Andrew Ray, Șef de Produs și Inovare la Ensemble – Seria de Interviuri

Andrew Ray, Șef de Produs și Inovare la Ensemble, aduce o experiență profundă la intersecția finanțelor sănătății, operațiunilor ciclului de venituri, strategiei de produs și inovării. La Ensemble, el conduce inițiative de produs, îmbunătățire operațională și inovare, inclusiv parteneriatul companiei cu Epic, Rev Cycler. Fondul său include transformarea furnizorilor de sănătate și creșterea strategică la McKinsey & Company, conducerea ciclului de venituri la Stanford Children’s Health și roluri consultative anterioare în sănătate la EY și Triage Consulting Group, oferindu-i o bază solidă în executarea operațională și transformarea sănătății bazată pe tehnologie.

Ensemble Health Partners este o companie de gestionare a ciclului de venituri în sănătate care lucrează cu spitale, sisteme de sănătate și cabinete medicale pentru a îmbunătăți performanța financiară, experiența pacientului și eficiența operațională. Compania oferă suport RCM de la capăt la capăt în domenii precum implicarea pacientului, codificarea, gestionarea cererilor, prevenirea refuzurilor, performanța plătitorului și rezolvarea conturilor, utilizând decizii bazate pe inteligență artificială, automatizare, analize și platforma sa de inteligență a ciclului de venituri EIQ pentru a ajuta furnizorii să reducă fricțiunea și să accelereze rambursarea. Ensemble a încheiat, de asemenea, un parteneriat cu Epic prin programul Rev Cyclers și a extins munca sa cu Microsoft Azure, inteligență artificială generativă și învățare automată pentru a avansa operațiunile ciclului de venituri bazate pe inteligență artificială.

Care a fost motivul specific pentru care ați considerat necesar un model LLM specializat în RCM? 

Sistemele de sănătate funcționează cu marje de 2% până la 4%, în timp ce ratele inițiale de refuz ajung la 12% până la 15%. Acesta este punctul de ruptură care ne-a arătat că abordările tradiționale ale ciclului de venituri nu rezolvă problema de bază și că este necesară o abordare fundamental diferită. Această presiune afectează fiecare parte a organizației, de la personal la investiții în tehnologie și până la capacitatea de îngrijire.

Majoritatea soluțiilor nu abordează sistemul de la capăt la capăt. Organizațiile sunt lăsate cu instrumente fragmentate, date siluite și activități desconectate care depind de conectarea contextului prin inginerie de prompt pe modele generale.

Această abordare este mai lentă, mai scumpă, mai puțin consistentă și greu de gestionat la scară.

Un model specializat schimbă acest lucru, aducând date istorice și în timp real într-o platformă guvernată. El poate anticipa comportamentul plătitorului, poate aduce la suprafață informații relevante, ajută la reducerea refuzurilor și poate opera în medii conforme și auditabile.

A fost întărită sau schimbată perspectiva dvs. asupra inteligenței artificiale generale versus modele specializate de la scrierile dvs. anterioare? 

Dezvoltarea și implementarea noastră continuă a orchestrării inteligenței artificiale de la capăt la capăt în ciclul de venituri a continuat să întărească unde strălucesc modelele LLM de frontieră și unde există lacune semnificative pe care le abordăm cu modele specializate.

Modelele LLM de frontieră funcționează bine cu raționamentul clinic, dar investim puternic în furnizarea contextului și expertizei de la medicii și asistenții noștri care au zeci de ani de experiență în a conecta divizia clinică și administrativă a sănătății. Acesta se dovedește a fi o combinație puternică care oferă rezultate excepționale, încorporând aceste soluții de inteligență artificială cu experți în buclă.

Modelele generale continuă să se confrunte cu realitățile mediilor reglementate ale ciclului de venituri și lipsa de date de antrenament pentru navigarea proceselor nuanțate ale ciclului de venituri. Simplu spus, inteligența artificială de pe raft identifică un mijloc de a ajunge la un răspuns, dar adesea lipsește nuanța necesară pentru a livra inteligență și procese care conduc la rezultate și performanță de clasă superioară.

Adaptarea modelelor generale încă produce inconsistente, guvernanță slabă și capacitate limitată de a gestiona nuanțe. Acesta este un handicap structural, nu o problemă de instrumentare.

Ensemble construiește capacități și reinginerizează procese și date pentru a livra rezultate – prevenirea refuzurilor, îmbunătățirea implicării pacientului și accesul la îngrijire și alinierea îmbunătățită a îngrijirii cu plătitorii.

Care sunt cele mai critice limitări ale ingineriei de prompt stratificate pe modele generale în operațiunile RCM? 

Promisiunea inteligenței artificiale în ciclul de venituri nu este doar despre aplicarea unui model general la sarcini de sănătate – este despre faptul că inteligența artificială înțelege realmente domeniul. Limitările ingineriei de prompt pe modele de bază sunt că se obțin capacități generale capabile care trec testul de raționalitate la suprafață, dar lipsesc nuanța necesară pentru a livra o performanță de clasă superioară care se adaptează și se îmbunătățește continuu. ‘Necesitate medicală’ înseamnă ceva diferit pentru un plătitor comercial național decât pentru un MAC Medicare, și această diferență determină performanța financiară. Un model antrenat pe internetul deschis nu știe acest lucru; ingineria de prompt poate închide unele dintre aceste lacune, dar ratează nuanța contextuală completă și exactă.

Prin design, modelele inginerite de prompt sunt statice. Ele nu pot învăța când un plătitor schimbă în mod discret comportamentul de adjudecare, când apare un nou model de refuz sau când o strategie de apel care a funcționat în ultimul trimestru încetează să funcționeze. La Ensemble, am construit bucla de feedback închisă care transformă fiecare rezultat al cererii în inteligență – pentru că stăm în centrul ciclului de venituri, pe scară largă, peste sute de sisteme de sănătate și plătitori, la o scară pe care niciun furnizor nu o poate replica intern.

Ce am descoperit este că adevăratul zid în RCM bazat pe inteligență artificială nu este modelul – este datele și expertiza încorporate în el. Am petrecut ani operaționalizând ceea ce fac specialiștii noștri de refuzuri, codificatori și experți în relații cu plătitorii pentru a livra rezultate de clasă superioară. Nu puteți injecta acest lucru într-un sistem de prompt – trebuie să trăiască în modul în care modelul a fost antrenat, împotriva a ceea ce este evaluat și cum este integrat în fluxul de lucru.

Transformarea inteligenței artificiale în ciclul de venituri din sănătate se va divide în două tabere: organizații care utilizează inteligența artificială ca un strat de productivitate deasupra proceselor existente și organizații care au reconstruit inteligența în procesul însuși. Ensemble se află ferm în a doua tabără – și pentru sistemele de sănătate sub presiunea marjelor, această distincție este diferența dintre îmbunătățirea incrementală și transformare.

Cum arată tavanul de acuratețe al sistemelor cu prompt greu în practică atunci când se ocupă de regulile plătitorilor și fluxurile de lucru cu mai multe etape? 

Tavanul se arată sub forma inconsistenței în punctele în care performanța ciclului de venituri depinde de precizie. Nu este doar despre acuratețe brută. Este despre fiabilitate în condiții de operare reală.

Sistemele cu prompt greu încearcă să introducă logica ciclului de venituri la momentul inferenței, încărcând contextul în fiecare cerere. Acest lucru poate funcționa în scenarii mai simple, dar se deteriorează cu comportamentul specific plătitorului, nuanța regulamentară și dependențele cu mai multe etape.

Ieșirile pot fi direcțional corecte, dar nu sunt suficient de fiabile pentru operațiunile zilnice.

Pe măsură ce crește complexitatea, costul crește și coerența scade, conducând la lacune în secvențiere, dependențe ratate și pierderea contextului pe parcursul etapelor.

De aceea, ne concentrăm pe modele ancorate în date operaționale reale și încorporate direct în activitatea ciclului de venituri, mai degrabă decât reconstruirea contextului la cerere.

Considerați că inteligența artificială a plătitorilor și a furnizorilor evoluează într-o cursă a înarmării, și cum ar trebui să răspundă sistemele de sănătate? 

Cadrul cursei de înarmare nu captează pe deplin ceea ce se întâmplă. Atât plătitorii, cât și furnizorii aplică rapid inteligența artificială în autorizarea prealabilă și procesarea cererilor. În multe cazuri, acest lucru crește fricțiunea, mai degrabă decât o reduce, și poate duce la interacțiuni automate fără rezoluție.

Inteligența artificială singură nu rezolvă operațiunile fragmentate ale ciclului de venituri. Aplicată deasupra fragmentării, poate amplifica problema. Răspunsul mai puternic este să treacă de la operațiuni reactive la operațiuni proactive. Acest lucru necesită vizibilitate pe tot ciclul de venituri, o bază de date mai puternică și capacitatea de a anticipa comportamentul plătitorului, de a identifica riscurile mai devreme și de a rezolva problemele înainte de a fi trimise.

Când organizațiile operează cu acest nivel de coordonare și perspicacitate, dinamica se schimbă de la fricțiune la o performanță mai puternică. Suntem în măsură să livrăm rezultate reale, în acest sens, unde obținem o fricțiune redusă și o aliniere mai rapidă cu plătitorii la fiecare etapă – cu inteligența artificială reinginerizată la fiecare etapă.

Cum asigurați că un model antrenat fără date de pacient identificabile captează încă complexitatea lumii reale? 

Lipsa datelor de pacient identificabile nu înseamnă o lipsă de complexitate a lumii reale.

Gestionând 80 de milioane de tranzacții pe an, Ensemble a unit peste două petabiți de date de la furnizori, plătitori și clinici într-un activ de inteligență artificială. Această bază reflectă modul în care activitatea ciclului de venituri funcționează realmente la scară, inclusiv expertiza operatorilor, comportamentul specific plătitorului și modelele de refuz, și deblochează modelarea predictivă, insight-urile în timp real și fluxurile de lucru cu inteligență artificială care ajută la protejarea furnizorilor împotriva întârzierilor și refuzurilor de plată.

Utilizăm seturi de date sintetice și de identificare de înaltă calitate din surse certificate într-un mediu conform HIPAA. Aceste seturi de date păstrează structura, variabilitatea și cazurile limită prezente în scenariile lumii reale.

Nu replicăm EHR. Adoptăm o abordare nativă EHR, adăugând inteligență acolo unde contează cel mai mult, în special în domenii legate de cerințele plătitorului și deciziile care se află în afara EHR.

Îmbunătățim această abordare cu experți de clasă mondială (medici, asistenți, operatori de ciclu de venituri) care oferă abordarea nuanței și expertizei pe care inteligența artificială și datele nu o pot obține încă independent.

Această abordare păstrează complexitatea lumii reale, conduce la rezultate și performanță, protejând în același timp confidențialitatea pacientului.

Cum traduceți luarea deciziilor umane și fluxurile de lucru în ceva pe care un model poate învăța și executa în mod fiabil? 

Ceea ce face ca acest lucru să funcționeze este profunzimea expertizei operatorilor din spatele acestuia. Traducerea acestei expertize în modelul nostru nu este despre aproximarea expertizei. Este despre capturarea modului în care echipele experimentate lucrează realmente.

Antrenăm pe sarcini reale ale ciclului de venituri și structurăm sistemul în jurul regulilor, dependențelor și patternurilor pe care operatorii le utilizează în fiecare zi. Cele mai eficiente sisteme combină multiple straturi de inteligență. Logica deterministică susține pașii care trebuie să rămână constanți, cum ar fi validarea și verificarea politicilor. Modelele predictive evaluează riscul, cum ar fi probabilitatea de refuz. Modelele de raționament abordează complexitatea, inclusiv interpretarea și generarea de narative.

Fiecare strat reduce incertitudinea și reflectă modul în care echipele de înaltă performanță operează în practică.

Ce înseamnă orchestrarea de la capăt la capăt, de la înscrierea pacientului până la rezolvarea conturilor? 

Orchestrarea de la capăt la capăt înseamnă trecerea de la suportul sarcinilor izolate la un sistem care operează pe tot ciclul de viață clinic-încasare.

Acesta începe la înscrierea pacientului, sprijinind capturarea exactă a datelor, verificarea eligibilității și cerințele de autorizare în timp real pentru a preveni problemele downstream.

Pe măsură ce documentarea și codificarea iau formă, sistemul aliniază activitatea cu așteptările plătitorului și identifică riscurile devreme. Prin facturare și adjudecare, monitorizează comportamentul plătitorului, nuanțele contractuale și potențialele subplată.

Când apar probleme, sistemul conectează rezultatele înapoi la cauzele de bază și alimentează perspicacitatea în amonte.

Astăzi, multe organizații se bazează pe 15 până la 30 de soluții punctuale distincte pe tot ciclul de venituri. Fiecare îmbunătățește o zonă specifică, dar nu învață împreună. Lacunele dintre funcții permit scurgeri de venituri să persiste.

Orchestrarea aduce acest lucru împreună prin date unificate, activitate coordonată a ciclului de venituri și responsabilitate clară, creând un sistem de învățare continuă pe tot ciclul de viață.

Unde cad EHR-urile actuale și cum extinde abordarea dvs. capacitățile lor fără a perturba infrastructura existentă? 

EHR-urile sunt fundamentale. Ele servesc ca sistem de înregistrare pentru datele clinice și financiare.

Nu au fost concepute pentru a acționa ca sisteme de inteligență pentru operațiunile ciclului de venituri.

Lacuna este în conectarea contextului pe tot ciclul de venituri. În timp ce EHR-urile stochează și organizează informații, nu interpretează comportamentul plătitorului, nu anticipează refuzurile și nu conduc utilizatorii prin activități complexe, cu mai multe etape, care se extind dincolo de limitele lor.

Mult din munca necesară pentru a gestiona cerințele plătitorului și excepțiile are loc în afara EHR, ceea ce duce la fragmentare.

Abordarea noastră completează EHR-ul, mai degrabă decât înlocuindu-l. Lucrăm în mediile existente, adăugând inteligență în zonele în care se desfășoară munca.

Acest lucru ne permite să reducem povara administrativă, să îmbunătățim acuratețea și să ajutăm echipele să se concentreze pe activități de valoare mai mare, fără a necesita modificări ale infrastructurii de bază.

Cum anticipați că se va schimba ciclul de venituri în următorii cinci ani, și ce rol vor continua să joace operatorii umani? 

În următorii cinci ani, operațiunile ciclului de venituri se vor schimba de la reactive și laborioase la proactive și coordonate.

Se va acorda mai puțin efort pentru re lucru, cum ar fi apeluri și urmărire, și mai mult se va concentra asupra prevenirii în amonte. Refuzurile și subplățile vor fi identificate din ce în ce mai devreme, îmbunătățind atât structura de cost, cât și previzibilitatea financiară.

Acestă schimbare extinde oportunitatea pentru forța de muncă. Astăzi, prea multă muncă calificată este legată de sarcini repetitive. Pe măsură ce automatizarea reduce această povară, echipele pot se concentra pe gestionarea excepțiilor, îmbunătățirea proceselor, luarea deciziilor strategice și îngrijirea pacientului

Rolurile nu dispar. Ele evoluează. Expertiza umană nu se diminuează. Ea devine mai critică și mai centrală performanței generale a ciclului de venituri.

Mulțumim pentru acest interviu excelent. Citiitorii care doresc să afle mai multe despre Ensemble Health Partners pot vizita Ensemble Health Partners.