Andrew Ray, Chief Product och Innovationschef på Ensemble – Intervjuer

Andrew Ray, Chief Product och Innovationschef på Ensemble, har djup erfarenhet av att arbeta i skärningspunkten mellan hälso- och sjukvårdsekonomi, intäktscykelverksamhet, produktstrategi och innovation. På Ensemble leder han produkt-, verksamhetsförbättrings- och innovationsinitiativ, inklusive bolagets samarbete med Epic genom Rev Cycler-partnerskapet. Hans bakgrund omfattar arbete med hälso- och sjukvårdsleverantörer, strategisk tillväxt på McKinsey & Company, intäktscykelledning på Stanford Children’s Health och tidigare hälso- och sjukvårdsrådgivningsroller på EY och Triage Consulting Group, vilket ger honom en stark grund i både operativt genomförande och teknikbaserad hälso- och sjukvårdstransformation.

Ensemble Health Partners är ett företag som arbetar med hälso- och sjukvårdens intäktscykelhantering och som samarbetar med sjukhus, hälso- och sjukvårdssystem och läkarpraktiker för att förbättra den ekonomiska prestationen, patientupplevelsen och den operativa effektiviteten. Företaget erbjuder stöd för hela intäktscykeln inom områden som patientengagemang, kodning, anspråkshantering, avvisningsförebyggande, betalningsprestanda och kontoresolution, samtidigt som de använder AI-baserat beslutsfattande, automatisering, analys och deras EIQ-intäktscykelplattform för att hjälpa leverantörer minska friktionen och påskynda ersättningen. Ensemble har också samarbetat med Epic genom Rev Cyclers-programmet och utökat sitt arbete med Microsoft Azure generativ AI och maskinlärande för att främja AI-baserad intäktscykelverksamhet.

Vilka specifika brister i traditionella intäktscykelprocesser övertygade er om att en specialbyggd LLM var nödvändig?

Hälso- och sjukvårdssystem opererar med marginaler på 2-4 procent, medan initiala avvisningsfrekvenser stiger till 12-15 procent. Det är den brytpunkten som visar att traditionella intäktscykelmetoder inte löser det grundläggande problemet och att en fundamentalt annorlunda approach behövs. Den pressen påverkar varje del av organisationen, från personal till teknikutveckling och vårdkapacitet.

De flesta lösningar adresserar inte hela systemet som en helhet. Organisationer lämnas med fragmenterade verktyg, siloade data och avkopplad aktivitet som kräver sammanfogning av kontext genom promptteknik på allmänna modeller.

Den metoden är långsammare, dyrare, mindre konsekvent och svårare att hantera i stor skala.

En specialbyggd modell förändrar det genom att föra in historiska och realtidsdata i en styrd plattform. Den kan förutse betalningsbeteende, identifiera relevant intelligens, hjälpa till att minska avvisningar och fungera inom efterlevnads- och granskningsbara miljöer.

Har något sedan dina tidigare skrifter förstärkt eller förändrat din syn på allmän AI kontra specialbyggda modeller?

Vår fortsatta utveckling och distribution av AI-koordination över hela intäktscykeln har fortsatt att förstärka var frontier LLM fungerar bra och var det finns betydande luckor som vi adresserar med specialbyggda modeller.

Frontier LLM fungerar bra med kliniskt resonemang, men vi investerar kraftigt i att tillhandahålla kontext och expertis från våra läkare och sjuksköterskor som har decennier av erfarenhet av att överbrygga det kliniska och administrativa gapet inom hälso- och sjukvården. Det visar sig vara en kraftfull kombination som levererar exceptionella resultat genom att integrera dessa AI-lösningar med experter i processen.

Bredda modeller fortsätter att stöta på verkligheten i reglerade intäktscykelmiljöer och bristen på utbildningsdata för att navigera i nyanserade intäktscykelprocesser. Uttryckt enkelt identifierar av-the-shelf-AI ett sätt att nå ett svar, men saknar ofta nyansen för att leverera intelligens och processer som driver resultat och bästa prestanda.

Anpassning av allmänna modeller producerar fortfarande inkonsekvens, svag styrning och begränsad förmåga att hantera nyanser. Det är en strukturell begränsning, inte en verktygsfråga.

Ensemble bygger kapacitet och omkonstruerar processer och data för att leverera resultat – avvisningsförebyggande, förbättrat patientengagemang och tillgång till vård och förbättrad vårdalignering med betalare.

Vilka är de mest kritiska begränsningarna för promptteknik i kombination med allmänna modeller i intäktscykelverksamhet?

Löftet om AI i intäktscykeln handlar inte bara om att applicera en allmän modell på hälso- och sjukvårdsuppgifter – det handlar om om AI faktiskt förstår domänen. Begränsningarna för promptteknik på grundmodeller är att man uppnår kapabla generalistförmågor som klarar rimlighetsprovet på ytan, men saknar nyansen som krävs för att leverera bästa prestanda som kontinuerligt anpassar sig och förbättras. ‘Medicinsk nödvändighet’ betyder något annat för en nationell kommersiell betalare än vad det gör för en Medicare MAC, och den skillnaden bestämmer den ekonomiska prestandan. En modell som tränats på den öppna internetvetenskapen vet inte det, och promptteknik kan stänga några av dessa luckor, men missar fullständig och exakt kontextuell nyans.

Genom design är promptkonstruerade modeller statiska. De kan inte lära sig när en betalare tyst förändrar sitt utbetalningsbeteende, när ett nytt avvisningsmönster uppstår eller när en överklagandestrategi som fungerade förra kvartalet slutar fungera. På Ensemble har vi byggt den slutna återkopplingsloop som omvandlar varje anspråksutfall till intelligens – eftersom vi sitter i centrum för intäktscykeln över hundratals hälso- och sjukvårdssystem och betalare, i en skala som ingen enskild leverantör kan replikera internt.

Vad vi har funnit är att den verkliga skyddsmuren i AI-baserad intäktscykelhantering inte är modellen – det är data och expertisen som kodas in i den. Vi har tillbringat år med att operationalisera vad våra bästa avvisningsspecialister, kodare och betalare-relationsexperter gör för att leverera bästa prestanda. Man kan inte injicera det i ett systemprompt – det måste leva i hur modellen tränades, vad den utvärderas mot och hur den integreras i arbetsflödet.

AI-transformation inom hälso- och sjukvårdens intäktscykel kommer att skilja sig i två läger: organisationer som använder AI som en produktivitetslager ovanpå befintliga processer och organisationer som har byggt om intelligensen i processen själv. Ensemble är fast i det senare lägret – och för hälso- och sjukvårdssystem under marginaltryck är den skillnaden skillnaden mellan inkrementell förbättring och transformation.

Vad ser den exakta takten för prompt-tunga system ut i praktiken när det gäller att hantera betalaregler och flerstegsarbetsflöden?

Taket visar sig som inkonsekvens vid de punkter där intäktscykelprestanda beror på precision. Det handlar inte bara om rå accuracy. Det handlar om tillförlitlighet i verkliga driftsförhållanden.

Prompt-tunga system försöker införa intäktscykellogik vid inferenstid genom att ladda kontext i varje begäran. Det kan fungera i enklare scenarier, men det bryter ned med betalarespecifikt beteende, regulatorisk nyans och flerstegsberoenden.

Utdata kan vara riktigt riktade, men de är inte tillförlitliga nog för dag-till-dag-drift.

När komplexiteten ökar, stiger kostnaden och sammanhållningen minskar, vilket leder till luckor i sekvensering, missade beroenden och förlust av kontext över steg.

Därför fokuserar vi på modeller som är grundade i verkliga operativa data och är inbäddade direkt i intäktscykelaktivitet, snarare än att återskapa kontext på begäran.

Ser du betalare-AI och leverantörs-AI utvecklas till en kapprust, och hur bör hälso- och sjukvårdssystem svara?

Kapprust-ramen fångar inte fullständigt vad som händer. Både betalare och leverantörer tillämpar snabbt AI över förhandsgodkännande och anspråksbearbetning. I många fall ökar det friktionen snarare än att minska den och kan resultera i att automatiserade system interagerar utan upplösning.

AI i sig löser inte fragmenterad intäktscykelverksamhet. Tillämpat ovanpå fragmentering kan det förstärka problemet. Det starkare svaret är att flytta från reaktiv till proaktiv verksamhet. Det kräver synlighet över hela intäktscykeln, en starkare datagrund och förmågan att förutse betalares beteende, identifiera risk tidigare och lösa problem innan ansökan.

När organisationer opererar med den nivån av samordning och insikt, skiftar dynamiken från friktion till bättre prestanda. Vi levererar verkliga resultat, i den bemärkelsen att vi uppnår minskad friktion och snabbare samstämmighet med betalare vid varje steg – med AI omkonstruerad vid varje steg.

Hur säkerställer du att en modell som tränats utan identifierbar patientdata fortfarande fångar den verkliga komplexiteten?

Avsaknaden av identifierbar patientdata betyder inte avsaknad av verklig komplexitet.

Genom att hantera 80 miljoner transaktioner per år har Ensemble enat mer än två petabyte av leverantörs-, betalare- och klinisk data till en AI-klar tillgång. Den grunden speglar hur intäktscykelaktivitet faktiskt fungerar i stor skala, inklusive operatörens expertis, betalarespecifikt beteende och avvisningsmönster, och det låser upp prediktiv modellering, realtidsinsikter och agenter AI-arbetsflöden som hjälper till att skydda leverantörer mot betalningsförseningar och avvisningar.

Vi använder högkvalitativa syntetiska och avidentifierade dataset från certifierade källor i en HIPAA-kompatibel miljö. Dessa dataset bevarar strukturen, variabiliteten och randfallen som finns i verkliga scenarier.

Vi replikerar inte EHR. Vi tar en EHR-nativ approach, lägger till intelligens där det betyder mest, särskilt i områden som är knutna till betalarkrav och beslut som ligger utanför EHR.

Vi förbättrar den här metoden med världsklass-experter (MD, sjuksköterskor, intäktscykeloperatörer) som tillhandahåller metoden nyans och expertis som AI och data inte kan uppnå oberoende.

Den här metoden bevarar den verkliga komplexiteten, driver till resultat och prestanda samtidigt som den skyddar patientens integritet.

Hur översätter du mänskligt beslutsfattande och arbetsflöden till något en modell kan tillförlitligt lära sig och utföra?

Vad som gör att det fungerar är djupet av operatörens expertis bakom det. Att översätta det till vår modell handlar inte om att approximera expertis. Det handlar om att fånga hur erfarna team faktiskt arbetar.

Vi tränar på verkliga intäktscykeluppgifter och strukturerar systemet kring regler, beroenden och mönster som operatörer använder varje dag. De mest effektiva systemen kombinerar flera lager av intelligens. Deterministisk logik stöder steg som måste förbli konsekventa, som validering och policykontroller. Prediktiva modeller bedömer risk, som sannolikheten för avvisning. Resonemodeller hanterar komplexitet, inklusive tolkning och narrativgenerering.

Varje lager minskar osäkerheten och speglar hur högpresterande team opererar i praktiken.

Vad ser slut-till-slut-koordination ut som från patientintag till kontoresolution?

Slut-till-slut-koordination betyder att flytta från isolerat uppgiftsstöd till ett system som opererar över hela den kliniska-till-kassa-livscykeln.

Det börjar vid patientintag, med stöd för korrekt datainsamling, behörighetsverifiering och auktorisationskrav i realtid för att förhindra nedströmsproblem.

När dokumentation och kodning formas, justerar systemet aktiviteten med betalares förväntningar och identifierar risk tidigt. Genom fakturering och utbetalning övervakar det betalares beteende, kontraktsnyanser och potentiella underbetalningar.

När problem uppstår, kopplar systemet utfall tillbaka till rotorsakerna och matar insikt uppströms.

Idag förlitar sig många organisationer på 15 till 30 olika punktlösningar över intäktscykeln. Var och en förbättrar ett specifikt område, men de lär sig inte tillsammans. Glapp mellan funktioner tillåter intäktsläckage att bestå.

Koordination bringar detta samman genom enad data, samordnad intäktscykelaktivitet och tydligt ansvar, och skapar ett kontinuerligt lärande system över hela livscykeln.

Var brister nuvarande EHR, och hur utökar din approach deras kapacitet utan att störa befintlig infrastruktur?

EHR är grundläggande. De fungerar som system för register för klinisk och ekonomisk data.

De var inte utformade för att fungera som system för intelligens för intäktscykelverksamhet.

Glappet ligger i att koppla samman kontext över intäktscykeln. Medan EHR lagrar och organiserar information, tolkar de inte betalares beteende, förutser avvisningar eller vägleder användare genom komplex, flerstegsaktivitet som sträcker sig bortom deras gränser.

Mycket av arbetet som krävs för att hantera betalarkrav och undantag sker utanför EHR, vilket är där fragmentering utvecklas.

Vår approach kompletterar EHR snarare än att ersätta den. Vi arbetar inom befintliga miljöer, lägger till intelligens i områden där arbetet faktiskt sker.

Detta tillåter oss att minska den administrativa bördan, förbättra noggrannheten och hjälpa team att fokusera på högvärdigt arbete utan att kräva förändringar i kärninfrastruktur.

Hur ser du intäktscykeln utvecklas under de kommande fem åren, och vilken roll kommer mänskliga operatörer att fortsätta spela?

Under de kommande fem åren kommer intäktscykelverksamheten att skifta från reaktiv och arbetsintensiv till proaktiv och samordnad.

Mindre ansträngning kommer att läggas på omarbete som överklaganden och uppföljning, och mer kommer att fokuseras uppströms på förebyggande. Avvisningar och underbetalningar kommer alltmer att identifieras tidigare, vilket förbättrar både kostnadsstrukturen och den ekonomiska förutsägbarheten.

Den här skiftningen utökar möjligheterna för arbetsstyrkan. Idag är för mycket kvalificerad arbetskraft knuten till repetitiva uppgifter. När automatisering minskar den bördan kan team fokusera på undantags hantering, processförbättring, strategiskt beslutsfattande och patientvård

Roller försvinner inte. De utvecklas. Mänsklig expertis minskar inte. Den blir mer kritisk och mer central för den övergripande intäktscykelprestandan.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Ensemble Health Partners.