Andrew Ray, Chief Product og Innovasjonsoffiser i Ensemble – Intervju-serie

Andrew Ray, produkt- og innovasjonsdirektør i Ensemble, har bred erfaring i skjæringspunktet mellom helsefinans, drift av inntektssyklusen, produktstrategi og innovasjon. I Ensemble leder han produkt-, operasjonell forbedring og innovasjonsinitiativer, inkludert selskapets Rev Cycler-samarbeid med Epic. Hans bakgrunn inkluderer helseleverandør-transformasjon og strategisk vekst-arbeid i McKinsey & Company, ledelse av inntektssyklusen i Stanford Children’s Health og tidligere helse-rådgivnings-roller i EY og Triage Consulting Group, hvilket gir ham et solid grunnlag i både operasjonell gjennomføring og teknologi-drevet helse-transformasjon.

Ensemble Health Partners er et selskap som driver med helse-omsetningscyklus-håndtering og som arbeider med sykehus, helse-systemer og legepraksiser for å forbedre økonomisk ytelse, pasient-erfaring og operasjonell effektivitet. Selskapet tilbyr støtte til omsetningscyklus-håndtering over hele området, inkludert pasient-engage, kodning, krav-håndtering, avvisnings-forebygging, betaler-ytelse og konto-oppløsning, mens de bruker AI-drevet beslutning, automatisering, analyser og deres EIQ-omsetningscyklus-intelligens-plattform for å hjelpe leverandører med å redusere friksjon og akselerere refusjon. Ensemble har også samarbeidet med Epic gjennom Rev Cyclers-programmet og utvidet sitt arbeid med Microsoft Azure generativ AI og maskinlæring for å fremme AI-drevet drift av inntektssyklusen.

Hva var det spesifikke sammenbruddet i tradisjonelle RCM-arbeidsflyter som overbeviste deg om at en formål-bygget LLM var nødvendig? 

Helse-systemer opererer med 2% til 4% marginer, mens initialt avvisnings-rater stiger til 12% til 15%. Det er brytningspunktet som viser at tradisjonelle omsetningscyklus-tilnærminger ikke løser det grunnleggende problemet og at en fundamentalt annen tilnærming er nødvendig. Denne pressen påvirker hver del av organisasjonen, fra bemanning til teknologi-investering til kapasitet for omsorg.

De fleste løsninger adresserer ikke hele systemet som en helhet. Organisasjoner er igjen med fragmenterte verktøy, silo-data og frakoblet aktivitet som avhenger av å sy sammen kontekst gjennom prompt-engineering på generelle modeller.

Denne tilnærmingen er langsommere, mer kostbar, mindre konsistent og vanskelig å håndtere i skala.

En formål-bygget modell endrer dette ved å bringe historisk og sanntids-data inn i en styrt plattform. Den kan forutse betaler-atferd, fremheve relevant intelligens, hjelpe med å redusere avvisninger og operere innenfor kompatible, auditable miljøer.

Har noe siden din tidligere skriving forsterket eller endret din perspektiv på generell AI versus formål-byggede modeller? 

Vår fortsatte utvikling og utrullning av end-to-end AI-orkesstrasjon over omsetningscyklusen har fortsatt å forsterke hvor frontier LLM-er skinner og hvor det er betydelige hull som vi adresserer med formål-byggede modeller.

Frontier LLM-er utfører godt med klinisk resonnering, men vi investerer tungt i å gi kontekst og ekspertise fra våre leger og sykepleiere som har tiår med erfaring med å brygge det kliniske og administrative skille i helse. Det viser seg å være en kraftfull kombinasjon som leverer eksepsjonelle resultater ved å innkapsle disse AI-løsningene med eksperter i løkken.

Bredde-modeller fortsetter å løpe inn i realitetene i regulerte omsetningscyklus-miljøer og mangelen på trening-data for å navigere nyanserte omsetningscyklus-prosesser. Uttrykt enkelt, off-the-shelf AI-identifiserer en måte til et svar, men mangler ofte nyansene til å levere intelligens og prosesser som driver resultater og beste klasse-prestasjoner.

Tilpasning av generelle modeller produserer fortsatt inkonsistens, svak styring og begrenset evne til å håndtere nyanser. Dette er en strukturell begrensning, ikke et verktøy-problem.

Ensemble bygger kapasiteter og omstrukturerer prosesser og data for å levere resultater – avvisnings-forebygging, forbedret pasient-engage og tilgang til omsorg og forbedret omsorgs-tilpasning med betalere.

Hva er de mest kritiske begrensningene i prompt-engineering lagt på generelle formål-modeller i RCM-operasjoner? 

Løftet om AI i omsetningscyklusen handler ikke bare om å anvende en generell modell på helse-oppgaver — det handler om hvorvidt AI faktisk forstår domenet. Begrensningene i prompt-engineering på grunnlags-modeller er at man oppnår kapable generalist-kapasiteter som passer rimelighets-testen på overflaten, men mangler nyansene nødvendig for å levere beste klasse-prestasjoner som kontinuerlig tilpasser og forbedrer. ‘Medisinsk nødvendighet’ betyr noe annet for en nasjonal kommersiell betaler enn det gjør for en Medicare MAC, og den forskjellen bestemmer økonomisk ytelse. En modell trent på det åpne internettet vet ikke det, og prompt-engineering kan lukke noen av disse hullene, men mangler fullstendig og nøyaktig kontekstuell nyanser.

Ved design er prompt-engineered-modeller statiske. De kan ikke lære når en betaler stille endrer sin avgjørelse-atferd, når en ny avvisnings-mønster oppstår eller når en anke-strategi som fungerte forrige kvartal slutter å fungere. Hos Ensemble har vi bygget den lukkede tilbakemeldings-løkken som omdanner hver krav-utfall til intelligens — fordi vi sitter i sentrum av omsetningscyklusen over hundrevis av helse-systemer og betalere, i en skala som ingen enkelt leverandør kunne replikere internt.

Hva vi har funnet, er at den virkelige grav i AI-drevet RCM ikke er modellen — det er dataene og ekspertisen som er kodet inn i den. Vi har brukt år på å operationalisere hva våre beste avvisnings-spesialister, kodere og betaler-relasjons-eksperter gjør for å levere beste klasse-resultater. Du kan ikke injicere det i et system-prompt — det må bo i hvordan modellen ble trent, hva den er evaluert mot og hvordan den er integrert i arbeidsflyten.

AI-transformasjon i helse-omsetningscyklusen vil skille seg i to leirer: organisasjoner som bruker AI som en produktivitets-lag på toppen av eksisterende prosesser, og organisasjoner som har bygget intelligens inn i prosessen selv. Ensemble er fast i den siste leiren — og for helse-systemer under margin-press, er den forskjellen mellom inkrementell forbedring og transformasjon.

Hva ser du som nøyaktighets-taket på prompt-tyngde systemer i praksis når det gjelder betaler-regler og multi-trinn-arbeidsflyter? 

Taket viser seg som inkonsistens på punktene hvor omsetningscyklus-ytelse avhenger av presisjon. Det handler ikke bare om rå nøyaktighet. Det handler om pålitelighet i sanntids-operasjoner.

Prompt-tyngde systemer prøver å introdusere omsetningscyklus-logikk på inferens-tid ved å laste kontekst inn i hver forespørsel. Det kan fungere i enklere scenarioer, men det bryter sammen med betaler-atferd, regulativ nyanser og multi-trinn-avhengigheter.

Utdata kan være rett i retning, men de er ikke pålitelige nok for dag-til-dag-operasjoner.

Etterhvert som kompleksiteten øker, stiger kostnadene og kohesenzen synker, hvilket fører til hull i sekvensering, manglende avhengigheter og tap av kontekst over trinn.

Det er derfor vi fokuserer på modeller som er grunnlagt i sanntids-operasjonell data og innkapslet direkte i omsetningscyklus-aktivitet, i stedet for å rekonstruere kontekst på forespørsel.

Ser du betaler-AI og leverandør-AI utvikle seg til en våpenkappløp, og hvordan bør helse-systemer reagere? 

Våpenkappløp-rammen fanger ikke fullstendig hva som skjer. Begge betalere og leverandører anvender raskt AI over hele forhånds-autorisasjon og krav-behandling. I mange tilfeller øker dette friksjonen i stedet for å redusere den og kan resultere i automatiserte systemer som samhandler uten løsning.

AI alene løser ikke fragmenterte drift av inntektssyklusen. Anvendt på toppen av fragmentering, kan det forsterke problemet. Den sterkere responsen er å flytte fra reaktiv til proaktiv operasjon. Det krever synlighet over hele omsetningscyklusen, en sterkere data-grunnlag og evnen til å forutse betaler-atferd, identifisere risiko tidligere og løse problemer før innlevering.

Når organisasjoner opererer med dette nivået av koordinasjon og innsikt, skifter dynamikken fra friksjon til bedre ytelse. Vi leverer virkelige resultater til den effekten, hvor vi oppnår redusert friksjon og raskere tilpasning med betalere på hver trinn — med AI-omstrukturert på hver trinn.

Hvordan sikrer du at en modell trent uten identifiserbar pasient-data fortsatt fanger sanntids-kompleksitet? 

Fraværet av identifiserbar pasient-data betyr ikke fravær av sanntids-kompleksitet.

Ved å håndtere 80 millioner transaksjoner årlig, har Ensemble samlet mer enn to petabyte med leverandør-, betaler- og klinisk data inn i en AI-klar ressurs. Denne grunnlaget reflekterer hvordan omsetningscyklus-aktivitet faktisk fungerer i skala, inkludert operatør-ekspertise, betaler-atferd og avvisnings-mønster, og det låser opp prediktiv modellering, sanntids-innsikt og agens-ai-arbeidsflyter som hjelper med å beskytte leverandører mot betalings-forsinkelser og avvisninger.

Vi bruker høykvalitets syntetiske og de-identifiserte datasett fra sertifiserte kilder i et HIPAA-kompatibelt miljø. Disse datasettene beholder strukturen, variasjonen og edge-tilfellene tilstede i sanntids-scenarier.

Vi repeterer ikke EHR. Vi tar en EHR-nativ tilnærming, legger til intelligens der det betyr mest, spesielt i områder knyttet til betaler-krav og avgjørelser som ligger utenfor EHR.

Vi forbedrer denne tilnærmingen med verdensklasse-eksperter (MD-er, sykepleiere, omsetningscyklus-operatører) som gir tilnærmingen nyanser og ekspertise som AI og data ikke ennå kan oppnå uavhengig.

Denne tilnærmingen beholder sanntids-kompleksitet, driver til resultater og ytelse samtidig som den beskytter pasient-privatliv.

Hvordan oversetter du menneskelig beslutning og arbeidsflyter til noe en modell kan pålitelig lære og utføre? 

Hva gjør dette arbeid er dybden av operatør-ekspertise bak det. Oversettelse av dette til vår modell handler ikke om å approksimere ekspertise. Det handler om å fange hvordan erfarne team faktisk arbeider.

Vi trener på sanntids omsetningscyklus-oppgaver og strukturerer systemet rundt regler, avhengigheter og mønster operatører bruker hver dag. De mest effektive systemene kombinerer multiple lag med intelligens. Deterministisk logikk støtter trinn som må forbli konsistente, som validering og politikk-sjekker. Prediktive modeller vurderer risiko, som sannsynlighet for avvisning. Resonans-modeller adresserer kompleksitet, inkludert tolkning og narrativ-generering.

Hvert lag reduserer usikkerhet og reflekterer hvordan høy-ytende team opererer i praksis.

Hva ser end-to-end-orkesstrasjon ut som fra pasient-inntak til konto-oppløsning? 

End-to-end-orkesstrasjon betyr å flytte fra isolert oppgave-støtte til et system som opererer over hele klinisk-til-pengesyklusen.

Det begynner ved pasient-inntak, støtter nøyaktig data-innsamling, kvalifiserings-verifisering og autoriserings-krav i sanntid for å forebygge nedstrøms-problemer.

Etterhvert som dokumentasjon og kodning tar form, justerer systemet aktivitet med betaler-forventninger og identifiserer risiko tidlig. Gjennom fakturering og avgjørelse overvåker det betaler-atferd, kontrakt-nuanser og potensielle underbetalinger.

Når problemer oppstår, kobler systemet utfall tilbake til årsaker og gir innsikt oppstrøms.

I dag avhenger mange organisasjoner av 15 til 30 forskjellige punkt-løsninger over omsetningscyklusen. Hver forbedrer et spesifikt område, men de lærer ikke sammen. Hull mellom funksjoner tillater omsetningscyklus-lekkasje å vedvare.

Orkesstrasjon bringer dette sammen gjennom samlet data, koordinert omsetningscyklus-aktivitet og tydelig ansvar, og skaper en kontinuerlig lærings-system over hele livssyklusen.

Hvor faller nåværende EHR-er kort, og hvordan utvider din tilnærming deres kapasiteter uten å forstyrre eksisterende infrastruktur? 

EHR-er er grunnleggende. De fungerer som systemet for registrering av klinisk og finansiell data.

De var ikke designet for å fungere som systemer for intelligens for drift av inntektssyklusen.

Gapet ligger i å koble kontekst over omsetningscyklusen. Mens EHR-er lagrer og organiserer informasjon, tolker de ikke betaler-atferd, forutser avvisninger eller guider brukere gjennom komplekse, multi-trinn-aktivitet som strekker seg utenfor deres grenser.

Mye av arbeidet som kreves for å håndtere betaler-krav og unntak skjer utenfor EHR, og det er der fragmentering utvikler seg.

Vår tilnærming komplementerer EHR i stedet for å erstatte det. Vi arbeider innen eksisterende miljøer, legger til intelligens i områdene hvor arbeid faktisk skjer.

Dette tillater oss å redusere administrativt-byrde, forbedre nøyaktighet og hjelpe team med å fokusere på høyere-verdi-aktivitet uten å kreve endringer i core-infrastruktur.

Hvordan ser du omsetningscyklusen utvikle seg over de neste fem årene, og hvilken rolle vil menneskelig operatører fortsatt spille? 

Over de neste fem årene vil drift av inntektssyklusen skifte fra reaktiv og arbeids-intensiv til proaktiv og koordinert.

Mindre innsats vil bli brukt på omgjøring som anker og oppfølging, og mer vil fokuseres oppstrøms på forebygging. Avvisninger og underbetalinger vil stadig mer bli identifisert tidligere, og det vil forbedre både kostnads-struktur og finansiell forutsigbarhet.

Denne skiftet utvider mulighetene for arbeids-styrken. I dag er for mye dyktig arbeidskraft bundet til repetitive oppgaver. Etterhvert som automatisering reduserer denne byrden, kan team fokusere på unntak-håndtering, prosess-forbedring, strategisk beslutning og pasient-omsorg.

Roller forsvinner ikke. De utvikler seg. Menneskelig ekspertise forsvinner ikke. Den blir mer kritisk og mer sentral til hele omsetningscyklus-ytelse.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Ensemble Health Partners.