インタビュー
リノバAIのCEO兼共同創設者ドクター・リハン・ジャヴィッド – インタビュー・シリーズ
Unite.AI を Google の優先ソースに追加
ドクター・リハン・ジャヴィッド、リノバAIのCEO兼共同創設者は、医療経営者であり、起業家であり、人工知能を通じて医療運営を近代化することに焦点を当てています。リノバを率いるほか、エッジの共同創設者兼会長でもあり、エッジは、保険、医療、歯科クリニック向けにリモートワークプレイスインフラストラクチャソリューションを提供しています。精神科医としても活動しており、現在、コモン・スピリット・ヘルスとセント・ジョセフズ・ビヘイビオラル・ヘルス・センターのメディカルディレクター兼チーフメディカルオフィサーを務めています。また、ツーロ大学メディカルグループでも臨床業務に従事しています。以前は、ザ・パーマネンテ・メディカル・グループ・インクで精神科医として活動し、カリフォルニア・パシフィック・メディカル・センターと南フロリダ大学で研修を修了しました。さらに、法務人事のプリンシパルとしての経験もあります。
リノバAIは、AI駆動の収益サイクル管理と医療請求自動化に特化したヘルスケアテクノロジー企業です。プラットフォームは、保険の確認、コード最適化、請求書の提出、拒否管理などのプロセスを自動化することで、提供者への行政負担を軽減するように設計されています。ワークフローを合理化し、精度を向上させるために人工知能を活用することで、リノバは従来の請求サービスと比較して顕著なコスト削減を達成し、支払いを迅速化し、ヘルスケア組織の財務成績を向上させることを目指しています。
エッジを2021年に共同創設した後、精神科医として、そして後にメディカルディレクター兼チーフメディカルオフィサーとして活動しました。請求書のワークフローにおける断片化されたデータ、ペイアーのルールの変更、手動での例外処理などの初期の兆候は何でしたか？それらは最終的に自動化が避けられないことを示唆しましたか？
私は臨床業務を行っていたり、臨床運営を担当していたりしていたとき、請求書のプロセスに多大な摩擦があることを認識しました。データは複数のシステムに存在し、うまく連携していませんでした。ペイアーの要件は頻繁に変更されていました。スタッフは、予測可能な理由で請求書を再作業するのに多くの時間を費やしていました。
私が注目したのは、繰り返しのパターンでした。同じエラー、同じ拒否パターン、同じドキュメントのギャップ。これらはまれな、繊細な問題ではありませんでした。繰り返される運用上の障害でした。ある程度の規模になると、人々に手動でその複雑さを管理することを求めることは持続可能ではありません。そこで、自動化は選択肢ではなく、避けられないものであることが明らかになります。
リノバAIを数年後に立ち上げたとき、技術やデータの側面で何が変化したことで、収益サイクル管理にAIを適用できるようになったのでしょうか？それにより、実際の請求書の複雑さとペイアーのルールに対して信頼性を持って動作できるようになりましたか？
2つのことが変わりました。まず、データ環境が改善されました。EHR、クリアリングハウス、請求プラットフォームの統合がより構造化され、よりクリーンな入力と強力なフィードバックループが得られました。
2つ目は、技術が成熟しました。単純なルールエンジンを超えて、モデルはコンテキストを評価できるようになり、単にチェックボックスを確認するのではなく、文書化、コード化、ペイアーロジックを一緒に分析できるようになりました。
請求書が突然簡単になったわけではありませんでした。エコシステムがAIが信頼性を持って動作できるようになるまで安定したものになったのです。
収益サイクル管理は従来、静的なルールと請求書拒否後の回復に依存してきました。ワークフローの中でAIを導入することで、病院が財務リスクと支払い予測可能性について考えるやり方はどのように変わりますか？
従来、収益サイクルチームはある程度の拒否を事業の通常の部分として受け入れていました。作業は何かが間違った後に開始されます。
AIを上流に導入すると、回復から予防への目標がシフトします。提出前にドキュメントのギャップやコードの不一致を特定できます。支払いの変動性が軽減されます。
病院は、収益を追跡するのではなく、リスクを管理することを考えるようになります。予測可能性が高まり、スタッフモデル、財務の安定性に関する取締役会の議論も変わります。
AIシステムは通常、標準的なケースではうまく機能しますが、端のケースでは苦労します。請求書の運用では、どのようなシナリオが最も効果的に自動化されていますか？また、人間の判断が重要な役割を果たすのはどのような場合ですか？
自動化は、構造化された、高ボリュームのタスクで最も効果的に機能します。資格確認、承認の検証、コードの最適化、拒否パターンの検出はすべて、機械が人間よりも迅速に、かつ一貫して処理できる領域です。
人間の判断は、エッジケースで重要です。臨床的なニュアンスが必要な控訴、契約上の争い、異常なペイアーの行動、複雑な患者シナリオはすべて、経験と推論の恩恵を受けます。AIはリスクを特定できますが、人間はグレーエリアを解釈し、最終的な決定を下します。
エッジはヘルスケアトレーニングを受けた収益サイクルチームを病院のワークフローに組み込み、リノバは上流で意思決定を自動化します。AIシステムを人間の意思決定を強化するものではなく、新しい運用上のリスクを導入するものとして設計するには、どのようにアプローチしていますか？
私たちはAIを、置き換えではなく、サポートレイヤーとしてアプローチしています。システムは推奨事項を提示し、その論理を説明します。ヘルスケアトレーニングを受けたチームはワークフローに組み込まれたままです。
その構造は重要です。AIはスケールとパターン認識を処理し、人間はオーバーサイトと説明責任を担います。役割が明確な場合、リスクを軽減するのではなく、増大させます。
目標は、認知的負担を軽減することであり、人間の判断を除去することではありません。
ペイアーのポリシーは頻繁に変更され、常に一貫して適用されるとは限りません。リアルタイムのペイアーのインテリジェンスは、請求書の提出、拒否、継続的なモデル改善のフィードバックループをどのように変えますか？
ペイアーのポリシーは頻繁に変更され、適用は常に一貫して行われるわけではありません。歴史的に、組織はルールを定期的に更新し、最新であることを希望していました。
リアルタイムのフィードバックでは、拒否と承認の両方がデータポイントになります。モデルは静的な仮定ではなく、実際の結果から学習します。政策変更と運用上の調整のギャップが短縮されます。
時間の経過とともに、予期せぬ拒否が減り、提出の精度が向上します。システムがより適応性を持つようになります。
病院は、AIシステムがキャッシュフローに影響を与えることを心配しています。ヘルスケアのリーダーは、AI駆動の請求書の決定を信頼する前に、どの程度の透明性や管理を期待するべきですか？
リーダーは、明確さを期待するべきです。推奨事項がなぜ行われたのかを理解できるべきです。推奨事項を上書きできるべきです。また、明確な監査証跡が必要です。
収益サイクルはキャッシュフローとコンプライアンスに直接影響します。信頼は、盲目的な自動化ではなく、透明性と管理から生まれます。この分野で動作するAIシステムは、この基準を満たす必要があります。
収益サイクルチームのスタッフィング不足は、しばしば労働問題として扱われます。データ品質とワークフローの設計の問題がどの程度解決できるでしょうか？また、AIはどこに最も大きな影響を与えることができますか？
スタッフィングの課題は実在しますが、その多くはワークフロー設計の悪さによって悪化しています。チームが予防可能なエラーを修正するのに大部分の時間を費やしていると、焼き場が増加し、生産性が低下します。
データ入力をクリーンにし、避けられる拒否を減らすと、同じチームがより効果的に動作できます。AIは、繰り返しの再作業を除去し、プロセスを標準化することで最も大きな影響を与えます。
問題は、単にヘッドカウントではありません。摩擦です。
AIが収益サイクル運用に組み込まれるにつれて、収益サイクルチームの役割は、監視、例外処理、ガバナンスの観点からどのように進化するでしょうか？
収益サイクルチームは、より戦略的に動作するようになるでしょう。繰り返しの処理に費やす時間が減り、複雑な控訴、ペイアーの交渉、パフォーマンス分析に時間を費やすようになるでしょう。
自動化がルーティンな作業を処理すると、人間のチームはガバナンスと最適化にシフトします。那は機能を縮小するのではなく、機能を向上させます。
今後、AI駆動の収益サイクルプラットフォームは、病院にとって、オプションのツールではなく、コアの財務インフラストラクチャになることが予想されます。そうすると、組織はどのように変化するでしょうか？また、どのようなメリットが得られるでしょうか？
はい。マージン圧力は消えることはありません。支払いの予測可能性は不可欠になります。
精度を向上させ、漏れを減らすことで、AI駆動のプラットフォームは、オプションのツールから基本的なインフラストラクチャへと移行します。キャッシュフローがより安定すると、病院はより自信を持って計画し、より意図的に患者ケアに投資できるようになります。
それが最終的に私たちが気にかける結果です。
