Andrew Ray, Chief Product and Innovation Officer at Ensemble – Wywiad

Andrew Ray, Chief Product and Innovation Officer at Ensemble, posiada głębokie doświadczenie na styku finansów ochrony zdrowia, operacji cyklu przychodów, strategii produktu i innowacji. W Ensemble, kieruje inicjatywami produktowymi, poprawy operacyjnej i innowacyjnymi, w tym partnerstwem Rev Cycler z Epic. Jego doświadczenie obejmuje transformację dostawców opieki zdrowotnej i strategiczny wzrost w McKinsey & Company, kierowanie cyklem przychodów w Stanford Children’s Health oraz wcześniejsze role doradcze w EY i Triage Consulting Group, co daje mu silne podstawy w wykonaniu operacyjnym i transformacji opieki zdrowotnej wspomaganej przez technologie.

Ensemble Health Partners to firma zarządzająca cyklem przychodów w ochronie zdrowia, która współpracuje z szpitalami, systemami opieki zdrowotnej i praktykami lekarskimi, aby poprawić wyniki finansowe, doświadczenia pacjentów i efektywność operacyjną. Firma zapewnia wsparcie RCM na całym obszarze, takim jak zaangażowanie pacjentów, kodowanie, zarządzanie roszczeniami, zapobieganie odmowom, wyniki płatników i rozstrzygnięcia rachunków, przy użyciu podejmowania decyzji opartych na AI, automatyzacji, analiz i platformy EIQ revenue cycle intelligence, aby pomóc dostawcom zmniejszyć tarcie i przyspieszyć zwrot kosztów. Ensemble nawiązał również partnerstwo z Epic w ramach programu Rev Cyclers i rozszerzył swoją pracę z Microsoft Azure generative AI i machine learning, aby rozwinąć operacje cyklu przychodów wspomagane przez AI.

Jaki konkretny rozpad w tradycyjnych procesach RCM przekonał Cię, że potrzebny jest specjalnie zaprojektowany model LLM? 

Systemy opieki zdrowotnej działają na marżach 2% do 4%, podczas gdy początkowe wskaźniki odmowy wynoszą 12% do 15%. To jest punkt, w którym tradycyjne podejścia do cyklu przychodów nie rozwiązują podstawowego problemu i wymagają zasadniczo innego podejścia. Ten nacisk wpływa na każdą część organizacji, od personelu po inwestycje w technologie i pojemność opieki.

Większość rozwiązań nie zajmuje się całością systemu. Organizacje pozostają z fragmentarycznymi narzędziami, rozproszonymi danymi i odłączoną aktywnością, która opiera się na łączeniu kontekstu za pomocą inżynierii promptów w modelach ogólnych.

To podejście jest wolniejsze, droższe, mniej spójne i trudniejsze do zarządzania w skali.

Model specjalnie zaprojektowany zmienia to, wprowadzając historyczne i bieżące dane do zarządzanego środowiska. Może on przewidywać zachowania płatników, ujawniać istotne informacje, pomagać w redukowaniu odmów i działać w środowiskach zgodnych z przepisami i audytowalnych.

Czy coś od Twoich wcześniejszych pism wzmocniło lub zmieniło Twoje podejście do ogólnych modeli AI w porównaniu z modelem specjalnie zaprojektowanym? 

Nasza kontynuacja rozwoju i wdrożenia end-to-end AI w cyklu przychodów w dalszym ciągu potwierdza, gdzie modele LLM błyszczą i gdzie istnieją znaczące luki, które rozwiązujemy za pomocą modeli specjalnie zaprojektowanych.

Modele LLM radzą sobie dobrze z rozumowaniem klinicznym, ale inwestujemy ciężko w dostarczanie kontekstu i ekspertyzy od naszych lekarzy i pielęgniarek, którzy mają dziesięciolecia doświadczenia w łączeniu klinicznej i administracyjnej strony ochrony zdrowia. To okazuje się być potężną kombinacją, która dostarcza wyjątkowe wyniki, wprowadzając te rozwiązania AI z ekspertami w pętli.

Szerokie modele nadal napotykają na realia środowisk regulowanych cyklu przychodów i brak danych szkoleniowych do nawigowania w złożonych procesach cyklu przychodów. Mówiąc prosto, ogólne AI identyfikują sposób na odpowiedź, ale często brakuje im nuansów, aby dostarczyć informacje i procesy, które napędzają wyniki i najlepsze wyniki.

Dostosowanie ogólnych modeli nadal powoduje niekonsekwencje, słabą kontrolę i ograniczoną zdolność do zarządzania nuansami. To jest strukturalna ograniczona, a nie problem narzędziowy.

Ensemble buduje możliwości i przebudowuje procesy i dane, aby dostarczyć wyniki – zapobieganie odmowom, poprawę zaangażowania pacjentów i dostępu do opieki oraz poprawę wyrównania opieki z płatnikami.

Jakie są najbardziej krytyczne ograniczenia inżynierii promptów warstwowej na ogólnych modelach w operacjach RCM? 

Obietnica AI w cyklu przychodów nie polega tylko na zastosowaniu ogólnego modelu do zadań ochrony zdrowia — polega na tym, czy AI naprawdę rozumie dziedzinę. Ograniczenia inżynierii promptów na modelach podstawowych polegają na tym, że osiąga się zdolności ogólnych specjalistów, które przechodzą test rozsądku na powierzchni, ale brakuje im nuansów, aby dostarczyć najlepsze wyniki, które ciągle ewoluują i poprawiają. ‘Medyczna konieczność’ oznacza coś innego dla krajowego komercyjnego płatnika niż dla Medicare MAC, a ta różnica determinuje wyniki finansowe. Model trenowany na otwartym Internecie nie wie o tym, a promptowanie może zamknąć niektóre z tych luk, ale pomija pełne i dokładne nuansowanie kontekstu.

Zgodnie z projektem, modele z inżynierią promptów są statyczne. Nie mogą się uczyć, gdy płatnik cicho zmienia swoje zachowanie podczas rozstrzygania, gdy pojawia się nowy wzorzec odmowy lub gdy strategia apelacyjna, która działała w poprzednim kwartale, przestaje działać. W Ensemble zbudowaliśmy zamkniętą pętlę informacji, która zmienia każdy wynik roszczenia w inteligencję — ponieważ siedzimy w centrum cyklu przychodów w setkach systemów opieki zdrowotnej i płatników, w skali, której żaden pojedynczy dostawca nie mógłby internalizować.

To, co odkryliśmy, to fakt, że prawdziwa przewaga w AI-zasilanym RCM nie leży w modelu — leży w danych i ekspertyzie zakodowanej w nim. Przez lata operacjonalizowaliśmy to, co nasi najlepsi specjaliści od odmów, kodowania i relacji z płatnikami robią, aby dostarczyć najlepsze wyniki. Nie można wstrzyknąć tego do systemu prompt — musi on mieszkać w tym, jak model był trenowany, co jest oceniane i jak jest integrowane z przepływem pracy.

Transformacja AI w cyklu przychodów ochrony zdrowia rozdzieli się na dwa obozy: organizacje, które używają AI jako warstwy produktywności na górze istniejących procesów, oraz organizacje, które odbudowały inteligencję w samym procesie. Ensemble jest zdecydowanie w drugim obozie — i dla systemów opieki zdrowotnej pod presją marży, ta różnica jest różnicą między stopniową poprawą a transformacją.

Jak wygląda sufit dokładności systemów z ciężkimi promptami w praktyce, gdy mają do czynienia z zasadami płatników i wieloetapowymi przepływami pracy? 

Sufit pojawia się jako niekonsekwencja w punktach, w których wyniki cyklu przychodów zależą od precyzji. Nie chodzi tylko o surową dokładność. Chodzi o niezawodność w rzeczywistych warunkach operacyjnych.

Systemy z ciężkimi promptami próbują wprowadzić logikę cyklu przychodów w czasie inferencji, ładując kontekst do każdego żądania. To może działać w prostszych scenariuszach, ale rozpadają się one w przypadku zachowań płatników, nuansów regulacyjnych i zależności wieloetapowych.

Wyjścia mogą być kierunkowo prawidłowe, ale nie są wystarczająco niezawodne dla codziennych operacji.

Im złożoność rośnie, koszty rosną, a spójność maleje, prowadząc do luk w sekwencjonowaniu, pomijaniu zależności i utracie kontekstu na przestrzeni kroków.

Dlatego koncentrujemy się na modelach ugruntowanych w rzeczywistych danych operacyjnych i osadzonych bezpośrednio w aktywności cyklu przychodów, a nie odtwarzających kontekst na żądanie.

Czy widzisz AI płatników i AI dostawców ewoluujących w wyścig zbrojeń, i jak powinny reagować systemy opieki zdrowotnej? 

Ramka wyścigu zbrojeń nie do końca ujmuje to, co się dzieje. Zarówno płatnicy, jak i dostawcy szybko stosują AI w procesach uprzedniej autoryzacji i przetwarzania roszczeń. W wielu przypadkach zwiększa to tarcie, zamiast je zmniejszać, i może prowadzić do interakcji zautomatyzowanych systemów bez rozstrzygnięcia.

AI same w sobie nie rozwiązują fragmentaryzacji operacji cyklu przychodów. Stosowane na górze fragmentaryzacji, może to zwiększyć problem. Silniejsza odpowiedź polega na przechodzeniu od operacji reaktywnych do proaktywnych. To wymaga widoczności na całym cyklu przychodów, silniejszych podstaw danych i zdolności do przewidywania zachowań płatników, identyfikowania ryzyka wcześniej i rozwiązywania problemów przed złożeniem.

Gdy organizacje działają z tym poziomem koordynacji i wglądu, dynamika zmienia się z tarcia na lepsze wyniki. Dostarczamy prawdziwe wyniki, aby to osiągnąć, gdzie osiągamy zmniejszone tarcie i szybsze wyrównanie z płatnikami na każdym etapie — z AI przebudowanym na każdym etapie.

Jak zapewniasz, aby model trenowany bez danych pacjentów wciąż ujmuje złożoność świata rzeczywistego? 

Brak danych pacjentów nie oznacza braku złożoności świata rzeczywistego.

Zarządzając 80 milionami transakcji rocznie, Ensemble zunifikował ponad dwa petabajty danych dostawców, płatników i klinicznych w zasób gotowy do AI. Ta baza odzwierciedla, jak działalność cyklu przychodów faktycznie funkcjonuje w skali, w tym ekspertyzę operatorów, zachowania płatników i wzorce odmów, i odblokowuje modelowanie predykcyjne, wgląd w czasie rzeczywistym i agenci AI-przepływów, które pomagają chronić dostawców przed opóźnieniami i odmowami płatności.

Używamy wysokiej jakości syntetycznych i zanonimizowanych zbiorów danych z certyfikowanych źródeł w środowisku zgodnym z HIPAA. Te zestawy danych zachowują strukturę, zmienność i przypadki graniczne obecne w scenariuszach świata rzeczywistego.

Nie replikujemy EHR. Podchodzimy do niego w sposób rodzimy, dodając inteligencję w miejscach, gdzie najbardziej się liczy, szczególnie w obszarach związanych z wymogami płatników i decyzjami, które leżą poza EHR.

Wzmacniamy to podejście z wybitnymi ekspertami (lekarzami, pielęgniarkami, operatorami cyklu przychodów), którzy dostarczają podejście nuans i ekspertyzy, które AI i dane nie mogą jeszcze osiągnąć niezależnie.

To podejście zachowuje złożoność świata rzeczywistego, napędza wyniki i osiągnięcia, chroniąc jednocześnie prywatność pacjentów.

Jak tłumaczy się podejmowanie decyzji ludzkich i przepływów pracy na coś, co model może niezawodnie nauczyć się i wykonać? 

To, co sprawia, że to działa, to głębokość ekspertyzy operatorów za tym. Tłumaczenie tego na nasz model nie polega na aproksymacji ekspertyzy. Chodzi o uchwycenie, jak doświadczone zespoły naprawdę pracują.

Trenujemy na rzeczywistych zadaniach cyklu przychodów i strukturyzujemy system wokół reguł, zależności i wzorców, których operatorzy używają każdego dnia. Najbardziej skuteczne systemy łączą wiele warstw inteligencji. Logiczna determinacja wspiera kroki, które muszą pozostać spójne, takie jak walidacja i kontrole polityki. Modele predykcyjne oceniają ryzyko, takie jak prawdopodobieństwo odmowy. Modele rozumowania zajmują się złożonością, w tym interpretacją i generowaniem narracji.

Każda warstwa redukuje niepewność i odzwierciedla, jak wysoko wykwalifikowane zespoły działają w praktyce.

Co oznacza rzeczywista orkiestracja end-to-end od przyjęcia pacjenta do rozstrzygnięcia rachunku? 

Orkiestracja end-to-end oznacza przechodzenie od izolowanego wsparcia zadania do systemu, który działa na całym cyklu kliniczno-finansowym.

Rozpoczyna się to od przyjęcia pacjenta, wspierając precyzyjne przechwytywanie danych, weryfikację uprawnień i wymagania autoryzacji w czasie rzeczywistym, aby zapobiec problemom dalej.

Gdy dokumentacja i kodowanie się kształtują, system wyrównuje aktywność z oczekiwaniami płatników i identyfikuje ryzyko wcześnie. Przez rozliczanie i rozstrzygnięcia monitoruje zachowania płatników, nuanse umowne i potencjalne niedopłaty.

Gdy pojawiają się problemy, system łączy wyniki z powrotem do przyczyn pierwotnych i dostarcza wgląd w górę.

Dziś wiele organizacji polega na 15 do 30 różnych rozwiązań punktowych w cyklu przychodów. Każde z nich poprawia konkretny obszar, ale nie uczą się razem. Luki między funkcjami pozwalają na utratę przychodów, aby trwać.

Orkiestracja łączy to razem przez zunifikowane dane, skoordynowaną aktywność cyklu przychodów i wyraźną odpowiedzialność, tworząc system ciągłego uczenia się na całym cyklu.

Gdzie bieżące EHR nie spełniają oczekiwań, i jak Wasze podejście rozszerza ich możliwości bez zakłócania istniejącej infrastruktury? 

EHR są podstawowe. Służą jako system rejestracji danych klinicznych i finansowych.

Nie zostały one zaprojektowane, aby działać jako systemy inteligencji dla operacji cyklu przychodów.

Luka leży w łączeniu kontekstu na całym cyklu przychodów. Podczas gdy EHR przechowują i organizują informacje, nie interpretują one zachowań płatników, nie przewidują odmów ani nie prowadzą użytkowników przez złożoną, wieloetapową aktywność, która wykracza poza ich granice.

Większość pracy wymaganej do zarządzania wymogami płatników i wyjątkami występuje poza EHR, co powoduje fragmentację.

Nasze podejście uzupełnia EHR, a nie zastępuje go. Pracujemy w istniejących środowiskach, dodając inteligencję w miejscach, gdzie praca jest naprawdę wykonywana.

To pozwala nam zmniejszyć obciążenie administracyjne, poprawić dokładność i pomóc zespołom skoncentrować się na działaniach o wyższej wartości bez wymagania zmian w infrastrukturze podstawowej.

Jak widzisz ewolucję cyklu przychodów w ciągu najbliższych pięciu lat, i jaka będzie rola operatorów ludzkich? 

W ciągu najbliższych pięciu lat operacje cyklu przychodów przesuną się z reaktywnych i pracochłonnych do proaktywnych i skoordynowanych.

Mniej wysiłku będzie poświęcone na prace ponowne, takie jak apelacje i follow-up, a więcej będzie skupione wcześniej na zapobieganiu. Odmowy i niedopłaty będą coraz częściej identyfikowane wcześniej, poprawiając zarówno strukturę kosztów, jak i przewidywalność finansową.

To przesunięcie zwiększa możliwości dla siły roboczej. Dziś zbyt wiele wykwalifikowanego personelu jest związane z zadaniami powtarzalnymi. Gdy automatyzacja zmniejsza to obciążenie, zespoły mogą się skoncentrować na zarządzaniu wyjątkami, poprawie procesów, podejmowaniu decyzji strategicznych i opiece nad pacjentami.

Role nie znikają. Ewoluują. Ekspertyza ludzka nie maleje. Staje się bardziej krytyczna i centralna dla ogólnych wyników cyklu przychodów.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Ensemble Health Partners.