Andrew Ray, Chief Product e Innovation Officer di Ensemble – Serie di Interviste

Andrew Ray, Chief Product e Innovation Officer di Ensemble, porta una profonda esperienza all’intersezione di finanza sanitaria, operazioni del ciclo di entrate, strategia di prodotto e innovazione. In Ensemble, guida le iniziative di prodotto, miglioramento operativo e innovazione, compresa la partnership della società con Epic Rev Cycler. Il suo background include la trasformazione dei fornitori di assistenza sanitaria e il lavoro di crescita strategica presso McKinsey & Company, la leadership del ciclo di entrate presso Stanford Children’s Health e ruoli di consulenza sanitaria presso EY e Triage Consulting Group, dandogli una solida base sia nell’esecuzione operativa che nella trasformazione sanitaria abilitata dalla tecnologia.

Ensemble Health Partners è una società di gestione del ciclo di entrate sanitario che lavora con ospedali, sistemi sanitari e studi medici per migliorare le prestazioni finanziarie, l’esperienza del paziente e l’efficienza operativa. La società fornisce supporto RCM end-to-end in aree come l’engagement del paziente, la codifica, la gestione delle richieste, la prevenzione dei rifiuti, le prestazioni dei pagatori e la risoluzione dei conti, utilizzando la decisione basata su AI, l’automazione, l’analisi e la piattaforma di intelligenza del ciclo di entrate EIQ per aiutare i fornitori a ridurre l’attrito e accelerare il rimborso. Ensemble ha anche collaborato con Epic attraverso il programma Rev Cyclers e ha ampliato il suo lavoro con Microsoft Azure generative AI e machine learning per avanzare le operazioni del ciclo di entrate abilitate da AI.

Quali sono le specifiche rotture nei flussi di lavoro RCM tradizionali che ti hanno convinto che un LLM ad hoc fosse necessario? 

I sistemi sanitari operano con margini del 2% al 4% mentre i tassi di rifiuto iniziali salgono al 12% al 15%. Quello è il punto di rottura che ci ha mostrato che gli approcci tradizionali del ciclo di entrate non risolvono il problema principale e che è necessario un approccio fondamentalmente diverso. Quella pressione colpisce ogni parte dell’organizzazione, dal personale agli investimenti tecnologici alla capacità di cura.

La maggior parte delle soluzioni non affronta il sistema end-to-end nel suo complesso. Le organizzazioni sono lasciate con strumenti frammentati, dati isolati e attività disconnesse che dipendono dal cucire il contesto insieme attraverso l’ingegneria dei prompt sui modelli general-purpose.

Quell’approccio è più lento, più costoso, meno coerente e difficile da gestire su larga scala.

Un modello ad hoc cambia questo portando i dati storici e in tempo reale in una piattaforma governata. Può anticipare il comportamento del pagatore, portare a galla informazioni rilevanti, aiutare a ridurre i rifiuti e operare in ambienti conformi e verificabili.

Ha qualcosa dal tuo scritto precedente rafforzato o cambiato la tua prospettiva su AI generale contro modelli ad hoc? 

Il nostro sviluppo e distribuzione continuo di orchestrazione AI end-to-end nel ciclo di entrate ha continuato a rafforzare dove i LLM di frontiera brillano e dove ci sono lacune significative che stiamo affrontando con modelli ad hoc.

I LLM di frontiera si eseguono bene con la ragione clinica, ma stiamo investendo molto per fornire il contesto e l’esperienza dei nostri medici e infermieri che hanno decenni di esperienza nel colmare la divisione clinica e amministrativa della sanità. Questo si sta dimostrando una combinazione potente che fornisce risultati eccezionali incorporando quelle soluzioni AI con esperti nel loop.

I modelli generali continuano a scontrarsi con le realtà degli ambienti del ciclo di entrate regolamentati e la mancanza di dati di formazione per la navigazione dei processi del ciclo di entrate sfumati. In poche parole, l’AI generale identifica un mezzo per una risposta, ma spesso manca della sfumatura per fornire intelligenza e processi che guidano i risultati e le prestazioni di classe mondiale.

L’adattamento dei modelli generali produce ancora incoerenza, governance debole e capacità limitata di gestire la sfumatura. Questo è un limite strutturale, non un problema di strumenti.

Ensemble sta costruendo capacità e riingegnerizzando processi e dati per fornire risultati – prevenzione dei rifiuti, miglioramento dell’engagement del paziente e dell’accesso alle cure e miglioramento dell’allineamento delle cure con i pagatori.

Quali sono le limitazioni più critiche dell’ingegneria dei prompt stratificata sui modelli general-purpose nelle operazioni RCM? 

La promessa dell’AI nel ciclo di entrate non è solo quella di applicare un modello general-purpose alle attività sanitarie – è se l’AI comprende effettivamente il dominio. Le limitazioni dell’ingegneria dei prompt sui modelli di base è che si ottengono capacità di generalista capaci che superano il test di ragionevolezza in superficie, ma mancano della sfumatura necessaria per fornire prestazioni di classe mondiale che si adattano e migliorano continuamente. ‘Necessità medica’ significa qualcosa di diverso per un pagatore commerciale nazionale rispetto a quanto significa per un MAC di Medicare, e quella differenza determina le prestazioni finanziarie. Un modello addestrato su Internet aperto non sa questo; l’ingegneria dei prompt può colmare alcune di quelle lacune, ma manca di completezza e accuratezza della sfumatura contestuale.

Per progetto, i modelli progettati con l’ingegneria dei prompt sono statici. Non possono imparare quando un pagatore cambia silenziosamente il suo comportamento di giudizio, quando emerge un nuovo modello di rifiuto o quando una strategia di appello che funzionava l’ultimo trimestre smette di funzionare. In Ensemble, abbiamo costruito il ciclo di feedback chiuso che trasforma ogni esito della richiesta in intelligenza – perché ci troviamo al centro del ciclo di entrate in centinaia di sistemi sanitari e pagatori, su una scala che nessun fornitore singolo potrebbe replicare internamente.

Quello che abbiamo trovato è che il vero vantaggio competitivo nell’RCM alimentato da AI non è il modello – è i dati e l’esperienza codificata al suo interno. Abbiamo trascorso anni a operativizzare ciò che fanno i nostri migliori specialisti di rifiuti, codificatori e relazioni con i pagatori per fornire risultati di classe mondiale. Non puoi iniettare questo in un sistema di prompt – deve vivere in come il modello è stato addestrato, ciò contro cui è stato valutato e come è integrato nel flusso di lavoro.

La trasformazione dell’AI nel ciclo di entrate sanitario si dividerà in due campi: le organizzazioni che utilizzano l’AI come uno strato di produttività sopra i processi esistenti e le organizzazioni che hanno ricostruito l’intelligenza nel processo stesso. Ensemble si trova saldamente nel secondo campo – e per i sistemi sanitari sotto pressione di margine, quella distinzione è la differenza tra il miglioramento incrementale e la trasformazione.

Come vedi il soffitto di accuratezza dei sistemi a prompt pesanti quando si tratta di regole dei pagatori e flussi di lavoro multi-step? 

Il soffitto si presenta come incoerenza nei punti in cui le prestazioni del ciclo di entrate dipendono dalla precisione. Non si tratta solo di accuratezza grezza. Si tratta di affidabilità in condizioni operative reali.

I sistemi a prompt pesanti cercano di introdurre la logica del ciclo di entrate al momento dell’inferenza caricando il contesto in ogni richiesta. Ciò può funzionare in scenari più semplici, ma si rompe con il comportamento specifico del pagatore, la sfumatura normativa e le dipendenze multi-step.

I risultati possono essere direzionalmente giusti, ma non sono affidabili abbastanza per le operazioni quotidiane.

Man mano che aumenta la complessità, il costo sale e la coerenza diminuisce, portando a lacune nella sequenza, dipendenze mancate e perdita di contesto tra i passaggi.

È per questo che ci concentriamo su modelli basati su dati operativi reali e incorporati direttamente nell’attività del ciclo di entrate piuttosto che ricostruire il contesto su richiesta.

Vieni a vedere l’AI dei pagatori e l’AI dei fornitori evolversi in una corsa agli armamenti, e come dovrebbero rispondere i sistemi sanitari? 

La cornice della corsa agli armamenti non cattura completamente ciò che sta accadendo. Sia i pagatori che i fornitori stanno applicando rapidamente l’AI su autorizzazioni preventive e processi di richiesta. In molti casi, ciò aumenta l’attrito piuttosto che ridurlo e può portare a sistemi automatizzati che interagiscono senza risoluzione.

L’AI da sola non risolve le operazioni del ciclo di entrate frammentate. Applicata sopra la frammentazione, può amplificare il problema. La risposta più forte è passare dalle operazioni reattive a quelle proattive. Ciò richiede visibilità su tutto il ciclo di entrate, una base di dati più solida e la capacità di anticipare il comportamento del pagatore, identificare il rischio in anticipo e risolvere i problemi prima della presentazione.

Quando le organizzazioni operano con quel livello di coordinamento e insight, la dinamica si sposta dall’attrito alle prestazioni più forti. Stiamo fornendo risultati reali, a questo scopo, dove stiamo raggiungendo una riduzione dell’attrito e un allineamento più rapido con i pagatori a ogni passaggio – con l’AI riingegnerizzata a ogni passaggio.

Come assicuri che un modello addestrato senza dati di paziente identificabili catturi ancora la complessità del mondo reale? 

L’assenza di dati di paziente identificabili non significa assenza di complessità del mondo reale.

Gestendo 80 milioni di transazioni all’anno, Ensemble ha unificato più di due petabyte di dati di fornitori, pagatori e clinici in un asset pronto per l’AI. Quella base riflette come l’attività del ciclo di entrate funziona effettivamente su larga scala, compresa l’esperienza degli operatori, il comportamento specifico del pagatore e i modelli di rifiuto, e sblocca la modellazione predittiva, le informazioni in tempo reale e i flussi di lavoro dell’AI che aiutano a proteggere i fornitori dai ritardi e dai rifiuti di pagamento.

Utilizziamo dataset sintetici e deidentificati di alta qualità da fonti certificate in un ambiente conforme a HIPAA. Questi dataset preservano la struttura, la variabilità e i casi limite presenti in scenari del mondo reale.

Non stiamo replicando il registro elettronico delle cartelle cliniche. Adottiamo un approccio nativo del registro elettronico delle cartelle cliniche, aggiungendo intelligenza dove conta di più, soprattutto nelle aree legate ai requisiti del pagatore e alle decisioni che si trovano al di fuori del registro elettronico delle cartelle cliniche.

Abbiamo migliorato questo approccio con esperti di classe mondiale (MD, infermieri, operatori del ciclo di entrate) che forniscono l’approccio con sfumatura e competenza che l’AI e i dati non possono ancora raggiungere in modo indipendente.

Questo approccio preserva la complessità del mondo reale, si concentra sui risultati e sulle prestazioni mentre protegge la privacy del paziente.

Come traduci la presa di decisione umana e i flussi di lavoro in qualcosa che un modello possa apprendere e eseguire in modo affidabile? 

Ciò che funziona è la profondità dell’esperienza dell’operatore dietro di esso. Tradurre questo nel nostro modello non è circa l’approssimazione dell’esperienza. È circa la cattura di come i team esperti lavorano effettivamente.

Addestriamo su compiti reali del ciclo di entrate e strutturiamo il sistema intorno alle regole, dipendenze e modelli che gli operatori utilizzano ogni giorno. I sistemi più efficaci combinano più livelli di intelligenza. La logica deterministica supporta passaggi che devono rimanere coerenti, come convalida e controlli di politica. I modelli predittivi valutano il rischio, come la probabilità di rifiuto. I modelli di ragionamento affrontano la complessità, inclusa l’interpretazione e la generazione di narrazione.

Ogni livello riduce l’incertezza e riflette come operano le squadre ad alte prestazioni nella pratica.

Cosa significa esattamente l’orchestrazione end-to-end dal paziente all’accettazione del conto? 

L’orchestrazione end-to-end significa spostarsi dal supporto di compiti isolati a un sistema che opera su tutto il ciclo di vita clinico-a-cassa.

Inizia al momento dell’accettazione del paziente, supportando la cattura dei dati precisa, la verifica dell’idoneità e i requisiti di autorizzazione in tempo reale per prevenire problemi a valle.

Man mano che la documentazione e la codifica prendono forma, il sistema allinea l’attività con le aspettative del pagatore e identifica il rischio in anticipo. Attraverso la fatturazione e l’addebito, monitora il comportamento del pagatore, le sfumature contrattuali e i potenziali sottopagamenti.

Quando si verificano problemi, il sistema collega gli esiti alle cause radice e alimenta l’insight a monte.

Oggi, molte organizzazioni si affidano a 15-30 diverse soluzioni di punto nel ciclo di entrate. Ognuna migliora un’area specifica, ma non imparano insieme. Le lacune tra le funzioni consentono alla perdita di entrate di persistere.

L’orchestrazione unisce questo attraverso dati unificati, attività del ciclo di entrate coordinate e chiara responsabilità, creando un sistema di apprendimento continuo su tutto il ciclo di vita.

Dove attualmente cadono i sistemi EHR, e come il tuo approccio estende le loro capacità senza disturbare l’infrastruttura esistente? 

I sistemi EHR sono fondamentali. Servono come sistema di registrazione per i dati clinici e finanziari.

Non sono stati progettati per agire come sistemi di intelligenza per le operazioni del ciclo di entrate.

La lacuna è nella connessione del contesto su tutto il ciclo di entrate. Mentre i sistemi EHR archiviano e organizzano le informazioni, non interpretano il comportamento del pagatore, non anticipano i rifiuti o non guidano gli utenti attraverso attività complesse e multi-step che si estendono oltre i loro confini.

Gran parte del lavoro necessario per gestire i requisiti del pagatore e le eccezioni si svolge al di fuori del sistema EHR, ed è lì che si sviluppa la frammentazione.

Il nostro approccio complementa il sistema EHR piuttosto che sostituirlo. Lavoriamo all’interno degli ambienti esistenti, aggiungendo intelligenza alle aree dove il lavoro sta effettivamente avvenendo.

Ciò ci consente di ridurre l’onere amministrativo, migliorare l’accuratezza e aiutare le squadre a concentrarsi su attività di maggior valore senza richiedere modifiche all’infrastruttura principale.

Come vedi il ciclo di entrate evolversi nei prossimi cinque anni, e quale ruolo continueranno a svolgere gli operatori umani? 

Nei prossimi cinque anni, le operazioni del ciclo di entrate si sposteranno da reattive e labor-intensive a proattive e coordinate.

Meno sforzo sarà speso per il lavoro di ri-lavorazione come appelli e follow-up, e più sarà concentrato a monte sulla prevenzione. I rifiuti e i sottopagamenti saranno sempre più identificati in anticipo, migliorando sia la struttura dei costi che la prevedibilità finanziaria.

Questo spostamento espande l’opportunità per la forza lavoro. Oggi, troppa manodopera qualificata è legata a compiti ripetitivi. Man mano che l’automazione riduce quel fardello, le squadre possono concentrarsi sulla gestione delle eccezioni, sul miglioramento dei processi, sulla presa di decisioni strategiche e sull’assistenza ai pazienti

I ruoli non scompaiono. Evolvono. L’esperienza umana non si riduce. Diventa più critica e più centrale per le prestazioni complessive del ciclo di entrate.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Ensemble Health Partners.