アンドリュー・レイ、アンサンブルヘルスパートナーズのチーフプロダクト＆イノベーションオフィサー – インタビューシリーズ

Andrew Ray氏は、Ensembleの最高製品・イノベーション責任者であり、医療財務、収益サイクル業務、製品戦略、イノベーションが交わる領域で豊富な経験を持っています。Ensembleでは、EpicとのRev Cyclers提携を含む、製品、業務改善、イノベーションの取り組みを率いています。McKinsey & Companyでは医療提供者の変革と戦略的成長に携わり、Stanford Children’s Healthでは収益サイクル部門を率いたほか、EYおよびTriage Consulting Groupで医療アドバイザリー業務を経験しました。こうした経歴が、業務遂行とテクノロジーを活用した医療変革の両面における確かな基盤となっています。

Ensemble Health Partnersは、病院、医療システム、診療所と連携し、財務実績、患者体験、業務効率の向上を支援する医療収益サイクル管理会社です。患者エンゲージメント、コーディング、請求管理、請求拒否の防止、支払者対応、口座解決などを対象に、エンドツーエンドのRCM支援を提供しています。また、AIによる意思決定、自動化、分析、EIQ収益サイクル・インテリジェンス・プラットフォームを活用し、医療提供者の摩擦軽減と償還の迅速化を支援します。EnsembleはRev Cyclersプログラムを通じてEpicとも提携し、Microsoft Azureの生成AIおよび機械学習との連携を拡大して、AI対応の収益サイクル業務を推進しています。

従来のRCMワークフローにどのような具体的な問題があり、専用LLMが必要だと確信したのでしょうか？ 

医療システムの利益率が2～4％にとどまる一方で、初回請求の拒否率は12～15％まで上昇しています。従来の収益サイクル手法では根本的な問題を解決できず、まったく異なるアプローチが必要だと分かった転換点です。その圧力は、人員配置からテクノロジー投資、診療能力まで、組織のあらゆる部分に影響します。

多くのソリューションは、エンドツーエンドのシステム全体を扱っていません。その結果、組織には断片化したツール、サイロ化したデータ、連携していない業務が残り、汎用モデルへのプロンプトエンジニアリングで文脈をつなぎ合わせることに依存しています。

この手法は遅く、コストが高く、一貫性に欠け、大規模な管理も困難です。

専用モデルは、履歴データとリアルタイムデータを統制されたプラットフォームに取り込むことで、この状況を変えます。支払者の行動を予測し、関連する情報を提示し、請求拒否の削減を支援すると同時に、コンプライアンスを満たし監査可能な環境で稼働できます。

以前の記事を執筆して以降、汎用AIと専用モデルに対する見方を強めたり変えたりした出来事はありましたか？ 

収益サイクル全体を対象とするエンドツーエンドのAIオーケストレーションの開発・導入を続ける中で、最先端LLMが力を発揮する領域と、専用モデルで埋めるべき大きなギャップがある領域が、より明確になっています。

最先端LLMは臨床推論に優れています。一方で当社は、医療の臨床部門と管理部門の隔たりを数十年にわたり橋渡ししてきた医師や看護師の文脈と専門知識を組み込むことに多額の投資をしています。専門家をループに加えたAIソリューションは、優れた成果を生む強力な組み合わせであることが実証されつつあります。

汎用モデルは、規制対象である収益サイクル環境の現実や、微妙な判断を要する収益サイクル業務の訓練データ不足に、引き続き直面しています。簡単に言えば、既製のAIは答えに至る手段を示せても、成果や最高水準の実績につながる知見とプロセスを提供するための細かな文脈を欠くことが多いのです。

汎用モデルを調整しても、一貫性の欠如、脆弱なガバナンス、微妙な差異を扱う能力の限界が残ります。これはツールの問題ではなく、構造的な制約です。

Ensembleは、請求拒否の防止、患者エンゲージメントと医療アクセスの改善、支払者との診療方針の整合性向上といった成果を実現するため、機能を構築し、プロセスとデータを再設計しています。

RCM業務において、汎用モデルにプロンプトエンジニアリングを重ねる手法の最も重大な限界は何ですか？ 

収益サイクルにおけるAIの可能性は、汎用モデルを医療業務に適用することだけではなく、AIがその領域を本当に理解しているかどうかにかかっています。基盤モデルへのプロンプトエンジニアリングでは、表面的には妥当性を満たす有能な汎用機能を得られても、継続的に適応・改善し最高水準の実績を出すために必要な細かな文脈が不足します。例えば「医学的必要性」は、全米規模の民間支払者とMedicareのMACとでは意味が異なり、その違いが財務実績を左右します。公開インターネットで訓練されたモデルはそれを知りません。プロンプトで一部のギャップは埋められても、完全かつ正確な文脈上の機微までは補えません。

プロンプトで調整したモデルは、設計上静的です。支払者が密かに審査行動を変えたとき、新たな拒否パターンが現れたとき、あるいは前四半期に有効だった異議申立て戦略が通用しなくなったときに、自ら学習できません。Ensembleでは、すべての請求結果をインテリジェンスに変換する閉じたフィードバックループを構築しました。数百の医療システムと支払者にまたがる収益サイクルの中心に位置するからこそ、単一の医療提供者が社内で再現できない規模で実現できます。

AIを活用したRCMにおける真の競争優位は、モデルそのものではなく、そこに組み込まれたデータと専門知識です。当社は長年にわたり、優秀な請求拒否対応の専門家、コーダー、支払者関係の専門家の仕事を業務プロセスに落とし込み、最高水準の成果を実現してきました。これはシステムプロンプトに注入できるものではなく、モデルの訓練方法、評価基準、ワークフローへの統合方法に組み込まなければなりません。

医療収益サイクルにおけるAI変革は、既存プロセスの上に生産性向上レイヤーとしてAIを載せる組織と、プロセス自体にインテリジェンスを組み直す組織の二つに分かれます。Ensembleは明確に後者です。利益率の圧力を受ける医療システムにとって、この違いは漸進的改善と変革の違いに相当します。

支払者のルールや複数段階のワークフローを扱う場合、プロンプトに大きく依存するシステムの精度上限は、実際にはどのように表れますか？ 

その上限は、収益サイクルの実績が精密さに左右される局面での一貫性の欠如として現れます。単なる正答率の問題ではなく、実際の業務条件における信頼性の問題です。

プロンプト依存型システムは、各リクエストに文脈を読み込ませることで、推論時に収益サイクルのロジックを導入しようとします。単純な場面では機能しても、支払者固有の行動、規制上の細かな差異、複数段階の依存関係を扱うと破綻します。

出力の方向性は正しくても、日常業務で使えるほどの信頼性はありません。

複雑さが増すにつれてコストは上昇し、一貫性は低下します。その結果、手順の抜け、依存関係の見落とし、段階間での文脈の喪失が生じます。

そこで当社は、必要になるたびに文脈を再構築するのではなく、実際の業務データに基づき、収益サイクル活動へ直接組み込まれたモデルに注力しています。

支払者側のAIと医療提供者側のAIが軍拡競争に発展すると考えますか。また、医療システムはどう対応すべきでしょうか？ 

「軍拡競争」という捉え方では、起きていることを完全には表せません。支払者と医療提供者の双方が、事前承認や請求処理の全体に急速にAIを導入しています。多くの場合、これは摩擦を減らすどころか増やし、解決に至らないまま自動化システム同士がやり取りする結果にもなります。

AIだけでは、断片化した収益サイクル業務を解決できません。断片化した仕組みの上にAIを重ねると、問題を増幅することさえあります。より有効な対応は、事後対応型から予防型の業務へ移行することです。そのためには、収益サイクル全体の可視性、強固なデータ基盤、支払者の行動を予測し、リスクを早期に特定し、提出前に問題を解決する能力が必要です。

組織がその水準の連携と洞察をもって業務を行えば、関係性は摩擦からより高い実績へと変わります。当社はそのため、各段階にAIを組み込んで再設計し、すべての段階で摩擦を減らしながら支払者との調整を迅速化し、実際の成果を上げています。

患者を特定できるデータを使わずに訓練したモデルが、現実世界の複雑さを捉えていることを、どのように保証していますか？ 

患者を特定できるデータがないからといって、現実世界の複雑さまで失われるわけではありません。

Ensembleは年間8,000万件の取引を管理し、2ペタバイトを超える医療提供者、支払者、臨床データをAIで利用できる資産へ統合しています。この基盤には、担当者の専門知識、支払者固有の行動、請求拒否のパターンなど、大規模な収益サイクル業務が実際にどう機能するかが反映されています。これにより、予測モデリング、リアルタイムの洞察、支払遅延や請求拒否から医療提供者を守るエージェント型AIワークフローが可能になります。

当社はHIPAA準拠の環境で、認定された情報源から得た高品質な合成データと匿名化データセットを使用しています。これらのデータセットは、現実の場面に存在する構造、ばらつき、例外的なケースを保持しています。

当社はEHRを複製しているわけではありません。EHRネイティブのアプローチを採用し、特に支払者の要件やEHR外で行われる意思決定に関係する領域など、最も重要な場所にインテリジェンスを追加しています。

さらに、医師、看護師、収益サイクル担当者といった世界水準の専門家を加えることで、AIとデータだけではまだ実現できない、アプローチの機微と専門知識を補っています。

このアプローチは、患者のプライバシーを守りながら現実世界の複雑さを維持し、成果と実績の向上につなげます。

人間の意思決定やワークフローを、モデルが確実に学習し実行できる形へ、どのように変換していますか？ 

これを可能にしているのは、背後にある業務担当者の深い専門知識です。それをモデルに移すことは、専門性を近似することではありません。経験豊富なチームが実際にどのように働くかを捉えることです。

当社は実際の収益サイクル業務で訓練し、担当者が日々用いるルール、依存関係、パターンを中心にシステムを構成します。最も効果的なシステムは、複数の知能レイヤーを組み合わせています。決定論的ロジックは、検証や方針確認など、一貫性が不可欠な段階を支えます。予測モデルは請求拒否の可能性などのリスクを評価し、推論モデルは解釈や説明文の生成を含む複雑な処理を担います。

各レイヤーが不確実性を減らし、実績の高いチームの実際の働き方を反映します。

患者の受付から口座解決まで、エンドツーエンドのオーケストレーションは実際にどのようなものですか？ 

エンドツーエンドのオーケストレーションとは、個別業務の支援から、診療開始から入金までのライフサイクル全体で機能するシステムへ移行することです。

患者の受付から始まり、正確なデータ取得、保険資格の確認、承認要件をリアルタイムで支援して、後工程の問題を防ぎます。

診療記録やコーディングが整うにつれて、システムは業務を支払者の要件に合わせ、リスクを早期に特定します。請求と審査の段階では、支払者の行動、契約上の細かな条件、支払不足の可能性を監視します。

問題が発生すると、システムは結果を根本原因へ結び付け、得られた洞察を上流工程へ還元します。

現在、多くの組織は収益サイクル全体で15～30種類の個別ソリューションに依存しています。それぞれは特定領域を改善しますが、相互に学習しません。機能間の隙間が残るため、収益の取りこぼしが続きます。

オーケストレーションは、統合されたデータ、連携した収益サイクル活動、明確な説明責任によってこれらを一つにまとめ、ライフサイクル全体で継続的に学習するシステムを作ります。

現在のEHRにはどのような不足があり、既存インフラを混乱させずに、その機能をどのように拡張していますか？ 

EHRは基盤となるシステムです。臨床・財務データの記録システムとして機能します。

しかし、収益サイクル業務のためのインテリジェンスシステムとして設計されたものではありません。

不足しているのは、収益サイクル全体の文脈をつなぐ機能です。EHRは情報を保存・整理しますが、支払者の行動を解釈したり、請求拒否を予測したり、その境界を越える複雑な複数段階の業務を通じて利用者を導いたりはしません。

支払者の要件や例外を管理するために必要な作業の多くはEHRの外で行われ、そこで業務の断片化が生じます。

当社のアプローチは、EHRを置き換えるのではなく補完するものです。既存環境の中で動作し、実際に業務が行われる領域へインテリジェンスを追加します。

これにより、基幹インフラを変更することなく、管理負担を減らし、精度を高め、チームがより価値の高い業務に集中できるようになります。

今後5年間で収益サイクルはどのように進化し、人間の担当者は引き続きどのような役割を担うと考えますか？ 

今後5年間で、収益サイクル業務は事後対応型で労働集約的な形から、予防型で連携の取れた形へ移行します。

異議申立てやフォローアップなどの手戻りに費やす労力は減り、より上流での予防に重点が置かれます。請求拒否や支払不足はますます早期に特定され、コスト構造と財務の予測可能性がともに改善します。

この変化は働く人々の機会を広げます。現在は多くの熟練人材が反復作業に縛られていますが、自動化によってその負担が軽くなれば、チームは例外管理、プロセス改善、戦略的意思決定、患者ケアに集中できます。

役割は消えるのではなく、進化します。人間の専門知識の価値は低下せず、収益サイクル全体の実績にとって、より重要かつ中心的なものになります。

貴重なお話をありがとうございました。詳しく知りたい読者は、Ensemble Health Partnersをご覧ください。