Andrew Ray, Chief Product en Innovatie Officer bij Ensemble – Interview Serie

Andrew Ray, Chief Product en Innovatie Officer bij Ensemble, heeft diepgaande ervaring op het snijvlak van gezondheidsfinanciën, omzetcyclusoperaties, productstrategie en innovatie. Bij Ensemble leidt hij product-, operationele verbeterings- en innovatie-initiatieven, waaronder het partnerschap van het bedrijf met Epic via Rev Cycler. Zijn achtergrond omvat transformatie van zorgverleners en strategische groei bij McKinsey & Company, omzetcyclusleiderschap bij Stanford Children’s Health en eerdere gezondheidsadviesrollen bij EY en Triage Consulting Group, waardoor hij een sterke basis heeft in zowel operationele uitvoering als technologie-gedreven gezondheidstransformatie.

Ensemble Health Partners is een bedrijf voor omzetcyclusbeheer in de gezondheidszorg dat samenwerkt met ziekenhuizen, gezondheidsstelsels en artsenpraktijken om de financiële prestaties, patiëntervaring en operationele efficiëntie te verbeteren. Het bedrijf biedt ondersteuning voor omzetcyclusbeheer van begin tot eind in gebieden zoals patiëntbetrekkingen, codering, claimsbeheer, weigeringen voorkoming, prestaties van betalers en rekeningoplossing, en gebruikt AI-gedreven besluitvorming, automatisering, analyse en het EIQ-omzetcyclusintelligentieplatform om zorgverleners te helpen wrijving te verminderen en vergoeding te versnellen. Ensemble heeft ook een partnerschap met Epic via het Rev Cycler-programma en heeft de samenwerking met Microsoft Azure generatieve AI en machine learning uitgebreid om AI-geactiveerde omzetcyclusoperaties te verbeteren.

Wat zijn de specifieke gebreken in traditionele omzetcycluswerkstromen die u ervan overtuigd hebben dat een speciaal ontworpen LLM nodig is? 

Gezondheidsstelsels opereren met marges van 2% tot 4% terwijl de initiële weigeringstarieven oplopen tot 12% tot 15%. Dat is het breukpunt dat aantoont dat traditionele omzetcyclusbenaderingen het kernprobleem niet oplossen en dat een wezenlijk andere benadering nodig is. Die druk beïnvloedt elk deel van de organisatie, van personeelsbezetting tot technologie-investeringen en zorgcapaciteit.

De meeste oplossingen lossen het eind-tot-eind-systeem als geheel niet op. Organisaties worden achtergelaten met gefragmenteerde tools, gesloten data en losgekoppelde activiteit die afhankelijk is van het samenstellen van context met behulp van prompt-engineering op algemene modellen.

Die benadering is langzamer, duurder, minder consistent en moeilijker te beheren op grote schaal.

Een speciaal ontworpen model verandert dat door historische en real-time data in een beheerd platform te brengen. Het kan betalersgedrag anticiperen, relevante intelligentie naar boven brengen, helpen weigeringen te verminderen en opereren binnen naleefbare, auditeerbare omgevingen.

Heeft iets sinds uw eerdere schrijven uw perspectief op algemene AI versus speciaal ontworpen modellen versterkt of veranderd? 

Ons voortdurende ontwikkeling en implementatie van eind-tot-eind AI-orchestratie in de omzetcyclus heeft ons perspectief op algemene AI versus speciaal ontworpen modellen versterkt.

Frontier LLM’s presteren goed met klinische redenering, maar we investeren zwaar in het bieden van context en expertise van onze artsen en verpleegkundigen die decennia van ervaring hebben met het overbruggen van de klinische en administratieve kloof in de gezondheidszorg. Dat blijkt een krachtige combinatie te zijn die uitzonderlijke resultaten oplevert door die AI-oplossingen te integreren met experts in de loop.

Brede modellen lopen nog steeds tegen de realiteit van gereguleerde omzetcyclusomgevingen en het gebrek aan trainingsdata voor het navigeren van nuances in omzetcyclusprocessen. Om het eenvoudig te zeggen, identificeert off-the-shelf AI een middel tot een antwoord, maar ontbreekt het vaak aan de nuances om intelligentie en processen te leveren die resultaten en topprestaties drijven.

Het aanpassen van algemene modellen levert nog steeds inconsistentie, zwak beheer en beperkte mogelijkheid om nuances te beheren. Dit is een structurele beperking, geen tooling-probleem.

Ensemble bouwt capaciteiten en herschikt processen en data om resultaten te leveren – weigeringen voorkoming, verbeterde patiëntbetrekkingen en toegang tot zorg en verbeterde zorgafstemming met betalers.

Wat zijn de meest kritische beperkingen van prompt-engineering op algemene modellen in omzetcyclusoperaties? 

De belofte van AI in de omzetcyclus gaat niet alleen over het toepassen van een algemeen model op taken in de gezondheidszorg – het gaat over of de AI daadwerkelijk het domein begrijpt. De beperkingen van prompt-engineering op basismodellen zijn dat u capabele algemene capaciteiten bereikt die aan de redelijkheidstest voldoen, maar ontbreken aan de nuances die nodig zijn om topprestaties te leveren die voortdurend aanpassen en verbeteren. ‘Medische noodzaak’ betekent iets anders voor een nationale commerciële betaler dan voor een Medicare MAC, en dat verschil bepaalt de financiële prestaties. Een model getraind op het open internet weet dat niet, prompting kan sommige van die lacunes dichten, maar mist complete en accurate contextuele nuances.

Door ontwerp zijn prompt-engineered modellen statisch. Ze kunnen niet leren wanneer een betaler stilzwijgend zijn beslissingsgedrag verandert, wanneer een nieuw weigeringpatroon ontstaat of wanneer een beroepsstrategie die vorig kwartaal werkte, ophoudt te werken. Bij Ensemble hebben we een gesloten feedbacklus gebouwd die elke claimsuitkomst omzet in intelligentie – omdat we centraal in de omzetcyclus zitten over honderden gezondheidsstelsels en betalers, op een schaal die geen enkele zorgverlener intern kan repliceren.

Wat we hebben gevonden, is dat de echte moat in AI-geactiveerde omzetcyclusbeheer niet het model is – het zijn de data en de expertise die erin zijn gecodeerd. We hebben jaren besteed aan het operationaliseren van wat onze beste weigeringsspecialisten, coders en betalingsrelatiemanagers doen om topprestaties te leveren. U kunt dat niet in een systeemprompt injecteren – het moet leven in hoe het model is getraind, wat het wordt geëvalueerd tegen en hoe het is geïntegreerd in de workflow.

AI-transformatie in de omzetcyclus van de gezondheidszorg zal worden gescheiden in twee kampen: organisaties die AI gebruiken als een productiviteitslaag bovenop bestaande processen, en organisaties die intelligentie hebben herbouwd in het proces zelf. Ensemble staat ferm in het tweede kamp – en voor gezondheidsstelsels onder marge-druk, is dat onderscheid het verschil tussen incrementele verbetering en transformatie.

Wat ziet de nauwkeurigheidsplafond van prompt-georiënteerde systemen er in de praktijk uit wanneer het gaat om betalersregels en multi-stap workflows? 

Het plafond manifesteert zich als inconsistentie op de punten waar omzetcyclusprestaties afhankelijk zijn van precisie. Het gaat niet alleen over brute nauwkeurigheid. Het gaat over betrouwbaarheid in echte operationele omstandigheden.

Prompt-georiënteerde systemen proberen omzetcycluslogica in te voeren op het moment van inferentie door context in elk verzoek te laden. Dat kan werken in eenvoudige scenario’s, maar het breekt af met betalerspecifiek gedrag, regulatorische nuances en multi-stap afhankelijkheden.

Uitvoer kan directioneel juist zijn, maar zijn niet betrouwbaar genoeg voor dagelijkse operaties.

Naarmate de complexiteit toeneemt, stijgt de kost en neemt de coherentie af, wat leidt tot lacunes in sequentie, gemiste afhankelijkheden en verlies van context over stappen.

Daarom richten wij ons op modellen die zijn gebaseerd op echte operationele data en rechtstreeks in omzetcyclusactiviteit zijn geïntegreerd, in plaats van context op aanvraag te reconstrueren.

Ziet u payer AI en provider AI evolueren naar een wapenwedloop, en hoe moeten gezondheidsstelsels hierop reageren? 

De framing van een wapenwedloop vangt niet volledig wat er gebeurt. Zowel betalers als zorgverleners passen AI snel toe op voorafgaande autorisatie en claimsverwerking. In veel gevallen neemt dit de wrijving toe in plaats van deze te verminderen en kan het resulteren in geautomatiseerde systemen die zonder oplossing met elkaar interacteren.

AI op zich lost gefragmenteerde omzetcyclusoperaties niet op. Toegepast op gefragmenteerde operaties kan het het probleem verergeren. De sterkere reactie is om over te gaan van reactieve naar proactieve operaties. Dat vereist zichtbaarheid over de volledige omzetcyclus, een sterkere data-fundament en de mogelijkheid om betalersgedrag te anticiperen, risico’s eerder te identificeren en problemen op te lossen voordat ze worden ingediend.

Wanneer organisaties op dat niveau van coördinatie en inzicht opereren, verschuift de dynamiek van wrijving naar betere prestaties. We leveren echte resultaten, waarbij we wrijving verminderen en snellere afstemming met betalers bereiken bij elke stap – met AI opnieuw ontworpen bij elke stap.

Hoe zorgt u ervoor dat een model getraind zonder identificeerbare patiëntgegevens nog steeds de complexiteit van de echte wereld vastlegt? 

De afwezigheid van identificeerbare patiëntgegevens betekent niet de afwezigheid van complexiteit van de echte wereld.

Door 80 miljoen transacties per jaar te beheren, heeft Ensemble meer dan twee petabytes aan provider-, betaler- en klinische data geünificeerd tot een AI-klaar actief. Dat fundament reflecteert hoe omzetcyclusactiviteit daadwerkelijk functioneert op grote schaal, inclusief operator-expertise, betalerspecifiek gedrag en weigeringpatronen, en het ontgrendelt predictief modelleren, real-time inzichten en agente AI-workflows die zorgverleners helpen beschermen tegen betalingsvertragingen en weigeringen.

We gebruiken hoogwaardige synthetische en geanonimiseerde datasets van gecertificeerde bronnen in een HIPAA-compatibele omgeving. Deze datasets behouden de structuur, variabiliteit en randgevallen die aanwezig zijn in echte scenario’s.

We repliceren de EHR niet. We nemen een EHR-natieve benadering, waarbij intelligentie wordt toegevoegd waar het het meest telt, vooral in gebieden die zijn gekoppeld aan betalersvereisten en beslissingen die buiten de EHR liggen.

We versterken deze benadering met wereldklasse-experts (MD’s, verpleegkundigen, omzetcyclusoperatoren) die de benadering nuances en expertise bieden die AI en data nog niet onafhankelijk kunnen bereiken.

Deze benadering behoudt de complexiteit van de echte wereld, streeft naar resultaten en prestaties en beschermt patiëntengegevens.

Hoe vertaalt u menselijke besluitvorming en workflows naar iets dat een model betrouwbaar kan leren en uitvoeren? 

Wat dit werk doet, is de diepte van operator-expertise erachter. Het vertalen van die expertise naar ons model is niet over het benaderen van expertise. Het is over het vastleggen van hoe ervaren teams daadwerkelijk werken.

We trainen op echte omzetcyclus taken en structureren het systeem rond de regels, afhankelijkheden en patronen die operatoren elke dag gebruiken. De meest effectieve systemen combineren meerdere lagen van intelligentie. Deterministische logica ondersteunt stappen die consistent moeten blijven, zoals validatie en beleidscontroles. Predictieve modellen beoordelen risico, zoals de waarschijnlijkheid van weigering. Redeneringsmodellen adresseren complexiteit, inclusief interpretatie en narratieve generatie.

Elke laag vermindert onzekerheid en reflecteert hoe hoogpresterende teams in de praktijk opereren.

Wat ziet eind-tot-eind-orchestratie eruit van patiëntintake tot accountoplossing? 

Eind-tot-eind-orchestratie betekent dat we overstappen van geïsoleerde taakondersteuning naar een systeem dat over de volledige klinische-tot-kas-levenscyclus werkt.

Het begint bij patiëntintake, waarbij ondersteuning wordt geboden voor nauwkeurige gegevensopname, eligibiliteitsverificatie en autorisatievereisten in real-time om downstream-problemen te voorkomen.

Naarmate documentatie en codering vorm krijgen, aligneert het systeem activiteit met betalersverwachtingen en identificeert risico’s vroeg. Tijdens facturering en beslissingen houdt het systeem toezicht op betalersgedrag, contractnuances en potentiële onderbetalingsmogelijkheden.

Wanneer problemen optreden, verbindt het systeem uitkomsten met oorzaken en voedt inzicht stroomopwaarts.

Vandaag de dag vertrouwen veel organisaties op 15 tot 30 verschillende punt-oplossingen over de omzetcyclus. Elk verbetert een specifiek gebied, maar ze leren niet samen. Lacunes tussen functies laten omzetlekkage toe.

Orchestratie brengt dit samen door geünificeerde data, gecoördineerde omzetcyclusactiviteit en duidelijke verantwoordelijkheid, waardoor een continu lerend systeem over de hele levenscyclus ontstaat.

Waar vallen huidige EHR’s tekort, en hoe verlengt uw benadering hun capaciteiten zonder bestaande infrastructuur te verstoren? 

EHR’s zijn fundamenteel. Ze dienen als het systeem van record voor klinische en financiële gegevens.

Ze zijn niet ontworpen om te functioneren als systemen van intelligentie voor omzetcyclusoperaties.

De lacune zit in het verbinden van context over de omzetcyclus. Terwijl EHR’s informatie opslaan en organiseren, interpreteren ze geen betalersgedrag, anticiperen ze geen weigeringen of leiden ze gebruikers door complexe, multi-stap activiteit die buiten hun grenzen valt.

Veel van het werk dat nodig is om betalersvereisten en uitzonderingen te beheren, gebeurt buiten de EHR, waar gefragmenteerde ontwikkeling ontstaat.

Onze benadering complementen de EHR in plaats van deze te vervangen. We werken binnen bestaande omgevingen, waarbij intelligentie wordt toegevoegd aan de gebieden waar het werk daadwerkelijk gebeurt.

Dit stelt ons in staat om de administratieve last te verminderen, de nauwkeurigheid te verbeteren en teams te helpen zich te concentreren op waardevollere activiteiten zonder dat er veranderingen in de kerninfrastructuur nodig zijn.

Hoe ziet u de omzetcyclus evolueren over de komende vijf jaar, en wat zal de rol van menselijke operatoren blijven? 

Over de komende vijf jaar zal de omzetcyclus operaties verschuiven van reactief en arbeidsintensief naar proactief en gecoördineerd.

Minder inspanning zal worden besteed aan herwerken, zoals beroepen en follow-up, en meer zal worden gefocust stroomopwaarts op preventie. Weigeringen en onderbetalingszullen steeds vaker eerder worden geïdentificeerd, wat zowel de kostenstructuur als de financiële voorspelbaarheid zal verbeteren.

Deze verschuiving vergroot de kansen voor de workforce. Vandaag de dag is te veel geschoold personeel gekoppeld aan repetitieve taken. Naarmate automatisering die last vermindert, kunnen teams zich richten op uitzonderingsbeheer, procesverbetering, strategische besluitvorming en patiëntenzorg

Rollen verdwijnen niet. Ze evolueren. Menselijke expertise neemt niet af. Het wordt kritischer en centraal voor de algehele omzetcyclusprestaties.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen bezoek Ensemble Health Partners.