Andrew Ray, Diretor de Produto e Inovação da Ensemble – Série de Entrevistas

Andrew Ray, Diretor de Produto e Inovação da Ensemble, traz uma profunda experiência na interseção entre finanças de saúde, operações do ciclo de receita, estratégia de produto e inovação. Na Ensemble, ele lidera iniciativas de produto, melhoria operacional e inovação, incluindo a parceria da empresa com a Epic, Rev Cycler. Seu histórico inclui transformação de provedores de saúde e crescimento estratégico no McKinsey & Company, liderança do ciclo de receita no Stanford Children’s Health e funções de consultoria de saúde anteriores no EY e Triage Consulting Group, o que lhe dá uma sólida base tanto em execução operacional quanto em transformação de saúde habilitada por tecnologia.

Ensemble Health Partners é uma empresa de gerenciamento do ciclo de receita de saúde que trabalha com hospitais, sistemas de saúde e práticas de médicos para melhorar o desempenho financeiro, a experiência do paciente e a eficiência operacional. A empresa fornece suporte de RCM de ponta a ponta em áreas como engajamento do paciente, codificação, gerenciamento de reivindicações, prevenção de negações, desempenho do pagador e resolução de contas, utilizando tomada de decisão impulsionada por IA, automação, análise e sua plataforma de inteligência de ciclo de receita EIQ para ajudar os provedores a reduzir a fricção e acelerar o reembolso. A Ensemble também se associou à Epic por meio do Programa Rev Cyclers e expandiu seu trabalho com a Azure da Microsoft e inteligência artificial geradora e aprendizado de máquina para avançar as operações do ciclo de receita habilitadas por IA.

Qual foi a quebra específica nos fluxos de trabalho de RCM tradicionais que o convenceu de que um LLM com propósito era necessário? 

Os sistemas de saúde operam com margens de 2% a 4% enquanto as taxas de negação inicial sobem para 12% a 15%. Esse é o ponto de ruptura que mostrou que as abordagens tradicionais de ciclo de receita não estão resolvendo a questão central e que uma abordagem fundamentalmente diferente é necessária. Essa pressão afeta todas as partes da organização, desde a contratação até o investimento em tecnologia e capacidade de atendimento.

A maioria das soluções não aborda o sistema de ponta a ponta como um todo. As organizações são deixadas com ferramentas fragmentadas, dados siloizados e atividades desconectadas que dependem de costurar contexto junto por meio de engenharia de prompt em modelos de propósito geral.

Essa abordagem é mais lenta, mais cara, menos consistente e difícil de gerenciar em escala.

Um modelo com propósito muda isso, trazendo dados históricos e em tempo real para uma plataforma governada. Ele pode antecipar o comportamento do pagador, superfície inteligência relevante, ajudar a reduzir negações e operar em ambientes conformes e auditáveis.

Algo desde sua escrita anterior reforçou ou mudou sua perspectiva sobre IA geral versus modelos com propósito? 

Nosso desenvolvimento contínuo e implantação de orquestração de IA de ponta a ponta em todo o ciclo de receita continuou a reforçar onde os LLMs de fronteira brilham e onde existem lacunas significativas que estamos abordando com modelos com propósito.

Os LLMs de fronteira performam bem com raciocínio clínico, mas estamos investindo pesadamente em fornecer contexto e expertise de nossos médicos e enfermeiros que têm décadas de experiência em pontes entre o clínico e o administrativo da saúde. Isso está se provando uma combinação poderosa que entrega resultados excepcionais ao incorporar essas soluções de IA com especialistas no loop.

Modelos amplos continuam a enfrentar as realidades de ambientes de ciclo de receita regulamentados e a falta de dados de treinamento para navegar processos de ciclo de receita nuances. Em resumo, a IA fora do prateleira identifica um meio para uma resposta, mas frequentemente carece da nuances para entregar inteligência e processos que impulsionam resultados e desempenho de classe mundial.

Adaptar modelos gerais ainda produz inconsistência, fraca governança e capacidade limitada de gerenciar nuances. Isso é uma limitação estrutural, não uma questão de ferramentas.

A Ensemble está construindo capacidades e reengenharia processos e dados para entregar resultados – prevenção de negações, melhoria do engajamento do paciente e acesso à atenção e melhoria da alinhamento de cuidados com pagadores.

Quais são as limitações mais críticas da engenharia de prompt em camadas sobre modelos de propósito geral nas operações de RCM? 

A promessa da IA no ciclo de receita não é apenas aplicar um modelo de propósito geral a tarefas de saúde — é sobre se a IA realmente entende o domínio. As limitações da engenharia de prompt sobre modelos de fundação é que você alcança capacidades de generalista capaz que passam no teste de razoabilidade na superfície, mas carecem da nuances necessárias para entregar desempenho de classe mundial que continua a se adaptar e melhorar. ‘Necessidade médica’ significa algo diferente para um pagador comercial nacional do que significa para um MAC da Medicare, e essa diferença determina desempenho financeiro. Um modelo treinado na internet aberta não sabe disso; o prompt pode fechar algumas dessas lacunas, mas perde nuances contextuais completas e precisas.

Por design, modelos com engenharia de prompt são estáticos. Eles não podem aprender quando um pagador muda silenciosamente seu comportamento de adjudicação, quando um novo padrão de negação emerge ou quando uma estratégia de apelação que funcionou no último trimestre para de funcionar. Na Ensemble, construímos o loop de feedback fechado que transforma cada resultado de reivindicação em inteligência — porque nos sentamos no centro do ciclo de receita em centenas de sistemas de saúde e pagadores, em uma escala que nenhum provedor individual poderia replicar internamente.

O que descobrimos é que o verdadeiro moat na RCM impulsionada por IA não é o modelo — é os dados e a expertise codificados nele. Passamos anos operacionalizando o que nossos melhores especialistas em negações, codificadores e especialistas em relações com pagadores fazem para entregar resultados de classe mundial. Você não pode injetar isso em um sistema de prompt — ele deve viver em como o modelo foi treinado, o que é avaliado e como é integrado ao fluxo de trabalho.

A transformação da IA no ciclo de receita de saúde se separará em dois campos: organizações que usam a IA como uma camada de produtividade sobre processos existentes e organizações que reconstruíram a inteligência no processo em si. A Ensemble está firmemente no segundo campo — e para sistemas de saúde sob pressão de margem, essa distinção é a diferença entre melhoria incremental e transformação.

Como o teto de precisão dos sistemas com prompt pesado se parece na prática ao lidar com regras de pagador e fluxos de trabalho de múltiplos passos? 

O teto se apresenta como inconsistência nos pontos em que o desempenho do ciclo de receita depende de precisão. Não é apenas sobre precisão bruta. É sobre confiabilidade em condições operacionais reais.

Sistemas com prompt pesado tentam introduzir lógica de ciclo de receita no momento da inferência, carregando contexto em cada solicitação. Isso pode funcionar em cenários mais simples, mas quebra com comportamento específico do pagador, nuances regulamentares e dependências de múltiplos passos.

As saídas podem estar direcionais corretas, mas não são confiáveis o suficiente para operações diárias.

À medida que a complexidade aumenta, o custo sobe e a coerência declina, levando a lacunas na sequência, dependências perdidas e perda de contexto em etapas.

É por isso que nos concentramos em modelos fundamentados em dados operacionais reais e incorporados diretamente na atividade do ciclo de receita, em vez de reconstruir o contexto sob demanda.

Você vê a IA do pagador e a IA do provedor evoluindo para uma corrida armamentista, e como os sistemas de saúde devem responder? 

A estrutura da corrida armamentista não captura completamente o que está acontecendo. Tanto os pagadores quanto os provedores estão aplicando rapidamente a IA em autorizações anteriores e processamento de reivindicações. Em muitos casos, isso aumenta a fricção em vez de reduzi-la e pode resultar em sistemas automatizados interagindo sem resolução.

A IA por si só não resolve operações de ciclo de receita fragmentadas. Aplicada sobre a fragmentação, pode amplificar o problema. A resposta mais forte é mover-se de operações reativas para operações proativas. Isso exige visibilidade em todo o ciclo de receita, uma base de dados mais forte e a capacidade de antecipar o comportamento do pagador, identificar risco mais cedo e resolver questões antes da apresentação.

Quando as organizações operam com esse nível de coordenação e insight, a dinâmica muda de fricção para desempenho mais forte. Estamos entregando resultados reais, nesse sentido, onde estamos alcançando fricção reduzida e alinhamento mais rápido com pagadores em cada etapa — com a IA reengenharia em cada etapa.

Como você garante que um modelo treinado sem dados de paciente identificáveis ainda capture a complexidade do mundo real? 

A ausência de dados de paciente identificáveis não significa ausência de complexidade do mundo real.

Gerenciando 80 milhões de transações por ano, a Ensemble unificou mais de dois petabytes de dados de provedores, pagadores e clínicos em um ativo pronto para IA. Essa base reflete como a atividade do ciclo de receita realmente funciona em escala, incluindo expertise do operador, comportamento específico do pagador e padrões de negação, e desbloqueia modelagem preditiva, insights em tempo real e fluxos de trabalho de IA agêntica que ajudam a proteger os provedores contra atrasos e negações de pagamento.

Usamos conjuntos de dados sintéticos e desidentificados de alta qualidade de fontes certificadas em um ambiente compatível com HIPAA. Esses conjuntos de dados preservam a estrutura, variabilidade e casos de bordo presentes em cenários do mundo real.

Não estamos replicando o EHR. Adotamos uma abordagem nativa do EHR, adicionando inteligência nas áreas onde realmente importa, especialmente em áreas vinculadas a requisitos do pagador e decisões que ficam fora do EHR.

Melhoramos essa abordagem com especialistas de classe mundial (médicos, enfermeiros, operadores do ciclo de receita) que fornecem a abordagem com nuances e expertise que a IA e os dados ainda não podem alcançar de forma independente.

Essa abordagem preserva a complexidade do mundo real, impulsiona resultados e desempenho, protegendo a privacidade do paciente.

Como você traduz a tomada de decisão humana e os fluxos de trabalho em algo que um modelo possa aprender e executar de forma confiável? 

O que torna isso possível é a profundidade da expertise do operador por trás disso. Traduzir isso para nosso modelo não é sobre aproximar a expertise. É sobre capturar como equipes experientes realmente trabalham.

Treinamos em tarefas reais do ciclo de receita e estruturamos o sistema em torno das regras, dependências e padrões que os operadores usam todos os dias. Os sistemas mais eficazes combinam múltiplas camadas de inteligência. Lógica determinística suporta etapas que devem permanecer consistentes, como validação e verificações de política. Modelos preditivos avaliam risco, como a probabilidade de negação. Modelos de raciocínio abordam complexidade, incluindo interpretação e geração de narrativa.

Cada camada reduz a incerteza e reflete como equipes de alto desempenho operam na prática.

Como a orquestração de ponta a ponta realmente se parece, desde a admissão do paciente até a resolução da conta? 

A orquestração de ponta a ponta significa mover-se do suporte a tarefas isoladas para um sistema que opera em todo o ciclo clínico-para-caixa.

Começa na admissão do paciente, apoiando a captura de dados precisa, verificação de elegibilidade e requisitos de autorização em tempo real para prevenir questões downstream.

À medida que a documentação e a codificação tomam forma, o sistema alinha a atividade com as expectativas do pagador e identifica riscos precocemente. Através da faturação e adjudicação, monitora o comportamento do pagador, nuances contratuais e possíveis subpagamentos.

Quando problemas ocorrem, o sistema conecta os resultados às causas raiz e alimenta insights upstream.

Hoje, muitas organizações dependem de 15 a 30 soluções de ponto diferentes em todo o ciclo de receita. Cada uma melhora uma área específica, mas elas não aprendem juntas. Lacunas entre funções permitem que a perda de receita persista.

A orquestração traz isso junto por meio de dados unificados, atividade coordenada do ciclo de receita e responsabilidade clara, criando um sistema de aprendizado contínuo em todo o ciclo de vida.

Onde os EHRs atuais falham, e como sua abordagem estende suas capacidades sem perturbar a infraestrutura existente? 

Os EHRs são fundamentais. Eles servem como o sistema de registro para dados clínicos e financeiros.

Eles não foram projetados para atuar como sistemas de inteligência para operações do ciclo de receita.

A lacuna está em conectar o contexto em todo o ciclo de receita. Enquanto os EHRs armazenam e organizam informações, eles não interpretam o comportamento do pagador, antecipam negações ou orientam os usuários por meio de atividades complexas e de múltiplos passos que se estendem além de seus limites.

Muito do trabalho necessário para gerenciar requisitos do pagador e exceções acontece fora do EHR, o que é onde a fragmentação se desenvolve.

Nossa abordagem complementa o EHR em vez de substituí-lo. Trabalhamos dentro dos ambientes existentes, adicionando inteligência nas áreas onde o trabalho realmente está acontecendo.

Isso nos permite reduzir a carga administrativa, melhorar a precisão e ajudar as equipes a se concentrarem em atividades de maior valor sem exigir mudanças na infraestrutura central.

Como você vê o ciclo de receita evoluindo nos próximos cinco anos, e qual papel os operadores humanos continuarão a desempenhar? 

Nos próximos cinco anos, as operações do ciclo de receita mudarão de reativas e intensivas em mão de obra para proativas e coordenadas.

Menos esforço será gasto em retrabalho, como apelações e follow-up, e mais será focado upstream na prevenção. Negações e subpagamentos serão cada vez mais identificados mais cedo, melhorando tanto a estrutura de custos quanto a previsibilidade financeira.

Essa mudança expande a oportunidade para a força de trabalho. Hoje, muito trabalho qualificado está vinculado a tarefas repetitivas. À medida que a automação reduz essa carga, as equipes podem se concentrar em gerenciamento de exceções, melhoria de processos, tomada de decisões estratégicas e cuidados ao paciente

Os papéis não desaparecem. Eles evoluem. A expertise humana não diminui. Ela se torna mais crítica e mais central para o desempenho geral do ciclo de receita.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Ensemble Health Partners.