Andrew Ray, Chief Product dan Innovation Officer di Ensemble – Seri Wawancara

Andrew Ray, Chief Product dan Innovation Officer di Ensemble, membawa pengalaman mendalam di persimpangan keuangan kesehatan, operasi siklus pendapatan, strategi produk, dan inovasi. Di Ensemble, ia memimpin inisiatif produk, perbaikan operasional, dan inovasi, termasuk kemitraan perusahaan Rev Cycler dengan Epic. Latar belakangnya termasuk transformasi penyedia kesehatan dan pertumbuhan strategis di McKinsey & Company, kepemimpinan siklus pendapatan di Stanford Children’s Health, dan peran konsultan kesehatan sebelumnya di EY dan Triage Consulting Group, memberinya landasan yang kuat dalam eksekusi operasional dan transformasi kesehatan yang didukung teknologi.

Ensemble Health Partners adalah perusahaan manajemen siklus pendapatan kesehatan yang bekerja dengan rumah sakit, sistem kesehatan, dan praktik dokter untuk meningkatkan kinerja keuangan, pengalaman pasien, dan efisiensi operasional. Perusahaan ini menyediakan dukungan RCM end-to-end di area seperti keterlibatan pasien, pengkodean, manajemen klaim, pencegahan penolakan, kinerja pembayar, dan resolusi akun, sambil menggunakan keputusan yang didorong AI, otomatisasi, analitik, dan platform intelijen siklus pendapatan EIQ untuk membantu penyedia mengurangi gesekan dan mempercepat pembayaran. Ensemble juga telah bermitra dengan Epic melalui Program Rev Cyclers dan memperluas pekerjaannya dengan Microsoft (MSFT ) Azure generatif AI dan pembelajaran mesin untuk meningkatkan operasi siklus pendapatan yang didukung AI.

Apa kerusakan spesifik dalam alur kerja RCM tradisional yang meyakinkan Anda bahwa LLM yang dirancang khusus diperlukan? 

Sistem kesehatan beroperasi dengan margin 2% hingga 4% sementara tingkat penolakan awal naik ke 12% hingga 15%. Itu adalah titik patah yang menunjukkan bahwa pendekatan siklus pendapatan tradisional tidak menyelesaikan masalah inti dan bahwa pendekatan yang secara fundamental berbeda diperlukan. Tekanan itu memengaruhi setiap bagian organisasi, dari staf hingga investasi teknologi hingga kapasitas perawatan.

Sebagian besar solusi tidak menangani sistem end-to-end secara keseluruhan. Organisasi ditinggalkan dengan alat yang terfragmentasi, data yang terisolasi dan aktivitas yang terputus yang bergantung pada menjahit konteks bersama melalui teknik prompt pada model umum.

Pendekatan itu lebih lambat, lebih mahal, kurang konsisten dan sulit dikelola dalam skala besar.

Model yang dirancang khusus mengubah itu dengan membawa data historis dan waktu nyata ke dalam platform yang dikelola. Ini dapat memprediksi perilaku pembayar, menampilkan intelijen yang relevan, membantu mengurangi penolakan dan beroperasi dalam lingkungan yang patuh dan dapat diaudit.

Apakah ada yang sejak tulisan Anda sebelumnya memperkuat atau mengubah perspektif Anda tentang AI umum versus model yang dirancang khusus? 

Pengembangan dan penerapan kami yang berkelanjutan dari orkestrasi AI end-to-end di seluruh siklus pendapatan terus memperkuat di mana frontier LLMs bersinar dan di mana ada celah signifikan yang kami tangani dengan model yang dirancang khusus.

Frontier LLMs berkinerja baik dengan penalaran klinis, tetapi kami berinvestasi berat untuk memberikan konteks dan keahlian dari dokter dan perawat kami yang memiliki dekade pengalaman membangun pemisah klinis dan administratif kesehatan. Itu terbukti menjadi kombinasi yang kuat yang menghasilkan hasil luar biasa dengan menyematkan solusi AI tersebut dengan ahli di dalamnya.

Model umum terus menghadapi kenyataan lingkungan siklus pendapatan yang diatur dan kurangnya data pelatihan untuk menavigasi proses siklus pendapatan yang halus. Dengan singkat, AI off-the-shelf mengidentifikasi sarana untuk menjawab tetapi sering kekurangan nuansa untuk menghasilkan intelijen dan proses yang menghasilkan hasil dan kinerja terbaik.

Penyesuaian model umum masih menghasilkan inkonsistensi, tata kelola yang lemah dan kemampuan terbatas untuk mengelola nuansa. Ini adalah keterbatasan struktural, bukan masalah alat.

Ensemble membangun kemampuan dan merancang ulang proses dan data untuk menghasilkan hasil – pencegahan penolakan, keterlibatan pasien yang ditingkatkan dan akses ke perawatan dan perawatan yang ditingkatkan dan selaras dengan pembayar.

Apa yang paling kritis keterbatasan teknik prompt yang dilapiskan pada model umum dalam operasi RCM? 

Janji AI di siklus pendapatan tidak hanya tentang menerapkan model umum pada tugas kesehatan — itu tentang apakah AI benar-benar memahami domain. Keterbatasan teknik prompt pada model dasar adalah bahwa Anda mencapai kemampuan umum yang mampu yang lulus tes kewajaran di permukaan tetapi kekurangan nuansa yang diperlukan untuk menghasilkan kinerja terbaik yang terus beradaptasi dan meningkat. ‘Kebutuhan medis’ berarti sesuatu yang berbeda bagi pembayar komersial nasional daripada yang dilakukan oleh Medicare MAC, dan perbedaan itu menentukan kinerja keuangan. Model yang dilatih pada internet terbuka tidak tahu itu, teknik prompt dapat menutup beberapa celah itu tetapi melewatkan nuansa kontekstual yang lengkap dan akurat.

Dengan desain, model yang dirancang dengan teknik prompt adalah statis. Mereka tidak dapat belajar ketika pembayar secara diam-diam mengubah perilaku penyelesaian, ketika pola penolakan baru muncul, atau ketika strategi banding yang berhasil trimester lalu berhenti berfungsi. Di Ensemble, kami telah membangun umpan balik tertutup yang mengubah setiap hasil klaim menjadi intelijen — karena kami duduk di pusat siklus pendapatan di seluruh ratusan sistem kesehatan dan pembayar, pada skala yang tidak dapat direplikasi oleh penyedia tunggal secara internal.

Apa yang kami temukan adalah bahwa moat nyata di RCM yang didukung AI bukanlah model — itu adalah data dan keahlian yang dikodekan ke dalamnya. Kami telah menghabiskan tahun-tahun untuk mengoperasikan apa yang dilakukan spesialis penolakan, pengkode, dan ahli hubungan pembayar terbaik kami untuk menghasilkan hasil terbaik. Anda tidak dapat menyuntikkan itu ke dalam sistem prompt — itu harus hidup dalam cara model dilatih, apa yang dievaluasi, dan bagaimana diintegrasikan ke dalam alur kerja.

Transformasi AI di siklus pendapatan kesehatan akan terpisah menjadi dua kubu: organisasi yang menggunakan AI sebagai lapisan produktivitas di atas proses yang ada, dan organisasi yang telah merancang ulang intelijen ke dalam proses itu sendiri. Ensemble secara kuat berada di kubu kedua — dan bagi sistem kesehatan yang berada di bawah tekanan margin, perbedaan itu adalah perbedaan antara perbaikan inkremental dan transformasi.

Apa yang langit-langit akurasi sistem yang berat pada teknik prompt terlihat seperti dalam prakteknya ketika menangani aturan pembayar dan alur kerja multi-langkah? 

Langit-langit itu muncul sebagai inkonsistensi pada titik-titik di mana kinerja siklus pendapatan bergantung pada presisi. Ini tidak hanya tentang akurasi mentah. Ini tentang keandalan dalam kondisi operasional nyata.

Sistem yang berat pada teknik prompt mencoba memperkenalkan logika siklus pendapatan pada waktu inferensi dengan memuat konteks ke dalam setiap permintaan. Itu dapat berfungsi dalam skenario yang lebih sederhana, tetapi itu rusak dengan perilaku pembayar khusus, nuansa peraturan dan ketergantungan multi-langkah.

Keluaran mungkin secara arah benar, tetapi mereka tidak cukup andal untuk operasi sehari-hari.

Ketika kompleksitas meningkat, biaya naik dan koherensi menurun, menyebabkan celah dalam pengurutan, ketergantungan yang terlewatkan dan kehilangan konteks di seluruh langkah.

Itulah mengapa kami fokus pada model yang didasarkan pada data operasional nyata dan disematkan langsung ke dalam aktivitas siklus pendapatan daripada merekonstruksi konteks pada permintaan.

Apakah Anda melihat AI pembayar dan AI penyedia berkembang menjadi perlombaan senjata, dan bagaimana sistem kesehatan harus merespons? 

Penggambaran perlombaan senjata tidak sepenuhnya menangkap apa yang terjadi. Baik pembayar dan penyedia dengan cepat menerapkan AI di seluruh otorisasi sebelumnya dan pemrosesan klaim. Dalam banyak kasus, itu meningkatkan gesekan daripada menguranginya dan dapat menghasilkan sistem otomatis yang berinteraksi tanpa resolusi.

AI secara mandiri tidak menyelesaikan operasi siklus pendapatan yang terfragmentasi. Diterapkan di atas fragmentasi, itu dapat memperkuat masalah. Respon yang lebih kuat adalah untuk berpindah dari operasi reaktif ke operasi proaktif. Itu memerlukan visibilitas di seluruh siklus pendapatan penuh, landasan data yang lebih kuat dan kemampuan untuk memprediksi perilaku pembayar, mengidentifikasi risiko lebih awal dan menyelesaikan masalah sebelum pengajuan.

Ketika organisasi beroperasi dengan tingkat koordinasi dan wawasan tersebut, dinamika bergeser dari gesekan ke kinerja yang lebih kuat. Kami menghasilkan hasil nyata, untuk itu, di mana kami mencapai gesekan yang berkurang dan penyelarasan yang lebih cepat dengan pembayar di setiap langkah – dengan AI yang dirancang ulang di setiap langkah.

Bagaimana Anda memastikan model yang dilatih tanpa data pasien yang dapat diidentifikasi masih menangkap kompleksitas dunia nyata? 

Ketiadaan data pasien yang dapat diidentifikasi tidak berarti ketiadaan kompleksitas dunia nyata.

Dengan mengelola 80 juta transaksi per tahun, Ensemble telah menyatukan lebih dari dua petabyte data penyedia, pembayar, dan klinis menjadi aset yang siap AI. Landasan itu mencerminkan bagaimana aktivitas siklus pendapatan benar-benar berfungsi pada skala besar, termasuk keahlian operator, perilaku pembayar khusus, pola penolakan, dan itu membuka pemodelan prediktif, wawasan waktu nyata, dan alur kerja AI yang membantu melindungi penyedia dari keterlambatan dan penolakan pembayaran.

Kami menggunakan dataset sintetis dan de-identifikasi berkualitas tinggi dari sumber yang disertifikasi dalam lingkungan yang patuh HIPAA. Dataset tersebut mempertahankan struktur, variabilitas, dan kasus tepi yang ada dalam skenario dunia nyata.

Kami tidak mereplikasi EHR. Kami mengambil pendekatan asli EHR, menambahkan intelijen di mana itu paling penting, terutama di area yang terkait dengan persyaratan pembayar dan keputusan yang berada di luar EHR.

Kami memperkuat pendekatan ini dengan ahli kelas dunia (MD, perawat, operator siklus pendapatan) yang memberikan nuansa dan keahlian yang AI dan data belum bisa capai secara mandiri.

Pendekatan ini mempertahankan kompleksitas dunia nyata, mengarah ke hasil dan kinerja sambil melindungi privasi pasien.

Bagaimana Anda menerjemahkan pengambilan keputusan manusia dan alur kerja menjadi sesuatu yang dapat dipelajari dan dieksekusi model dengan andal? 

Apa yang membuat ini bekerja adalah kedalaman keahlian operator di baliknya. Menerjemahkan itu ke dalam model kami tidak tentang memperkirakan keahlian. Ini tentang menangkap bagaimana tim berpengalaman benar-benar bekerja.

Kami melatih pada tugas siklus pendapatan nyata dan membangun sistem di sekitar aturan, ketergantungan, dan pola yang operator gunakan setiap hari. Sistem yang paling efektif menggabungkan beberapa lapis kecerdasan. Logika deterministik mendukung langkah-langkah yang harus tetap konsisten, seperti validasi dan pemeriksaan kebijakan. Model prediktif menilai risiko, seperti kemungkinan penolakan. Model penalaran menangani kompleksitas, termasuk interpretasi dan generasi narasi.

Setiap lapis mengurangi ketidakpastian dan mencerminkan bagaimana tim berkinerja tinggi beroperasi dalam prakteknya.

Apa yang sebenarnya terlihat seperti orkestrasi end-to-end dari intake pasien ke resolusi akun? 

Orkestrasi end-to-end berarti berpindah dari dukungan tugas terisolasi ke sistem yang beroperasi di seluruh siklus klinis-ke-uang penuh.

Ini dimulai pada intake pasien, mendukung penangkapan data yang akurat, verifikasi kelayakan, dan persyaratan otorisasi secara waktu nyata untuk mencegah masalah hilir.

Ketika dokumentasi dan pengkodean mengambil bentuk, sistem menyelaraskan aktivitas dengan harapan pembayar dan mengidentifikasi risiko lebih awal. Melalui penagihan dan penyelesaian, itu memantau perilaku pembayar, nuansa kontrak, dan potensi underpayment.

Ketika masalah terjadi, sistem menghubungkan hasil kembali ke penyebab akar dan memberikan wawasan ke hulu.

Hari ini, banyak organisasi bergantung pada 15 hingga 30 solusi titik yang berbeda di seluruh siklus pendapatan. Setiap solusi tersebut memperbaiki area tertentu, tetapi mereka tidak belajar bersama. Celah antara fungsi memungkinkan kebocoran pendapatan untuk bertahan.

Orkestrasi membawa ini bersama-sama melalui data yang disatukan, aktivitas siklus pendapatan yang terkoordinasi, dan akuntabilitas yang jelas, menciptakan sistem pembelajaran terus-menerus di seluruh siklus hidup.

Di mana EHR saat ini gagal, dan bagaimana pendekatan Anda memperluas kemampuan mereka tanpa mengganggu infrastruktur yang ada? 

EHR adalah fondasi. Mereka berfungsi sebagai sistem catatan untuk data klinis dan keuangan.

Mereka tidak dirancang untuk bertindak sebagai sistem intelijen untuk operasi siklus pendapatan.

Celahnya ada di menghubungkan konteks di seluruh siklus pendapatan. Sementara EHR menyimpan dan mengatur informasi, mereka tidak menafsirkan perilaku pembayar, memprediksi penolakan, atau membimbing pengguna melalui aktivitas multi-langkah yang kompleks yang melampaui batas mereka.

Banyak pekerjaan yang diperlukan untuk mengelola persyaratan pembayar dan pengecualian terjadi di luar EHR, yang mana fragmentasi berkembang.

Pendekatan kami melengkapi EHR daripada menggantinya. Kami bekerja dalam lingkungan yang ada, menambahkan intelijen ke area di mana pekerjaan benar-benar terjadi.

Ini memungkinkan kami untuk mengurangi beban administratif, meningkatkan akurasi, dan membantu tim fokus pada aktivitas yang lebih berharga tanpa memerlukan perubahan pada infrastruktur inti.

Bagaimana Anda melihat siklus pendapatan berkembang selama lima tahun ke depan, dan apa peran yang akan terus dimainkan oleh operator manusia? 

Selama lima tahun ke depan, operasi siklus pendapatan akan bergeser dari reaktif dan intensif tenaga kerja ke proaktif dan terkoordinasi.

Lebih sedikit upaya akan dihabiskan untuk pekerjaan ulang seperti banding dan tindak lanjut, dan lebih banyak akan difokuskan pada pencegahan hilir. Penolakan dan underpayment akan semakin diidentifikasi lebih awal, meningkatkan baik struktur biaya dan prediktabilitas keuangan.

Perubahan ini memperluas kesempatan bagi tenaga kerja. Hari ini, terlalu banyak tenaga kerja terampil diikat pada tugas berulang. Ketika otomatisasi mengurangi beban itu, tim dapat fokus pada manajemen pengecualian, perbaikan proses, pengambilan keputusan strategis, dan perawatan pasien

Peran tidak menghilang. Mereka berevolusi. Keahlian manusia tidak melemah. Ini menjadi lebih kritis dan lebih sentral untuk kinerja siklus pendapatan secara keseluruhan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Ensemble Health Partners.