Эндрю Рэй, главный директор по продукту и инновациям в Ensemble – Серия интервью

Эндрю Рэй, главный директор по продукту и инновациям в Ensemble, обладает глубоким опытом на пересечении финансового управления в здравоохранении, операций по циклу доходов, стратегии продукта и инноваций. В Ensemble он руководит разработкой продукта, улучшением операций и инициативами по инновациям, включая партнерство компании с Epic в рамках программы Rev Cycler. Его опыт включает трансформацию поставщиков медицинских услуг и стратегический рост на посту McKinsey & Company, руководство циклом доходов в Stanford Children’s Health, а также ранее консультационные роли в сфере здравоохранения в EY и Triage Consulting Group, что дает ему сильную основу как в операционном исполнении, так и в трансформации здравоохранения с помощью технологий.

Ensemble Health Partners – это компания, занимающаяся управлением циклом доходов в здравоохранении, которая работает с больницами, системами здравоохранения и врачебными практиками для улучшения финансовых результатов, опыта пациентов и операционной эффективности. Компания предоставляет комплексную поддержку управления циклом доходов в таких областях, как вовлечение пациентов, кодирование, управление претензиями, предотвращение отказов, производительность плательщиков и урегулирование счетов, используя принятие решений на основе ИИ, автоматизацию, аналитику и свою платформу интеллекта цикла доходов EIQ для помощи поставщикам в снижении трения и ускорении возмещения. Ensemble также сотрудничает с Epic в рамках программы Rev Cyclers и расширяет свою работу с Microsoft Azure генеративным ИИ и машинным обучением для продвижения операций цикла доходов, основанных на ИИ.

Какие конкретные сбои в традиционных потоках управления циклом доходов убедили вас в необходимости специально разработанной модели LLM? 

Системы здравоохранения работают с маржами 2% до 4%, в то время как первоначальные показатели отказов достигают 12% до 15%. Это является точкой разрыва, показывающей, что традиционные подходы к управлению циклом доходов не решают основную проблему и что необходим совершенно другой подход. Это давление влияет на каждую часть организации, от персонала до инвестиций в технологии и емкости ухода.

Большинство решений не решают проблему в целом. Организации остаются с фрагментированными инструментами, разрозненными данными и несвязанной деятельностью, которая зависит от сшивания контекста вместе с помощью инженерии запросов на общих моделях.

Такой подход медленнее, дороже, менее последовательный и труднее управляемый в масштабе.

Специально разработанная модель меняет это, вводя исторические и реальные данные в управляемую платформу. Она может предвидеть поведение плательщиков, выявлять релевантную информацию, помогать снижать отказы и работать в рамках соответствующих и аудиторских сред.

Изменилось ли что-то с момента вашей ранней публикации, укрепив или изменив вашу точку зрения на общий ИИ и специально разработанные модели? 

Наш продолжающийся разработка и развертывание оркестровки ИИ на протяжении всего цикла доходов продолжает укреплять, где лучшие модели LLM сияют и где есть значительные пробелы, которые мы решаем с помощью специально разработанных моделей.

Модели LLM работают хорошо с клиническим рассуждением, но мы инвестируем значительные средства в предоставление контекста и экспертизы от наших врачей и медсестер, которые имеют десятилетия опыта в мостировании клинического и административного разрыва в здравоохранении. Это оказывается мощной комбинацией, которая обеспечивает исключительные результаты, внедряя эти решения ИИ с экспертами в цикле.

Широкие модели продолжают сталкиваться с реалиями регулируемых сред цикла доходов и отсутствием обучающих данных для навигации по нюансированным процессам цикла доходов. Проще говоря, готовый ИИ определяет средство для ответа, но часто лишен нюансов для доставки интеллекта и процессов, которые стимулируют результаты и лучшую производительность.

Адаптация общих моделей все еще производит несоответствие, слабое управление и ограниченную способность управлять нюансами. Это структурное ограничение, а не проблема инструментов.

Ensemble строит возможности и перестраивает процессы и данные для достижения результатов – предотвращения отказов, улучшения вовлечения пациентов и доступа к уходу и улучшения соответствия ухода с плательщиками.

Каковы наиболее критические ограничения инженерии запросов, наложенной на общие модели в операциях управления циклом доходов? 

Обещание ИИ в цикле доходов не только в применении общей модели к задачам здравоохранения — это о том, понимает ли ИИ саму область. Ограничения инженерии запросов на базовых моделях заключаются в том, что вы достигаете способных общих возможностей, которые проходят тест разумности на поверхности, но лишены нюансов, необходимых для обеспечения лучшей производительности, которая непрерывно адаптируется и улучшается. ‘Медицинская необходимость’ означает что-то другое для национального коммерческого плательщика, чем для Medicare MAC, и эта разница определяет финансовые результаты. Модель, обученная на открытом интернете, не знает этого; запрос может закрыть некоторые из этих пробелов, но пропускает полную и точную контекстную нюанс.

По конструкции модели с инженерными запросами являются статичными. Они не могут учиться, когда плательщик тихо меняет свое поведение при разрешении, когда появляется новый шаблон отказа или когда стратегия апелляции, которая работала в прошлом квартале, перестает работать. В Ensemble мы построили закрытый обратный цикл, который превращает каждый результат претензии в интеллект — потому что мы сидим в центре цикла доходов по hundreds систем здравоохранения и плательщиков, в масштабе, который ни одна отдельная поставщик не может воспроизвести внутренне.

Что мы обнаружили, так это то, что настоящий ров в ИИ-управляемом управлении циклом доходов не модель — это данные и экспертиза, закодированная в нее. Мы потратили годы на операционализацию того, что наши лучшие специалисты по отказам, кодировщики и эксперты по плательщикам делают для обеспечения лучших результатов. Вы не можете ввести это в систему запроса — оно должно жить в том, как модель была обучена, против чего она оценена и как она интегрирована в рабочий процесс.

Трансформация ИИ в цикле доходов здравоохранения разделится на два лагеря: организации, использующие ИИ как слой производительности поверх существующих процессов, и организации, которые перестроили интеллект в сам процесс. Ensemble твердо стоит в втором лагере — и для систем здравоохранения под давлением маржи это различие является разницей между инкрементным улучшением и трансформацией.

Как выглядит потолок точности систем с тяжелым запросом на практике при работе с правилами плательщиков и многоступенчатыми рабочими процессами? 

Потолок проявляется как несоответствие в точках, где производительность цикла доходов зависит от точности. Это не только о сырой точности. Это о надежности в реальных условиях эксплуатации.

Системы с тяжелым запросом пытаются ввести логику цикла доходов во время вывода, загружая контекст в каждый запрос. Это может работать в более простых сценариях, но разрушается с поведением плательщиков, нормативной нюансами и многоступенчатыми зависимостями.

Выходы могут быть направлены правильно, но они не достаточно надежны для повседневной эксплуатации.

По мере увеличения сложности затраты растут, а связность снижается, что приводит к пробелам в последовательности, пропущенным зависимостям и потере контекста на протяжении шагов.

Это почему мы фокусируемся на моделях, основанных на реальных операционных данных и встроенных непосредственно в деятельность цикла доходов, а не на реконструкции контекста по требованию.

Смотрите ли вы на ИИ плательщиков и ИИ поставщиков как на эволюцию в гонку вооружений, и как должны реагировать системы здравоохранения? 

Формулировка ‘гонка вооружений’ не полностью отражает то, что происходит. И плательщики, и поставщики быстро применяют ИИ по приоритету и обработке претензий. Во многих случаях это увеличивает трение, а не снижает его, и может привести к тому, что автоматизированные системы взаимодействуют без разрешения.

ИИ сам по себе не решает фрагментированные операции цикла доходов. Примененный поверх фрагментации, он может усилить проблему. Более сильный ответ — перейти от реактивного к проактивному управлению. Для этого требуется видимость на протяжении всего цикла доходов, более сильная основа данных и способность предвидеть поведение плательщиков, выявлять риски раньше и решать проблемы до подачи.

Когда организации работают с таким уровнем координации и проницательности, динамика меняется от трения к более сильной производительности. Мы обеспечиваем реальные результаты, в этом направлении, где мы достигаем снижения трения и более быстрого соответствия с плательщиками на каждом шаге — с ИИ, перестроенным на каждом шаге.

Как вы обеспечиваете, чтобы модель, обученная без идентифицируемых данных пациентов, все еще отражала реальную сложность? 

Отсутствие идентифицируемых данных пациентов не означает отсутствие реальной сложности.

Управляя 80 миллионами транзакций в год, Ensemble объединил более двух петабайт данных поставщиков, плательщиков и клинических данных в актив, готовый для ИИ. Эта основа отражает, как деятельность цикла доходов фактически функционирует в масштабе, включая экспертизу операторов, поведение плательщиков и шаблоны отказов, и она открывает прогностическое моделирование, реальные идеи и агентские рабочие процессы ИИ, которые помогают защитить поставщиков от задержек и отказов в оплате.

Мы используем высококачественные синтетические и деидентифицированные наборы данных из сертифицированных источников в среде, соответствующей HIPAA. Эти наборы сохраняют структуру, вариативность и граничные случаи, присутствующие в реальных сценариях.

Мы не реплицируем EHR. Мы принимаем подход, родной для EHR, добавляя интеллект туда, где он имеет наибольшее значение, особенно в областях, связанных с требованиями плательщиков и решениями, находящимися вне EHR.

Мы усиливаем этот подход с помощью мировых экспертов (MD, медсестер, операторов цикла доходов), которые обеспечивают подход нюансами и экспертизой, которую ИИ и данные еще не могут достичь самостоятельно.

Этот подход сохраняет реальную сложность, стимулирует результаты и производительность, защищая при этом конфиденциальность пациентов.

Как вы переводите человеческое принятие решений и рабочие процессы в что-то, что модель может надежно изучить и выполнить? 

Что делает это работу, так это глубина экспертизы оператора за этим. Перевод этого в нашу модель не о том, чтобы приблизить экспертизу. Это о том, чтобы захватить, как опытные команды фактически работают.

Мы обучаем на реальных задачах цикла доходов и структурируем систему вокруг правил, зависимостей и шаблонов, которые операторы используют каждый день. Наиболее эффективные системы объединяют несколько слоев интеллекта. Детерминированная логика поддерживает шаги, которые должны остаться последовательными, такие как проверка и проверка политики. Прогностические модели оценивают риск, такой как вероятность отказа. Модели рассуждения решают сложность, включая интерпретацию и генерацию повествования.

Каждый слой снижает неопределенность и отражает, как высокопроизводительные команды работают на практике.

Что выглядит как оркестровка от начала до конца, от приема пациентов до урегулирования счетов? 

Оркестровка от начала до конца означает переход от изолированной поддержки задач к системе, которая работает на протяжении всего клинического-кэшевого жизненного цикла.

Это начинается с приема пациентов, поддержки точного захвата данных, проверки элегибильности и требований к авторизации в реальном времени для предотвращения последующих проблем.

По мере того, как документация и кодирование принимают форму, система выравнивает деятельность с ожиданиями плательщиков и выявляет риски рано. На протяжении выставления счетов и разрешения она отслеживает поведение плательщиков, нюансы контрактов и потенциальные недооплаты.

Когда возникают проблемы, система соединяет результаты с основными причинами и обеспечивает идеи вверх по потоку.

Сегодня многие организации полагаются на 15 до 30 разных решений по циклу доходов. Каждое улучшает определенную область, но они не учатся вместе. Пробелы между функциями позволяют утечке доходов сохраняться.

Оркестровка объединяет это через унифицированные данные, скоординированную деятельность цикла доходов и четкую подотчетность, создавая непрерывную систему обучения на протяжении всего жизненного цикла.

Где текущие EHR не справляются, и как ваш подход расширяет их возможности без нарушения существующей инфраструктуры? 

EHR являются основными. Они служат системой записи для клинических и финансовых данных.

Они не были разработаны для того, чтобы действовать как системы интеллекта для операций цикла доходов.

Пробел заключается в соединении контекста на протяжении цикла доходов. Хотя EHR хранят и организуют информацию, они не интерпретируют поведение плательщиков, не предвидят отказы и не направляют пользователей через сложные, многоступенчатые действия, которые выходят за пределы их границ.

Много работы, необходимой для управления требованиями плательщиков и исключениями, происходит вне EHR, что является местом, где развивается фрагментация.

Наш подход дополняет EHR, а не заменяет его. Мы работаем в существующих средах, добавляя интеллект в области, где фактически происходит работа.

Это позволяет нам снизить административное бремя, улучшить точность и помочь командам сосредоточиться на более ценной деятельности без необходимости изменений в основной инфраструктуре.

Как вы видите эволюцию цикла доходов в течение следующих пяти лет, и какую роль продолжат играть человеческие операторы? 

В течение следующих пяти лет операции цикла доходов перейдут от реактивного и трудоемкого к проактивному и скоординированному.

Меньше усилий будет потрачено на переработку, такую как апелляции и последующий follow-up, и больше будет сосредоточено вверх по потоку на предотвращение. Отказы и недооплаты будут все чаще выявляться раньше, улучшая как структуру затрат, так и финансовую предсказуемость.

Этот сдвиг расширяет возможности для рабочей силы. Сегодня слишком много квалифицированного труда связано с повторяющимися задачами. По мере того, как автоматизация снижает это бремя, команды могут сосредоточиться на управлении исключениями, улучшении процессов, стратегическом принятии решений и уходе за пациентами

Роли не исчезают. Они эволюционируют. Человеческая экспертиза не уменьшается. Она становится более критической и более центральной для общей производительности цикла доходов.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Ensemble Health Partners.