आधार प्रदान करती हैं।

एन्सेम्बल हेल्थ पार्टनर्स एक स्वास्थ्य राजस्व चक्र प्रबंधन कंपनी है जो अस्पतालों, स्वास्थ्य प्रणालियों और चिकित्सक अभ्यासों के साथ वित्तीय प्रदर्शन, रोगी अनुभव और संचालन क्षमता में सुधार करने के लिए काम करती है। कंपनी रोगी जुड़ाव, कोडिंग, दावा प्रबंधन, अस्वीकृति रोकथाम, पेयर प्रदर्शन और खाता समाधान जैसे क्षेत्रों में एंड-टू-एंड आरसीएम समर्थन प्रदान करती है, जबकि एआई-संचालित निर्णय लेने, स्वचालन, विश्लेषण और अपने ईआईक्यू राजस्व चक्र बुद्धिमत्ता प्लेटफ़ॉर्म का उपयोग करके प्रदाताओं को घर्षण को कम करने और प्रतिपूर्ति को तेज करने में मदद करती है। एन्सेम्बल ने एपिक के साथ रेव साइकलर कार्यक्रम के माध्यम से भागीदारी की है और माइक्रोसॉफ्ट अज़ूर जनरेटिव एआई और मशीन लर्निंग के साथ अपने काम का विस्तार किया है ताकि एआई-संचालित राजस्व चक्र संचालन को आगे बढ़ाया जा सके।

पारंपरिक आरसीएम कार्य प्रवाह में कौन से विशिष्ट टूट-फूट ने आपको यह महसूस कराया कि एक उद्देश्य-निर्मित एलएलएम आवश्यक थी?

स्वास्थ्य प्रणालियां 2% से 4% के मार्जिन पर संचालित हो रही हैं, जबकि प्रारंभिक अस्वीकृति दर 12% से 15% तक बढ़ रही है। यह वह ब्रेकिंग पॉइंट है जो दिखाता है कि पारंपरिक राजस्व चक्र दृष्टिकोण मूल समस्या का समाधान नहीं कर रहे हैं और एक मूल रूप से अलग दृष्टिकोण की आवश्यकता है। यह दबाव संगठन के हर हिस्से को प्रभावित करता है, जिसमें कर्मचारियों से लेकर प्रौद्योगिकी निवेश और देखभाल क्षमता तक शामिल हैं।

अधिकांश समाधान पूरे सिस्टम को एक इकाई के रूप में संबोधित नहीं करते हैं। संगठनों को खंडित उपकरण, सिलोइड डेटा और जुड़े हुए गतिविधियों के साथ छोड़ दिया जाता है जो सामान्य-उद्देश्य मॉडल पर प्रॉम्प्ट इंजीनियरिंग के माध्यम से संदर्भ को एक साथ जोड़ने पर निर्भर करता है।

यह दृष्टिकोण धीमा, अधिक महंगा, कम सुसंगत और पैमाने पर प्रबंधन करना मुश्किल है।

एक उद्देश्य-निर्मित मॉडल इसे बदल देता है bằng ऐतिहासिक और वास्तविक समय के डेटा को एक शासित प्लेटफ़ॉर्म में लाने के द्वारा। यह पेयर व्यवहार की भविष्यवाणी कर सकता है, प्रासंगिक बुद्धिमत्ता को उजागर कर सकता है, अस्वीकृतियों को कम करने में मदद कर सकता है और अनुपालन, अंकेक्षण योग्य वातावरण में काम कर सकता है।

क्या आपके पहले के लेखन के बाद से कुछ भी आपके सामान्य एआई बनाम उद्देश्य-निर्मित मॉडल पर आपके दृष्टिकोण को पुष्टि या बदल दिया है?

राजस्व चक्र में एआई ऑर्केस्ट्रेशन के हमारे निरंतर विकास और तैनाती ने जहां फ्रंटियर एलएलएम चमकते हैं और जहां महत्वपूर्ण अंतराल हैं जिन्हें हम उद्देश्य-निर्मित मॉडल के साथ संबोधित कर रहे हैं, वहां हमारे दृष्टिकोण को और पुष्टि की है।

फ्रंटियर एलएलएम क्लिनिकल तर्क के साथ अच्छा प्रदर्शन करते हैं, लेकिन हम उन चिकित्सकों और नर्सों के विशेषज्ञता को प्रदान करने में भारी निवेश कर रहे हैं जो दशकों के अनुभव के साथ स्वास्थ्य सेवा के क्लिनिकल और प्रशासनिक विभाजन को पुल करते हैं। यह एक शक्तिशाली संयोजन साबित हो रहा है जो विशेषज्ञों के साथ एआई समाधानों को एम्बेड करके असाधारण परिणाम प्रदान करता है।

ब्रॉड मॉडल नियंत्रित राजस्व चक्र वातावरण और राजस्व चक्र प्रक्रियाओं को नेविगेट करने के लिए प्रशिक्षण डेटा की कमी की वास्तविकताओं में चलते रहते हैं। सीधे शब्दों में, ऑफ-द-शेल्फ एआई एक उत्तर के साधन की पहचान करता है लेकिन अक्सर परिणामों और सर्वोत्तम प्रदर्शन को ड्राइव करने वाली प्रक्रियाओं की बारीकियों को वितरित करने की न्यूनतमता की कमी होती है।

सामान्य मॉडल को अनुकूलित करना अभी भी असंगति, कमजोर शासन और सूक्ष्मता को प्रबंधित करने की सीमित क्षमता पैदा करता है। यह एक संरचनात्मक सीमा है, न कि एक टूलिंग समस्या।

एन्सेम्बल क्षमताओं का निर्माण कर रहा है और प्रक्रियाओं और डेटा को परिणामों को वितरित करने के लिए पुनः इंजीनियरिंग कर रहा है – अस्वीकृति रोकथाम, बेहतर रोगी जुड़ाव और देखभाल तक पहुंच और पेयर के साथ देखभाल के संरेखण में सुधार।

आरसीएम संचालन में सामान्य-उद्देश्य मॉडल पर प्रॉम्प्ट इंजीनियरिंग का सबसे महत्वपूर्ण सीमाओं क्या हैं?

आरसीएम में एआई का वादा सिर्फ एक सामान्य-उद्देश्य मॉडल को स्वास्थ्य सेवा कार्यों पर लागू करने के बारे में नहीं है – यह इस बारे में है कि क्या एआई वास्तव में डोमेन को समझता है। सामान्य-उद्देश्य मॉडल पर प्रॉम्प्ट इंजीनियरिंग की सीमाएं हैं कि आप क्षमता वाले सामान्यज्ञ क्षमता प्राप्त करते हैं जो सतह पर तर्कसंगतता परीक्षण पास करते हैं लेकिन सर्वोत्तम प्रदर्शन को वितरित करने के लिए आवश्यक सूक्ष्मता की कमी है। ‘चिकित्सा आवश्यकता’ एक राष्ट्रीय वाणिज्यिक पेयर के लिए कुछ और मतलब है जो एक मेडिकेयर एमएसी के लिए है, और यह अंतर वित्तीय प्रदर्शन को निर्धारित करता है। एक मॉडल जो खुले इंटरनेट पर प्रशिक्षित है, उसे यह पता नहीं है, प्रॉम्प्टिंग कुछ अंतराल को बंद कर सकता है लेकिन पूर्ण और सटीक संदर्भ सूक्ष्मता को याद करता है।

डिज़ाइन द्वारा, प्रॉम्प्ट-इंजीनियर्ड मॉडल स्थिर हैं। वे सीख नहीं सकते जब एक पेयर अपने निर्णय लेने वाले व्यवहार को चुपचाप बदलता है, जब एक नया अस्वीकृति पैटर्न उभरता है, या जब एक अपील रणनीति जो पिछले तिमाही में काम करती थी अब काम नहीं करती है। एन्सेम्बल में, हमने बंद फीडबैक लूप बनाया है जो हर दावा परिणाम को बुद्धिमत्ता में बदल देता है – क्योंकि हम सैकड़ों स्वास्थ्य प्रणालियों और पेयर्स के केंद्र में राजस्व चक्र में बैठे हैं, जो कि किसी एक प्रदाता के लिए आंतरिक रूप से दोहराने के लिए कोई पैमाना नहीं है।

हमने जो पाया है वह यह है कि एआई-संचालित आरसीएम में वास्तविक मोआत मॉडल नहीं है – यह डेटा और मॉडल में एन्कोड किए गए विशेषज्ञता है। हमने उन वर्षों को परिचालन में बदल दिया है जो हमारे सर्वोत्तम अस्वीकृति विशेषज्ञ, कोडर और पेयर संबंध विशेषज्ञ परिणामों को वितरित करने के लिए करते हैं। आप इसे एक प्रणाली प्रॉम्प्ट में इंजेक्ट नहीं कर सकते – यह मॉडल के प्रशिक्षण में, इसका मूल्यांकन क्या है, और यह कैसे कार्य प्रवाह में एकीकृत है, में रहना चाहिए।

स्वास्थ्य सेवा राजस्व चक्र में एआई परिवर्तन दो शिविरों में विभाजित होगा: संगठन जो मौजूदा प्रक्रियाओं के शीर्ष पर एआई का उपयोग उत्पादकता परत के रूप में करते हैं, और संगठन जिन्होंने स्वयं प्रक्रिया में बुद्धिमत्ता का पुनर्निर्माण किया है। एन्सेम्बल दूसरे शिविर में मजबूती से है – और मार्जिन दबाव वाले स्वास्थ्य प्रणालियों के लिए, यह अंतर क्रमिक सुधार और परिवर्तन के बीच का अंतर है।

पेयर नियमों और मल्टी-स्टेप कार्य प्रवाह के साथ व्यवहार करते समय प्रॉम्प्ट-भारी प्रणालियों की सटीकता की छत व्यावहारिक रूप से कैसी दिखती है?

छत राजस्व चक्र प्रदर्शन पर निर्भर उन बिंदुओं पर दिखाई देती है जहां सटीकता महत्वपूर्ण है। यह केवल कच्ची सटीकता के बारे में नहीं है; यह वास्तविक संचालन स्थितियों में विश्वसनीयता के बारे में है।

प्रॉम्प्ट-भारी प्रणालियां प्रत्येक अनुरोध में संदर्भ लोड करके राजस्व चक्र तर्क को अनुमान समय पर पेश करने का प्रयास करती हैं। यह सरल परिदृश्यों में काम कर सकता है, लेकिन पेयर-विशिष्ट व्यवहार, नियामक सूक्ष्मता और मल्टी-स्टेप निर्भरताओं के साथ यह टूट जाता है।

आउटपुट दिशात्मक रूप से सही हो सकते हैं, लेकिन वे दैनिक संचालन के लिए पर्याप्त विश्वसनीय नहीं हैं।

जैसे-जैसे जटिलता बढ़ती है, लागत बढ़ती है और सुसंगतता घट जाती है, जिससे क्रम में अंतराल, निर्भरता की कमी और चरणों में संदर्भ की हानि होती है।

यही कारण है कि हम वास्तविक संचालन डेटा में आधारित मॉडल पर ध्यान केंद्रित करते हैं और सीधे राजस्व चक्र गतिविधि में एम्बेड करते हैं, न कि मांग पर संदर्भ का पुनर्निर्माण करते हैं।

क्या आप पेयर एआई और प्रदाता एआई को एक दौड़ में विकसित होते हुए देखते हैं, और स्वास्थ्य प्रणालियों को कैसे प्रतिक्रिया देनी चाहिए?

हथियारों की दौड़ का फ्रेमवर्क पूरी तरह से क्या हो रहा है उसे कैप्चर नहीं करता है। दोनों पेयर और प्रदाता पूर्व-अनुमोदन और दावा प्रसंस्करण में तेजी से एआई लागू कर रहे हैं। कई मामलों में, यह घर्षण को कम करने के बजाय इसे बढ़ाता है और स्वचालित प्रणालियों को बिना समाधान के बातचीत करने का कारण बनता है।

एआई अपने आप राजस्व चक्र संचालन में खंडितता का समाधान नहीं करता है। इसके ऊपर लागू किया जाने पर, यह समस्या को बढ़ा सकता है। मजबूत प्रतिक्रिया प्रतिक्रियाशील से प्रोएक्टिव संचालन में स्थानांतरित करना है। इसके लिए पूरे राजस्व चक्र में दृश्यता, एक मजबूत डेटा फाउंडेशन और पेयर व्यवहार की भविष्यवाणी करने, जोखिम को पहले पहचानने और जमा करने से पहले मुद्दों को हल करने की क्षमता की आवश्यकता होती है।

जब संगठन इस स्तर के समन्वय और अंतर्दृष्टि के साथ काम करते हैं, तो गतिविधि घर्षण से मजबूत प्रदर्शन में बदल जाती है। हम वास्तविक परिणाम प्राप्त कर रहे हैं, जिसमें हम प्रत्येक चरण में पेयर के साथ घर्षण को कम करते हैं और एआई को फिर से इंजीनियर करते हैं।

आप कैसे सुनिश्चित करते हैं कि एक मॉडल जो पहचानने योग्य रोगी डेटा के बिना प्रशिक्षित है, अभी भी वास्तविक दुनिया की जटिलता को पकड़ता है?

पहचानने योग्य रोगी डेटा की अनुपस्थिति वास्तविक दुनिया की जटिलता की अनुपस्थिति का अर्थ नहीं है।

80 मिलियन लेनदेन प्रति वर्ष का प्रबंधन करते हुए, एन्सेम्बल ने प्रदाता, पेयर और क्लिनिकल डेटा के दो पेटाबाइट्स को एक एआई-तैयार संपत्ति में एकीकृत किया है। यह फाउंडेशन वास्तव में राजस्व चक्र गतिविधि कैसे काम करती है, जिसमें ऑपरेटर विशेषज्ञता, पेयर-विशिष्ट व्यवहार और अस्वीकृति पैटर्न शामिल हैं, और यह भविष्यसूचक मॉडलिंग, वास्तविक समय की अंतर्दृष्टि और एजेंटिक एआई कार्य प्रवाह को अनलॉक करता है जो प्रदाताओं को भुगतान देरी और अस्वीकृति से बचाने में मदद करता है।

हम प्रमाणित स्रोतों से उच्च-गुणवत्ता वाले सिंथेटिक और गैर-पहचानने योग्य डेटासेट का उपयोग एक एचआईपीए-अनुपालन वातावरण में करते हैं। ये डेटासेट वास्तविक दुनिया के परिदृश्यों में संरचना, परिवर्तनशीलता और एज केस को बनाए रखते हैं।

हम ईएचआर की प्रतिलिपि नहीं बना रहे हैं। हम ईएचआर-मूल दृष्टिकोण जोड़कर जहां यह सबसे ज्यादा मायने रखता है, विशेष रूप से पेयर आवश्यकताओं और निर्णयों से जुड़े क्षेत्रों में बुद्धिमत्ता जोड़कर, जो ईएचआर की सीमाओं से बाहर हैं।

हम इस दृष्टिकोण को विश्व स्तरीय विशेषज्ञों (एमडी, नर्स, राजस्व चक्र ऑपरेटर) के साथ बढ़ाते हैं जो दृष्टिकोण को सूक्ष्मता और विशेषज्ञता प्रदान करते हैं जो एआई और डेटा स्वतंत्र रूप से अभी तक प्राप्त नहीं कर सकते हैं।

यह दृष्टिकोण वास्तविक दुनिया की जटिलता को बनाए रखता है, परिणामों और प्रदर्शन की ओर ले जाता है, और रोगी गोपनीयता की रक्षा करता है।

मानव निर्णय लेने और कार्य प्रवाह को कैसे एक मॉडल में विश्वसनीय रूप से सीखने और निष्पादित करने के लिए अनुवादित किया जाता है?

जो इसे काम करता है वह ऑपरेटर विशेषज्ञता की गहराई है। इसे हमारे मॉडल में अनुवादित करना विशेषज्ञता का अनुमान लगाने के बारे में नहीं है; यह वास्तव में अनुभवी टीमों के काम करने के तरीके को पकड़ने के बारे में है।

हम वास्तविक राजस्व चक्र कार्यों पर प्रशिक्षित हैं और प्रणाली को उन नियमों, निर्भरताओं और पैटर्न के चारों ओर संरचित करते हैं जिनका उपयोग ऑपरेटर हर दिन उपयोग करते हैं। सबसे प्रभावी प्रणाली कई बुद्धिमत्ता की परतें जोड़ती हैं। निर्धारित तर्क उन चरणों का समर्थन करता है जो सुसंगत रहना चाहिए, जैसे कि सत्यापन और नीति जांच। भविष्यवाणी मॉडल जोखिम का आकलन करते हैं, जैसे कि अस्वीकृति की संभावना। तर्क मॉडल जटिलता को संबोधित करते हैं, जिसमें व्याख्या और कथा पीढ़ी शामिल है।

प्रत्येक परत अनिश्चितता को कम करती है और यह प्रदर्शित करती है कि उच्च प्रदर्शन वाली टीमें व्यवहार में कैसे काम करती हैं।

रोगी प्रवेश से लेकर खाता समाधान तक अंत-से-अंत ऑर्केस्ट्रेशन वास्तव में कैसा दिखता है?

अंत-से-अंत ऑर्केस्ट्रेशन का अर्थ है अलग-अलग कार्यों के समर्थन से एक प्रणाली में स्थानांतरित करना जो पूरे क्लिनिकल-से-कैश जीवन चक्र में संचालित होती है।

यह रोगी प्रवेश पर शुरू होता है, वास्तविक समय में सटीक डेटा कैप्चर, पात्रता सत्यापन और अनुमोदन आवश्यकताओं को रोकने के लिए समर्थन प्रदान करता है।

जैसे ही दस्तावेज़ीकरण और कोडिंग आकार लेते हैं, प्रणाली गतिविधि को पेयर की अपेक्षाओं के साथ संरेखित करती है और जोखिम को जल्दी से पहचानती है। बिलिंग और निर्णय के माध्यम से, यह पेयर व्यवहार, अनुबंध सूक्ष्मता और संभावित अंडरपेमेंट की निगरानी करता है।

जब मुद्दे उत्पन्न होते हैं, तो प्रणाली परिणामों को मूल कारणों से जोड़ती है और अंतर्दृष्टि को ऊपर की ओर खिलाती है।

आज, कई संगठन राजस्व चक्र में 15 से 30 अलग-अलग बिंदु समाधानों पर निर्भर हैं। प्रत्येक एक विशिष्ट क्षेत्र में सुधार करता है, लेकिन वे एक साथ नहीं सीखते हैं। कार्यों के बीच के अंतराल राजस्व रिसाव को बनाए रखने की अनुमति देते हैं।

ऑर्केस्ट्रेशन इसे एक साथ लाता है एकीकृत डेटा, समन्वित राजस्व चक्र गतिविधि और स्पष्ट जवाबदेही के माध्यम से, एक निरंतर सीखने वाली प्रणाली बनाता है जो पूरे जीवन चक्र में फैली हुई है।

वर्तमान ईएचआर कहां कम पड़ते हैं, और आपका दृष्टिकोण मौजूदा बुनियादी ढांचे को बाधित किए बिना उनकी क्षमताओं का विस्तार कैसे करता है?

ईएचआर मूलभूत हैं। वे क्लिनिकल और वित्तीय डेटा के लिए रिकॉर्ड प्रणाली के रूप में कार्य करते हैं।

वे राजस्व चक्र संचालन के लिए बुद्धिमत्ता प्रणाली के रूप में कार्य करने के लिए डिज़ाइन नहीं किए गए हैं।

अंतर राजस्व चक्र में संदर्भ को जोड़ने में है। जबकि ईएचआर जानकारी संग्रहीत और व्यवस्थित करते हैं, वे पेयर व्यवहार की व्याख्या नहीं करते हैं, अस्वीकृतियों की भविष्यवाणी नहीं करते हैं या उपयोगकर्ताओं को जटिल, मल्टी-स्टेप गतिविधि के माध्यम से मार्गदर्शन करते हैं जो उनकी सीमाओं से परे है।

पेयर आवश्यकताओं और अपवादों को प्रबंधित करने के लिए आवश्यक बहुत सा काम ईएचआर के बाहर होता है, जहां खंडितता विकसित होती है।

हमारा दृष्टिकोण ईएचआर को पूरक बनाता है, इसे प्रतिस्थापित नहीं करता है। हम मौजूदा वातावरण में काम करते हैं, जहां काम हो रहा है वहां बुद्धिमत्ता जोड़कर।

यह हमें प्रशासनिक बोझ को कम करने, सटीकता में सुधार करने और उच्च-मूल्य वाली गतिविधि पर ध्यान केंद्रित करने में मदद करने की अनुमति देता है, मूल बुनियादी ढांचे में परिवर्तन की आवश्यकता के बिना।

आप अगले पांच वर्षों में राजस्व चक्र के विकास को कैसे देखते हैं, और मानव ऑपरेटर राजस्व चक्र प्रदर्शन में केंद्रीय भूमिका निभाते हुए कैसे जारी रहेंगे?

अगले पांच वर्षों में, राजस्व चक्र संचालन प्रतिक्रियाशील और श्रम-गहन से प्रोएक्टिव और समन्वित में स्थानांतरित हो जाएगा।

अपील और अनुवर्ती कार्य जैसे पुनर्कार्य पर कम प्रयास किया जाएगा, और अधिक ध्यान उपरोक्त रोकथाम पर केंद्रित किया जाएगा। अस्वीकृतियां और अंडरपेमेंट बढ़ती लागत संरचना और वित्तीय पूर्वानुमान को बेहतर बनाने के लिए पहले पहचाने जाएंगे।

यह परिवर्तन कार्यबल के लिए अवसर का विस्तार करता है। आज, बहुत अधिक कुशल श्रम पुनरावृत्ति कार्यों से जुड़ा हुआ है। जैसे ही स्वचालन इस बोझ को कम करता है, टीमें अपवाद प्रबंधन, प्रक्रिया सुधार, रणनीतिक निर्णय लेने और रोगी देखभाल पर ध्यान केंद्रित कर सकती हैं।

भूमिकाएं गायब नहीं होती हैं। वे विकसित होते हैं। मानव विशेषज्ञता कम नहीं होती है। यह अधिक महत्वपूर्ण और राजस्व चक्र प्रदर्शन में केंद्रीय हो जाता है।

साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें एन्सेम्बल हेल्थ पार्टनर्स पर जाना चाहिए।