อンドรู เรย์ Chief Product and Innovation Officer ที่ Ensemble – สัมภาษณ์ ซีรีส์

อันดรู เรย์ Chief Product and Innovation Officer ที่ Ensemble มีประสบการณ์ความลึกที่จุดตัดของการเงินสุขภาพ การดำเนินงานวงจรรายได้ กลยุทธ์ผลิตภัณฑ์ และนวัตกรรม ที่ Ensemble เขาเป็นผู้นำผลิตภัณฑ์ การปรับปรุงการดำเนินงาน และการเริ่มต้นนวัตกรรม รวมถึงการเป็นพันธมิตร Rev Cycler ของบริษัทกับ Epic ประวัติของเขารวมถึงการเปลี่ยนแปลงผู้ให้บริการสุขภาพและการเติบโตเชิงกลยุทธ์ที่ McKinsey & Company การเป็นผู้นำวงจรรายได้ที่ Stanford Children’s Health และบทบาทที่ปรึกษาสุขภาพก่อนหน้านี้ที่ EY และ Triage Consulting Group ซึ่งให้พื้นฐานที่แข็งแกร่งทั้งในด้านการดำเนินงานและการเปลี่ยนแปลงสุขภาพที่ได้รับการสนับสนุนจากเทคโนโลยี

Ensemble Health Partners เป็นบริษัทจัดการวงจรรายได้สุขภาพที่ทำงานร่วมกับโรงพยาบาล ระบบสุขภาพ และการปฏิบัติงานของแพทย์ เพื่อปรับปรุงประสิทธิภาพทางการเงิน ประสบการณ์ของผู้ป่วย และประสิทธิภาพการดำเนินงาน บริษัทให้การสนับสนุน RCM อย่างครอบคลุมในพื้นที่ต่างๆ เช่น การมีส่วนร่วมของผู้ป่วย การเข้ารหัส การจัดการคำเรียกร้อง การป้องกันการปฏิเสธ การแสดงผลของผู้จ่าย และการชำระบัญชี โดยใช้การตัดสินใจโดยใช้ AI การอัตโนมัติ การวิเคราะห์ และแพลตฟอร์ม EIQ ของพวกเขาเพื่อช่วยให้ผู้ให้บริการลดการเสียดสีและเร่งการชำระเงิน Ensemble ยังได้ร่วมมือกับ Epic ผ่านโปรแกรม Rev Cyclers และขยายงานกับ Microsoft Azure AI ที่สร้างขึ้นและเรียนรู้ของเครื่องจักรเพื่อขับเคลื่อนการดำเนินงานวงจรรายได้ที่ได้รับการปรับปรุง

มีอะไรที่ทำให้คุณเชื่อว่าโมเดล LLM ที่สร้างขึ้นโดยเฉพาะเป็นสิ่งจำเป็น?

ระบบสุขภาพกำลังดำเนินงานด้วยอัตรากำไร 2% ถึง 4% ในขณะที่อัตราการปฏิเสธเริ่มต้นสูงถึง 12% ถึง 15% นั่นคือจุดที่แตกหักซึ่งแสดงให้เห็นว่าแนวทางปฏิบัติวงจรรายได้แบบดั้งเดิมไม่ได้แก้ไขปัญหาหลัก และแนวทางที่แตกต่างออกไปเป็นสิ่งจำเป็น ความกดดันนั้นส่งผลกระทบต่อทุกส่วนขององค์กร ตั้งแต่การวางแผนพนักงาน การลงทุนด้านเทคโนโลยี ไปจนถึงความสามารถในการดูแล

วิธีแก้ปัญหาส่วนใหญ่ไม่ได้กล่าวถึงระบบทั้งหมด Most solutions do not address the end-to-end system as a whole. องค์กรเหล่านั้นถูกทิ้งไว้เพียงเครื่องมือที่กระจัดกระจาย ข้อมูลที่แยกจากกัน และกิจกรรมที่ไม่เชื่อมต่อกันซึ่งต้องใช้การเชื่อมต่อความหมายผ่านการออกแบบคำสั่งบนโมเดลทั่วไป

แนวทางนี้ช้ากว่า มีค่าใช้จ่ายสูงขึ้น ไม่สอดคล้องกัน และยากต่อการบริหารจัดการในระดับใหญ่

โมเดลที่สร้างขึ้นโดยเฉพาะเปลี่ยนแปลงสิ่งนั้นโดยนำข้อมูลทางประวัติศาสตร์และแบบเรียลไทม์เข้าสู่แพลตฟอร์มที่มีการควบคุม มันสามารถคาดการณ์พฤติกรรมของผู้จ่าย ค้นหาข้อมูลที่เกี่ยวข้อง ช่วยลดการปฏิเสธ และดำเนินการภายในสภาพแวดล้อมที่สามารถตรวจสอบและตรวจสอบได้

มีอะไรที่ทำให้คุณมีมุมมองใหม่เกี่ยวกับ AI ทั่วไปเทียบกับโมเดลที่สร้างขึ้นโดยเฉพาะ?

การดำเนินงานและใช้งาน AI ที่ครอบคลุมทั่ววงจรรายได้ของเรายังคงยืนยันถึงจุดที่ LLM ชั้นนำมีความโดดเด่นและที่ที่เรากำลังแก้ไขช่องว่างเหล่านั้นด้วยโมเดลที่สร้างขึ้นโดยเฉพาะ

LLM ชั้นนำทำงานได้ดีในการให้เหตุผลทางคลินิก แต่เรากำลังลงทุนอย่างหนักในการให้ข้อมูลและความเชี่ยวชาญจากแพทย์และพยาบาลของเราที่มีประสบการณ์หลายสิบปีในการเชื่อมช่องว่างระหว่างสุขภาพและด้านการบริหารของสุขภาพ นั่นได้พิสูจน์แล้วว่าเป็นการผสมผสานที่ทรงพลังซึ่งให้ผลลัพธ์ที่น่าประทับใจโดยการฝังตัว AI เหล่านั้นด้วยผู้เชี่ยวชาญในวงจร

โมเดลทั่วไปยังคงเผชิญกับความเป็นจริงของสภาพแวดล้อมวงจรรายได้ที่มีการควบคุมและขาดข้อมูลฝึกอบรมสำหรับการนำทางกระบวนการวงจรรายได้ที่ซับซ้อน

การปรับโมเดลทั่วไปยังคงสร้างความไม่สอดคล้องกัน การกำกับดูแลที่อ่อนแอ และความสามารถในการจัดการความซับซ้อนที่จำกัด นี่คือข้อจำกัดเชิงโครงสร้าง ไม่ใช่ปัญหาด้านเครื่องมือ

Ensemble กำลังสร้างความสามารถและปรับปรุงกระบวนการและข้อมูลเพื่อให้บรรลุผลลัพธ์ – การป้องกันการปฏิเสธ การมีส่วนร่วมของผู้ป่วยที่ดีขึ้น และการเข้าถึงการดูแล และการดูแลที่สอดคล้องกับผู้จ่าย

อะไรคือข้อจำกัดที่สำคัญที่สุดของการออกแบบคำสั่งบนโมเดลทั่วไปในปฏิบัติการ RCM?

สัญญาของ AI ในวงจรรายได้ไม่ได้แค่เกี่ยวกับการใช้โมเดลทั่วไปกับงานสุขภาพเท่านั้น แต่เป็นเรื่องของว่า AI จริงๆ แล้วเข้าใจโดเมนนั้นหรือไม่ ข้อจำกัดของการออกแบบคำสั่งบนโมเดลทั่วไปคือคุณจะได้ความสามารถทั่วไปที่ผ่านการทดสอบความสมเหตุสมผลบนพื้นผิว แต่ขาดความซับซ้อนที่จำเป็นในการให้ผลลัพธ์ที่ดีที่สุดและปรับปรุงอย่างต่อเนื่อง ‘ความจำเป็นทางการแพทย์’ มีความหมายแตกต่างสำหรับผู้จ่ายเงินเชิงพาณิชย์ระดับชาติและ Medicare MAC และความแตกต่างนั้นกำหนดผลการเงิน โมเดลที่ฝึกอบรมบนอินเทอร์เน็ตแบบเปิดไม่ทราบสิ่งนั้น การออกแบบคำสั่งสามารถปิดช่องว่างบางส่วนได้ แต่พลาดความหมายที่สมบูรณ์และแม่นยำ

โดยการออกแบบ โมเดลที่ออกแบบคำสั่งเป็นแบบคงที่ ไม่สามารถเรียนรู้เมื่อผู้จ่ายเงินเปลี่ยนพฤติกรรมการชำระเงินอย่างเงียบๆ เมื่อรูปแบบการปฏิเสธใหม่เกิดขึ้น หรือเมื่อกลยุทธ์การอุทธรณ์ที่ทำงานได้เมื่อไตรมาสที่แล้วหยุดทำงานที่ Ensemble เราได้สร้างวงจรปิดที่เปลี่ยนผลลัพธ์ของการเรียกร้องให้เป็นข้อมูล – เนื่องจากเรานั่งอยู่ที่จุดศูนย์กลางของวงจรรายได้ข้ามระบบสุขภาพและผู้จ่ายเงินหลายร้อยแห่งในระดับที่ไม่มีผู้ให้บริการรายใดสามารถทำซ้ำภายในได้

สิ่งที่เราพบคือว่าประตูเมืองที่แท้จริงของ AI ที่ขับเคลื่อน RCM ไม่ใช่โมเดล – แต่เป็นข้อมูลและความเชี่ยวชาญที่เข้ารหัสไว้ เราใช้เวลาหลายปีในการดำเนินงานสิ่งที่ผู้เชี่ยวชาญการปฏิเสธที่ดีที่สุดของเรา ผู้เข้ารหัส และผู้เชี่ยวชาญด้านผู้จ่ายเงินทำเพื่อให้ผลลัพธ์ที่ดีที่สุด คุณไม่สามารถฉีดสิ่งนั้นเข้าไปในระบบได้ – มันจะต้องอาศัยอยู่ในกระบวนการฝึกอบรม โมเดลที่ถูกประเมิน และวิธีการที่รวมเข้ากับกระบวนการทำงาน

การเปลี่ยนแปลง AI ในวงจรรายได้สุขภาพจะแบ่งออกเป็นสองกลุ่ม – องค์กรที่ใช้ AI เป็นชั้นการผลิตบนกระบวนการที่มีอยู่ และองค์กรที่ได้สร้างความฉลาดเข้าไปในกระบวนการเอง Ensemble อยู่ในกลุ่มที่สอง – และสำหรับระบบสุขภาพที่อยู่ภายใต้แรงกดดันของอัตรากำไร สิ่งนี้คือความแตกต่างระหว่างการปรับปรุงที่เพิ่มขึ้นและการเปลี่ยนแปลง

ความแม่นยำสูงสุดของระบบที่มีน้ำหนักการออกแบบคำสั่งดูเหมือนอย่างไรในทางปฏิบัติเมื่อจัดการกับกฎของผู้จ่ายและกระบวนการหลายขั้นตอน?

เพดานนั้นปรากฏขึ้นในฐานะความไม่สอดคล้องกันที่จุด जह่างวงจรรายได้ขึ้นอยู่กับความแม่นยำ มันไม่เพียงแต่เกี่ยวกับความแม่นยำเท่านั้น แต่ยังเกี่ยวกับความน่าเชื่อถือในเงื่อนไขการดำเนินงานจริง

ระบบที่มีน้ำหนักการออกแบบคำสั่งพยายามแนะนำตรรกะวงจรรายได้ในช่วงเวลาที่อนุมานโดยการโหลดความหมายเข้าไปในแต่ละคำขอ ซึ่งสามารถทำงานได้ในสถานการณ์ที่ง่ายกว่า แต่จะพังทลายลงเมื่อเผชิญกับพฤติกรรมของผู้จ่าย ความซับซ้อนของกฎระเบียบ และความพึ่งพาทางการหลายขั้นตอน

ผลลัพธ์อาจมีทิศทางที่ถูกต้อง แต่ไม่น่าเชื่อถือพอที่จะใช้ในการดำเนินงานประจำวัน

เมื่อความซับซ้อนเพิ่มขึ้น ค่าใช้จ่ายเพิ่มขึ้น และความสอดคล้องลดลง ส่งผลให้เกิดช่องว่างในการเรียงลำดับ ขาดการเชื่อมต่อ และการสูญเสียความหมายข้ามขั้นตอน

นั่นเป็นเหตุผลที่เรามุ่งเน้นไปที่โมเดลที่มีพื้นฐานมาจากข้อมูลการดำเนินงานจริงและฝังอยู่ในกิจกรรมวงจรรายได้โดยตรง แทนที่จะสร้างความหมายขึ้นมาใหม่เมื่อถึงเวลาที่ต้องการ

คุณเห็น AI ของผู้จ่ายและผู้ให้บริการพัฒนาขึ้นเป็นการแข่งขันอย่างไร และระบบสุขภาพควรตอบสนองอย่างไร?

การสร้างกรอบการแข่งขันไม่ได้จับภาพสิ่งที่เกิดขึ้นทั้งหมดทั้งผู้จ่ายและผู้ให้บริการกำลังใช้ AI อย่างรวดเร็วในการอนุมัติล่วงหน้าและการประมวลผลการเรียกร้อง ในหลายกรณี สิ่งนี้เพิ่มการเสียดสีแทนที่จะลดลง และอาจส่งผลให้ระบบอัตโนมัติสื่อสารกันโดยไม่มีการแก้ไข

AI เพียงอย่างเดียวไม่ได้แก้ไขปัญหาการดำเนินงานวงจรรายได้ที่กระจัดกระจาย เมื่อนำไปใช้บนการกระจายส่วนประกอบ AI สามารถเพิ่มปัญหาได้ การตอบสนองที่แข็งแกร่งกว่าคือการเปลี่ยนจากการดำเนินงานที่ตอบสนองเป็นการดำเนินงานที่มีการวางแผนล่วงหน้า ซึ่งต้องมีการมองเห็นข้ามวงจรรายได้ทั้งหมด พื้นฐานข้อมูลที่แข็งแกร่ง และความสามารถในการคาดการณ์พฤติกรรมของผู้จ่าย ระบุความเสี่ยงเร็วขึ้น และแก้ไขปัญหาก่อนที่จะส่ง

เมื่อองค์กรดำเนินงานด้วยระดับการประสานงานและข้อมูลเชิงลึกนั้น การเปลี่ยนแปลงจะเปลี่ยนจากความเสียดสีเป็นประสิทธิภาพที่ดีกว่า เรากำลังให้ผลลัพธ์ที่แท้จริงในด้านนั้น โดยที่เรากำลังบรรลุการลดการเสียดสีและจัดตำแหน่งที่เร็วขึ้นกับผู้จ่ายที่ทุกขั้นตอน – ด้วย AI ที่ได้รับการปรับปรุงใหม่ที่ทุกขั้นตอน

คุณรับรองว่าโมเดลที่ฝึกอบรมโดยไม่มีข้อมูลผู้ป่วยที่สามารถระบุได้ vẫnจับข้อมูลความซับซ้อนที่แท้จริงของโลกได้อย่างไร?

การไม่มีข้อมูลผู้ป่วยที่สามารถระบุได้ไม่ได้หมายความว่าขาดความซับซ้อนที่แท้จริงของโลก

โดยการจัดการธุรกรรม 80 ล้านรายการต่อปี Ensemble ได้รวมข้อมูลผู้ให้บริการ ผู้จ่าย และคลินิกมากกว่า 2 เพตาบายต์เข้าเป็นทรัพย์สินที่พร้อมสำหรับ AI ซึ่งสะท้อนถึงวิธีการดำเนินงานวงจรรายได้จริงในระดับใหญ่ รวมถึงความเชี่ยวชาญของผู้ดำเนินงาน พฤติกรรมของผู้จ่าย และรูปแบบการปฏิเสธ และเปิดใช้งานการสร้างแบบจำลองที่คาดการณ์ได้ ข้อมูลเชิงลึกแบบเรียลไทม์ และการทำงานของ AI ที่ช่วยให้ผู้ให้บริการป้องกันการชำระเงินที่ล่าช้าและการปฏิเสธ

เราใช้เซตข้อมูลสังเคราะห์และไม่ระบุชื่อที่มีคุณภาพสูงจากแหล่งที่ได้รับการรับรองในสภาพแวดล้อมที่ปฏิบัติตาม HIPAA เซตข้อมูลเหล่านี้ยังคงรักษาโครงสร้าง ความแปรผัน และกรณีชายขอบที่มีอยู่ในสถานการณ์จริงของโลก

เรามุ่งเน้นไปที่การเพิ่มความฉลาดในพื้นที่ที่สำคัญที่สุด โดยเฉพาะในด้านที่เกี่ยวข้องกับข้อกำหนดของผู้จ่ายและความตัดสินใจที่อยู่นอก EHR

เราส่งเสริมแนวทางนี้ด้วยผู้เชี่ยวชาญชั้นนำ (แพทย์ พยาบาล ผู้ดำเนินงานวงจรรายได้) ที่ให้ความเชี่ยวชาญและความแตกต่างที่ AI และข้อมูลไม่สามารถบรรลุได้ด้วยตนเอง

แนวทางนี้รักษาความซับซ้อนที่แท้จริงของโลก ส่งผลให้เกิดผลลัพธ์และประสิทธิภาพในขณะเดียวกันก็ปกป้องความเป็นส่วนตัวของผู้ป่วย

คุณแปลการตัดสินใจของมนุษย์และกระบวนการทำงานให้เป็นสิ่งที่โมเดลสามารถเรียนรู้และดำเนินการได้อย่างน่าเชื่อถือได้อย่างไร?

สิ่งที่ทำให้สิ่งนี้ทำงานคือความลึกของความเชี่ยวชาญของผู้ดำเนินงานเบื้องหลัง เราไม่ได้พยายามประมาณความเชี่ยวชาญ แต่พยายามจับวิธีการทำงานของทีมที่มีประสบการณ์

เราฝึกอบรมบนงานวงจรรายได้จริงและสร้างระบบโดยรอบกฎ ข้อพึ่งพา และรูปแบบที่ผู้ดำเนินงานใช้ทุกวัน ระบบที่มีประสิทธิภาพสูงสุดรวมหลายชั้นของความฉลาด ตรรกะเชิงนิรนัยสนับสนุนขั้นตอนที่ต้องคงไว้ เช่น การตรวจสอบและตรวจสอบนโยบาย โมเดลการคาดการณ์ประเมินความเสี่ยง เช่น ความน่าจะเป็นของการปฏิเสธ โมเดลการให้เหตุผลจัดการกับความซับซ้อน รวมถึงการตีความและการสร้างเรื่องราว

แต่ละชั้นลดความไม่แน่นอนและสะท้อนถึงวิธีการทำงานของทีมที่มีประสิทธิภาพสูงในทางปฏิบัติ

การประสานงานแบบ end-to-end มีลักษณะอย่างไรตั้งแต่การรับเข้าผู้ป่วยจนถึงการชำระบัญชี?

การประสานงานแบบ end-to-end หมายถึงการเปลี่ยนจากการสนับสนุนงานที่แยกจากกันไปสู่ระบบที่ดำเนินการทั่วทั้งชีวิตการเงินสุขภาพ

เริ่มต้นที่การรับเข้าผู้ป่วย โดยการสนับสนุนการบันทึกข้อมูลที่ถูกต้อง การตรวจสอบสิทธิ์ และข้อกำหนดในการอนุมัติในแบบเรียลไทม์เพื่อป้องกันปัญหาในภายหลัง

เมื่อเอกสารและการเข้ารหัสเริ่มรูปเป็นร่าง ระบบจะจัดตำแหน่งกิจกรรมให้สอดคล้องกับความคาดหวังของผู้จ่ายและระบุความเสี่ยงเร็วๆ นี้ ในระหว่างการเรียกเก็บเงินและการชำระเงิน ระบบจะตรวจสอบพฤติกรรมของผู้จ่าย ความแตกต่างของสัญญา และการชำระเงินที่อาจเกิดขึ้น

เมื่อเกิดปัญหา ระบบจะเชื่อมโยงผลลัพธ์กลับไปยังต้นตอและให้ข้อมูลเชิงลึกขึ้นไป

ปัจจุบันหลายองค์กรพึ่งพาโซลูชันจุด 15 ถึง 30 โซลูชันข้ามวงจรรายได้ แต่ละโซลูชันปรับปรุงพื้นที่เฉพาะ แต่ไม่ได้เรียนรู้ร่วมกัน ช่องว่างระหว่างฟังก์ชันทำให้การรั่วไหลของรายได้ดำเนินต่อไป

การประสานงานรวมสิ่งนี้เข้าด้วยกันผ่านข้อมูลที่เป็นเอกภาพ การดำเนินงานวงจรรายได้ที่ประสานกัน และความรับผิดชอบที่ชัดเจน ทำให้เกิดระบบการเรียนรู้อย่างต่อเนื่องทั่วทั้งชีวิต

ระบบ EHR ปัจจุบันขาดไปในด้านใด และแนวทางของคุณขยายความสามารถของพวกเขาโดยไม่ทำให้โครงสร้างพื้นฐานที่มีอยู่เสียหาย?

EHR เป็นพื้นฐาน ทำหน้าที่เป็นระบบบันทึกสำหรับข้อมูลทางคลินิกและทางการเงิน

พวกมันไม่ได้ถูกออกแบบมาเพื่อทำหน้าที่เป็นระบบข้อมูลสำหรับการดำเนินงานวงจรรายได้

ช่องว่างนั้นคือการเชื่อมต่อความหมายข้ามวงจรรายได้ ในขณะที่ EHR จัดเก็บและจัดระเบียบข้อมูล พวกมันไม่ได้ตีความพฤติกรรมของผู้จ่าย คาดการณ์การปฏิเสธ หรือช่วยผู้ใช้ในการดำเนินงานที่ซับซ้อนและหลายขั้นตอนซึ่งเกินขอบเขตของพวกมัน

งานส่วนใหญ่ที่ต้องการจัดการข้อกำหนดของผู้จ่ายและข้อยกเว้นเกิดขึ้นนอก EHR ซึ่งเป็นที่ที่การกระจายส่วนประกอบเกิดขึ้น

แนวทางของเราคือการเสริม EHR แทนที่จะแทนที่ มันทำงานภายในสภาพแวดล้อมที่มีอยู่ โดยการเพิ่มความฉลาดในพื้นที่ที่ทำงานจริง

สิ่งนี้ช่วยให้เราลดภาระการบริหาร ปรับปรุงความแม่นยำ และช่วยให้ทีมมุ่งเน้นไปที่กิจกรรมที่มีคุณค่ามากขึ้น โดยไม่ต้องเปลี่ยนแปลงโครงสร้างพื้นฐานหลัก

คุณเห็นอนาคตของวงจรรายได้เปลี่ยนแปลงไปอย่างไรในช่วงห้าปีถัดไป และบทบาทของมนุษย์จะดำเนินต่อไปอย่างไร?

ในช่วงห้าปีถัดไป การดำเนินงานวงจรรายได้จะเปลี่ยนจากการตอบสนองและใช้แรงงานมากเป็นการตอบสนองและประสานกันมากขึ้น

ความพยายามจะถูกใช้น้อยลงในการทำงานซ้ำ เช่น การอุทธรณ์และการติดตาม และจะเน้นไปที่การป้องกันขึ้นไป

การปฏิเสธและการชำระเงินที่ไม่ถูกต้องจะถูกตรวจพบเร็วขึ้น ซึ่งจะปรับปรุงโครงสร้างต้นทุนและความสามารถในการคาดการณ์ทางการเงิน

การเปลี่ยนแปลงนี้จะขยายโอกาสให้กับแรงงาน ปัจจุบันแรงงานที่มีทักษะสูงเกินไปที่ผูกติดกับงานซ้ำๆ เมื่อการอัตโนมัติลดภาระนั้น ทีมสามารถมุ่งเน้นไปที่การบริหารจัดการข้อยกเว้น การปรับปรุงกระบวนการ การตัดสินใจเชิงกลยุทธ์ และการดูแลผู้ป่วย

บทบาทไม่หายไป มันพัฒนาไป Human expertise ไม่ลดลง มันกลายเป็นสิ่งสำคัญและเป็นศูนย์กลางของการดำเนินงานวงจรรายได้ที่ดีขึ้น

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Ensemble Health Partners เพื่อเรียนรู้เพิ่มเติม