앤드류 레이, 앙상블 제품 및 혁신 책임자 – 인터뷰 시리즈

앤드류 레이, 앙상블의 제품 및 혁신 책임자로, 의료 금융, 수익 주기 운영, 제품 전략 및 혁신의 교차점에서 깊은 경험을 가지고 있습니다. 앙상블에서 그는 제품, 운영 개선 및 혁신과 같은 회사의 Rev Cycler 파트너십과 함께 에픽과 함께 일합니다. 그의 배경에는 맥킨지 앤 컴퍼니에서 의료 제공자 변환 및 전략적 성장 작업, 스탠퍼드 아동병원에서 수익 주기 리더십, 그리고 이전에 EY와 트라이어지 컨설팅 그룹에서 의료 자문 역할이 포함되어 있습니다. 이는 운영 실행과 기술을 통해 의료 변화를 위한 강한 기초를 제공합니다.

앙상블 헬스 파트너스는 병원, 의료 시스템 및 의사 관행과 함께 금융 성과, 환자 경험 및 운영 효율성을 개선하기 위해 협력하는 의료 수익 주기 관리 회사입니다. 이 회사는 환자 참여, 코딩, 청구 관리, 거부 방지, 지불자 성과 및 계정 해결과 같은 분야에서 종단간 RCM 지원을 제공하며, 의료 제공자를 위해 마찰을 줄이고 보상금을 가속화하는 데 도움이 되는 AI 기반 의사 결정, 자동화, 분석 및 EIQ 수익 주기 지능 플랫폼을 사용합니다. 앙상블은 또한 에픽과 함께 Rev Cyclers 프로그램을 통해 협력하고, 마이크로소프트 Azure 생성적 AI 및 기계 학습을 통해 AI 기반 수익 주기 운영을 발전시키기 위해 확장하고 있습니다.

전통적인 RCM 워크플로우에서 특정한 중단이 발생하여 목적을 위한 LLM이 필요한 이유는 무엇입니까?

의료 시스템은 2%에서 4%의 마진으로 운영되고 초기 거부율은 12%에서 15%까지 상승합니다. 이것이 전통적인 수익 주기 접근 방식이 핵심 문제를 해결하지 못한다는 것을 보여주는 중단점입니다. 이 압력은 직원 배치, 기술 투자, 치료 능력과 같은 조직의 모든 부분에 영향을 미칩니다.

대부분의 솔루션은 전체 시스템을 하나의 통합된 시스템으로 다루지 않습니다. 조직은 단편화된 도구, 분리된 데이터 및 연결되지 않은 활동으로 남겨져 있으며, 일반 목적 모델에서 프롬프트 엔지니어링을 통해 컨텍스트를 함께 연결해야 합니다.

이 접근 방식은 더 느리며, 더 비용이 많이 들고, 일관성이 떨어지며 대규모에서 관리하기 어렵습니다.

목적을 위한 모델은 역사적 및 실시간 데이터를 거버넌스 플랫폼으로 가져옴으로써 이러한 문제를 해결합니다. 지불자 행동을 예측하고, 관련 지능을 표면화하고, 거부를 줄이며, 준수 가능한 감사 환경에서 작동할 수 있습니다.

초기 글을 쓰신 이후 일반 AI와 목적을 위한 모델에 대한 귀하의 관점이 강화되거나 변경된 점은 무엇입니까?

수익 주기 전반에 걸친 최첨단 AI 오케스트레이션의 지속적인 개발 및 배포는 일반 목적 모델이 빛나는 분야와 목적을 위한 모델이 해결하는 격차를 강화했습니다.

최첨단 LLM은 임상 추론에서 잘 작동하지만, 우리는 의사와 간호사와 같은 전문가로부터의 컨텍스트와 전문 지식을 제공함으로써 강력한 조합을 구축하고 있습니다. 이는 전문가와 함께 작동하는 AI 솔루션을 구현하여 예외적인 결과를 도출합니다.

일반 모델은 규제된 수익 주기 환경과 수익 주기 프로세스를 탐색하기 위한 훈련 데이터 부족과 같은 현실에 직면합니다. 간단히 말해서, 기성 AI는 답을 찾는 방법을 식별하지만, 결과를 도출하고 최상의 성과를 달성하는 지능과 프로세스를 제공하는 데 필요한 세련함이 부족합니다.

일반 모델을 적용하는 것은 여전히 일관성이 부족하고, 거버넌스가 약하며, 세련함을 관리하는 능력이 제한적입니다. 이는 구조적인 제한이며, 도구 문제가 아닙니다.

앙상블은 능력과 프로세스를 구축하고, 결과를 제공하기 위해 데이터를 재설계하고 있습니다. 거부 방지, 환자 참여 개선, 치료 접근 및 지불자와의 치료 조정을 개선하고 있습니다.

수익 주기 운영에서 일반 목적 모델에 대한 프롬프트 엔지니어링의 가장 중요한 제한은 무엇입니까?

일반 목적 모델에 대한 프롬프트 엔지니어링의 약점은 도메인에 대한 이해가 부족하다는 것입니다. 일반 목적 모델은 피상적인 합리성을 갖추고 있지만, 최상의 성과를 달성하기 위해 필요한 세련함이 부족합니다. ‘의료 필요성’은 국가 상업적 지불자와 메디케어 MAC에게 다른 의미를 가집니다. 이러한 차이는 금융 성과를 결정합니다. 오픈 인터넷에서 훈련된 모델은 이를 알지 못하며, 프롬프트는 일부 격차를 메우지만, 완전하고 정확한 컨텍스트를 제공하지 못합니다.

프롬프트 엔지니어링 모델은 정적으로 설계됩니다. 지불자가 조용히 심사 행동을 변경하거나, 새로운 거부 패턴이 나타나거나, 작동하던 항소 전략이 더 이상 작동하지 않는 경우에 대해 학습할 수 없습니다. 앙상블에서는 수백개의 의료 시스템과 지불자 전반에 걸친 수익 주기 중심에서 모든 청구 결과를 지능으로 변환하는 폐쇄형 피드백 루프를 구축했습니다.

우리가 발견한 것은 AI 기반 RCM의진정한 강점이 모델 자체가 아니라 데이터와 모델에 인코딩된 전문 지식입니다. 우리는 최고의 거부 전문가, 코더 및 지불자 관계 전문가가 제공하는 결과를 구현하기 위해 수년간 노력해 왔습니다. 이러한 지식을 시스템 프롬프트에 주입할 수 없습니다. 모델이 훈련된 방식, 평가 기준 및 워크플로에 통합되는 방식에 반영되어야 합니다.

의료 수익 주기에서 AI 변환은 두 가지 캠프로 나뉩니다. 기존 프로세스 위에 생산성 계층으로 AI를 사용하는 조직과, 프로세스 자체에 지능을 재구축하는 조직입니다. 앙상블은 후자의 진영에 속합니다. 이는 마진 압박을 받는 의료 시스템에서 점진적인 개선과 변환 사이의 차이를 나타냅니다.

수익 주기 성과에 영향을 미치는 정확성 한계는 실제로 어떻게 나타납니까?

한계는 수익 주기 성과가 정밀도에 의존하는 지점에서 나타납니다. 이는 단순한 정확성에 관한 것이 아닙니다. 실제 운영 조건에서 신뢰성에 관한 것입니다.

프롬프트 기반 시스템은 요청에 컨텍스트를 로드하여 수익 주기 논리를 도입하려고 시도합니다. 이는 더 단순한 시나리오에서는 작동할 수 있지만, 지불자별 행동, 규제적 세련함 및 다단계 종속성에서는 작동하지 않습니다.

출력은 방향적으로 올바를 수 있지만, 일상적인 운영에서 신뢰할 수 없습니다.

복잡성이 증가함에 따라 비용이 증가하고 일관성이 떨어지며, 시퀀싱의 격차, 종속성의 손실 및 단계 간의 컨텍스트 손실이 발생합니다.

이것이 우리가 실제 운영 데이터에 기반한 모델과 수익 주기 활동에 직접 임베딩하는 것을 중시하는 이유입니다.

지불자 AI와 제공자 AI는 암흑 경쟁으로 발전할 것으로 보입니까? 그리고 의료 시스템은 어떻게 대응해야 합니까?

암흑 경쟁은 발생하는 모든 것을 완전히 포착하지 못합니다. 지불자와 제공자는 모두 이전 승인 및 청구 처리에서 빠르게 AI를 적용하고 있습니다. 많은 경우에 이는 마찰을 줄이는 대신 증가시킵니다. 자동화된 시스템이 해결 없이 상호 작용할 수 있습니다.

AI는 단순히 일반 목적 모델을 의료 작업에 적용하는 것에 관한 것이 아닙니다. 실제로 AI가 도메인을 이해하는지 여부에 관한 것입니다. 지불자와 제공자는 모두 빠르게 AI를 적용하고 있지만, 이는 단편화된 수익 주기 운영을 증폭시킬 수 있습니다. 더 강력한 대응은 반응적인 운영에서 프로액티브 운영으로 이동하는 것입니다. 이는 전체 수익 주기 전반에 걸친 가시성, 더 강한 데이터 기반 및 지불자 행동을 예측하고, 위험을 조기에 식별하고, 제출 전에 문제를 해결하는 능력이 필요합니다.

조직이 이러한 수준의 조정과 통찰력을 가지고 운영할 때, 동적은 마찰에서 더 강한 성과로 전환됩니다. 우리는 실제 결과를 달성하고 있으며, 마찰을 줄이고 지불자와의 조정을 가속화하고 있습니다. 우리는 모든 단계에서 AI를 재설계하고 있습니다.

식별 가능한 환자 데이터 없이 훈련된 모델이 실제 복잡성을 캡처하는 방법은 무엇입니까?

식별 가능한 환자 데이터의 부재는 실제 복잡성의 부재를 의미하지 않습니다.

앙상블은 80백만 건의 거래를 처리하며, 제공자, 지불자 및 임상 데이터를 2 페타바이트 이상의 AI 준비 데이터로 통합했습니다. 이 데이터는 실제로 수익 주기 활동이 작동하는 방식을 반영하며, 전문가의 전문 지식, 지불자별 행동 및 거부 패턴을 포함합니다. 이는 예측 모델링, 실시간 통찰력 및 에이전트 AI 워크플로우를 잠금으로 해제합니다. 이는 제공자를 지불 지연 및 거부에 대한 보호에 도움이 됩니다.

우리는 HIPAA 규정 준수 환경에서 인증된 출처에서 높은 품질의 합성 및 익명화된 데이터 세트를 사용합니다. 이러한 데이터 세트는 실제 시나리오에서 존재하는 구조, 변동성 및 에지 케이스를 보존합니다.

우리는 EHR를 복제하지 않습니다. 우리는 지불자 요구 사항 및 의사 결정과 같은 중요한 영역에서 지능을 추가하는 EHR 네이티브 접근 방식을 취합니다.

우리는 세계 최고의 전문가들(의사, 간호사, 수익 주기 운영자)과 협력하여 접근 방식에 세련함과 전문 지식을 제공합니다. 이는 AI와 데이터만으로는 아직 독립적으로 달성할 수 없는 것입니다.

이 접근 방식은 실제 복잡성을 보존하고, 성과를 추구하며, 환자 개인 정보를 보호합니다.

인간의 의사 결정 및 워크플로를 모델이 신뢰할 수 있게 학습하고 실행할 수 있는 방법은 무엇입니까?

이 작업이 성공하는 것은 전문가의 깊이 있는 전문 지식에 기반합니다. 이를 우리의 모델에 캡처하는 것은 전문 지식을 근사하는 것이 아닙니다. 실제로 경험이 풍부한 팀이 작동하는 방식을 캡처하는 것입니다.

우리는 실제 수익 주기 작업에 훈련하고, 시스템을 운영자들이 매일 사용하는 규칙, 종속성 및 패턴으로 구조화합니다. 가장 효과적인 시스템은 여러 계층의 지능을 결합합니다. 결정론적 논리는 일관성이 있어야 하는 단계(예: 유효성 검사 및 정책 확인)를 지원합니다. 예측 모델은 위험(예: 거부 가능성)을 평가합니다. 추론 모델은 복잡성(예: 해석 및 내러티브 생성)을 해결합니다.

각 계층은 불확실성을 줄이고, 실제로 높은 성과를 달성하는 팀이 작동하는 방식을 반영합니다.

종단간 오케스트레이션이 실제로 무엇인지, 환자 등록부터 계정 해결까지 설명해 주시겠습니까?

종단간 오케스트레이션이란 단일 작업 지원에서 전체 임상-금융 라이프사이클에 걸친 시스템으로 이동하는 것을 의미합니다.

이는 환자 등록에서 시작하여 정확한 데이터 캡처, 자격 확인 및 승인 요구 사항을 실시간으로 지원하여 하류 문제를 방지합니다.

문서화 및 코딩이 형성됨에 따라, 시스템은 활동을 지불자 기대와 일치시키고, 조기에 위험을 식별합니다. 청구 및 심사 과정에서, 지불자 행동, 계약의 세련함 및 잠재적인 지불액 미결제를 모니터링합니다.

문제가 발생하면, 시스템은 결과를 원인으로 연결하고, 통찰력을 상류로 피드백합니다.

오늘날 많은 조직은 수익 주기 전반에 걸쳐 15~30개의 다른 포인트 솔루션에 의존합니다. 각 솔루션은 특정 영역을 개선하지만, 함께 학습하지 않습니다. 기능 간의 격차는 수익 누수를 계속해서 발생시킵니다.

오케스트레이션은 통일된 데이터, 조정된 수익 주기 활동 및 명확한 책임성을 통해 이를 함께 연결합니다. 이는 전체 라이프사이클에 걸친 지속적인 학습 시스템을 생성합니다.

현재 EHR은 어디에서 부족하며, 기존 인프라를 방해하지 않고 어떻게 그 기능을 확장할 수 있습니까?

EHR은 임상 및 금융 데이터의 시스템 레코드로 기본적으로 작동합니다.

그러나 수익 주기 운영을 위한 지능 시스템으로 설계되지 않았습니다.

격차는 수익 주기 전반에 걸친 컨텍스트를 연결하는 것입니다. EHR은 정보를 저장하고 조직화하지만, 지불자 행동을 해석하거나, 거부를 예측하거나, EHR 경계를 넘어 확장되는 복잡한 다단계 활동을 사용자에게 안내하지 않습니다.

지불자 요구 사항 및 예외를 관리하기 위해 필요한 대부분의 작업은 EHR 외부에서 발생하며, 여기서 단편화가 발생합니다.

우리의 접근 방식은 EHR을 보완하여 실제로 작동하는 영역에 지능을 추가합니다.

이것은 기존 환경 내에서 작동하며, 행정 부담을 줄이고, 정확성을 개선하고, 팀이 더 가치 있는 활동에 집중할 수 있도록 하여 핵심 인프라에 대한 변경을 요구하지 않습니다.

수익 주기는 향후 5년 동안 어떻게 발전할 것으로 보입니까? 그리고 인간 운영자는 계속해서 어떤 역할을 할 수 있습니까?

향후 5년 동안, 수익 주기 운영은 반응적인 방식에서 프로액티브하고 조정된 방식으로 전환될 것입니다.

재작업에 대한 노력은 줄어들 것이며, 예방에 대한 초점이 증가할 것입니다. 거부와 지불액 미결제는 더 일찍 식별되어, 비용 구조와 금융 예측 가능성이 개선될 것입니다.

이 전환은 노동력에 대한 기회를 확대합니다. 오늘날, 너무 많은 숙련 노동력이 반복적인 작업에 묶여 있습니다. 자동화가 이 부담을 줄이면, 팀은 예외 관리, 프로세스 개선, 전략적 의사 결정 및 환자 치료에 집중할 수 있습니다.

역할이 사라지지 않습니다. 그것은 진화합니다. 인간의 전문 지식은 약화되지 않습니다. 그것은 더욱 중요해지고, 전체 수익 주기 성과에서 더욱 중요한 역할을 합니다.

이번 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 앙상블 헬스 파트너스를 방문하십시오.