Ensemble’de Ürün ve İnovasyon Başkanı Andrew Ray ile Röportaj Serisi

Andrew Ray, Ensemble’de Ürün ve İnovasyon Başkanı, sağlık finansmanı, gelir döngüsü operasyonları, ürün stratejisi ve inovasyonun kesişme noktasında derin bir deneyim getiriyor. Ensemble’da, şirketin Epic ile olan Rev Cycler ortaklığı da dahil olmak üzere ürün, operasyonel iyileştirme ve inovasyon girişimlerini yönetiyor. Geçmişi, McKinsey & Company’de sağlık hizmeti sağlayıcı dönüşümü ve stratejik büyüme çalışması, Stanford Çocuk Sağlığı’nda gelir döngüsü liderliği ve EY ve Triage Consulting Group’ta daha önceki sağlık danışmanlık rollerini içeriyor, bu da hem operasyonel yürütme hem de teknoloji destekli sağlık dönüşümünde güçlü bir temel sağlıyor.

Ensemble Health Partners bir sağlık gelir döngüsü yönetimi şirketidir ve hastaneler, sağlık sistemleri ve hekim muayenehaneleri ile birlikte finansal performansı, hasta deneyimini ve operasyonel verimliliği iyileştirmek için çalışır. Şirket, hasta katılımı, kodlama, talepler yönetimi, ret önleme, ödemeci performansı ve hesap çözümü gibi alanlarda uçtan uca RCM desteği sunar ve AI destekli karar verme, otomasyon, analiz ve EIQ gelir döngüsü zekası platformunu kullanarak sağlayıcıların sürtünmeyi azaltmasına ve ödemeyi hızlandırmasına yardımcı olur. Ensemble, ayrıca Epic ile Rev Cyclers Programı aracılığıyla ortaklık kurdu ve Microsoft Azure üretken AI ve makine öğrenimi ile gelir döngüsü operasyonlarını geliştirmek için çalışmalarını genişletti.

Geleneksel RCM iş akışlarında hangi cụ thể bozulmalar, size özel bir LLM’nin gerekli olduğunu gösterdi? 

Sağlık sistemleri %2 ile %4 arasında marjlarla çalışırken, ilk ret oranları %12 ile %15’e çıkıyor. Bu, geleneksel gelir döngüsü yaklaşımlarının temel sorunu çömediğini ve temelde farklı bir yaklaşımın gerekli olduğunu gösteren kırılma noktasıdır. Bu baskı, personele kadar teknoloji yatırımlarına, bakım kapasitesine kadar tüm kuruluşu etkiliyor.

Çoğu çözüm, tüm sistemi olarak değil, sadece bir bölümünü ele alıyor. Kuruluşlar, parçalı araçlar, silo veri ve bağlantısız faaliyetle bırakılıyor ve bu faaliyet, genel amaçlı modellerde.prompt mühendisliği yoluyla bağlamı bir araya getirmeye dayanmaktadır.

Bu yaklaşım daha yavaş, daha pahalı, daha az tutarlı ve ölçekte yönetmesi zordur.

Özel bir model bunu değiştirir, tarihi ve gerçek zamanlı verileri yönetilen bir platforma getirerek. Ödemeci davranışını öngörebilir, ilgili bilgileri ortaya çıkarabilir, retleri azaltmaya yardımcı olabilir ve uyumlu, denetlenebilir ortamlarda çalışabilir.

Daha önceki yazılarınızdan bu yana, genel AI’ye kıyasla özel olarak inşa edilmiş modeller hakkındaki perspektifinizi pekiştiren veya değiştiren bir şey oldu mu? 

Gelir döngüsü boyunca uçtan uca AI orkestrasyonunun sürekli geliştirilmesi ve dağıtılması, nerede sınır AI’lerinin parladığını ve nerede önemli boşluklar olduğunu ortaya koydu ve bunları özel olarak inşa edilmiş modellerle ele alıyoruz.

Sınır AI’leri klinik akıl yürütme ile iyi performans gösterir, ancak doktorlar ve hemşirelerden oluşan uzman ekibin sağladığı bağlamı ve uzmanlığı sağlayarak, sınır AI’lerini uzmanlarla bir araya getirmeye yatırım yapıyoruz. Bu, uzmanların sağladığı uzmanlık ve AI’nin sağladığı güçle birlikte, olağanüstü sonuçlar elde edilmesini sağlıyor.

Genel modeller, düzenlenmiş gelir döngüsü ortamlarının gerçekliklerine ve gelir döngüsü süreçlerini gezinmek için gerekli eğitim verilerinin eksikliğine devam ediyor. Basitçe söyleyerek, genel AI, bir sorunun cevabını bulmak için bir yol sağlar, ancak sonuçları ve en iyi performansı elde etmek için gereken süreci thường olarak teslim edemez.

Genel modelleri uyarlamak hala tutarsızlık, zayıf yönetim ve nüansları yönetme kabiliyeti sınırlıdır. Bu, bir araç sorunu değil, yapısal bir sınırlamadır.

Ensemble, gelir döngüsü sonuçlarını teslim etmek için yetenekleri inşa ediyor ve süreçleri yeniden mühendislik yapıyor ve verileri dönüştürüyor. Ret önleme, hasta katılımının iyileştirilmesi ve bakım erişiminin iyileştirilmesi ve ödemecilerle bakım hizalamasının iyileştirilmesi gibi sonuçlara odaklanıyoruz.

RCM operasyonlarında genel amaçlı modellere katmanlanan.prompt mühendisliğinin en kritik sınırlamaları nelerdir? 

AI’nin gelir döngüsündeki vaadi, sadece genel amaçlı bir modeli sağlık görevlerine uygulamak değil, AI’nin gerçekten alanını anladığından emin olmaktır. Temel modellere.prompt mühendisliğinin sınırlaması, yüzeyde makul görünmesine rağmen, en iyi performansın teslim edilmesini sağlayan nüansı teslim edememektir. ‘Tıbbi gereklilik’, ulusal ticari bir ödemeci için farklı bir anlam taşır, Medicare MAC için farklı bir anlam taşır ve bu fark finansal performansı belirler. Açık internet üzerinde eğitilen bir model bunu bilmez,.prompt mühendisliği bazı boşlukları kapatabilir, ancak tam ve doğru bağlamsal nüansı kaçırır.

Tasarım olarak,prompt mühendisliği yapılan modeller statiktir. Bir ödemeci sessizce tahkim davranışını değiştirdiğinde, yeni bir ret modeli ortaya çıktığında veya bir önceki çeyrekte çalışan bir temyiz stratejisi artık çalışmadığında, bunları öğrenemez. Ensemble’da, her talep sonucunu istihbarata dönüştüren kapalı bir geri bildirim döngüsü inşa ettik – çünkü yüzlerce sağlık sistemi ve ödemeci boyunca gelir döngüsünün merkezinde yer alıyoruz, hiçbir sağlayıcının içsel olarak tekrarlayamayacağı bir ölçekte.

Gerçek bir hendek, model değil, veridir – ve bu verilere kodlanmış uzmanlıktır. En iyi ret uzmanlarımızın, kodlayıcılarımızın ve ödemeci ilişkileri uzmanlarımızın neler yaptığını yıllarca operasyonelleştirdik ve bu, sınır AI’leri ile teslim edilemeyecek sonuçlar sunuyor. Bunu bir sisteme enjekte edemezsiniz – modelin nasıl eğitildiğine, neye karşı değerlendirildiğine ve iş akışına nasıl entegre edildiğine bağlı olarak yaşamalıdır.

Sağlık gelir döngüsündeki AI dönüşümü, AI’yi mevcut süreçlerin üzerine bir verimlilik katmanı olarak kullanan kuruluşlar ve süreci kendisi içinde zekayı yeniden inşa eden kuruluşlar olarak ikiye ayrılacaktır. Ensemble, ikinci grupta yer alıyor – ve marj baskısı altındaki sağlık sistemleri için bu ayrım, kademeli iyileştirme ile dönüşüm arasındaki farktır.

Prompt-ağır sistemlerin doğruluk tavanı, ödemeci kuralları ve çok adımlı iş akışları ile başa çıkarken pratikte nasıl görünüyor? 

Tavan, gelir döngüsü performansının kesinliğe bağlı olduğu noktalarda ortaya çıkıyor. Sadece ham doğruluk değil, gerçek işletme koşullarında güvenilirliktir.

Prompt-ağır sistemler, her istek için bağlamı yükleyerek gelir döngüsü mantığını çıkarım zamanında tanıtmaya çalışırlar. Bu, daha basit senaryolarda çalışabilir, ancak ödemeciye özgü davranış, düzenleyici nüans ve çok adımlı bağımlılıklarla başa çıkmaz.

Çıktılar yönü doğru olabilir, ancak günlük operasyonlar için yeterli güvenilirlikte değildir.

Karmaşıklık arttıkça, maliyet artar ve tutarlılık azalır, bu da adımlar arasındaki sıralama boşluklarına, kaçırılan bağımlılıklara ve adımlar arasında bağlam kaybına yol açar.

Bu nedenle, gelir döngüsü faaliyetine doğrudan gömülü olan ve gerçek operasyonel verilerle temellenen modellere odaklanıyoruz, değil de bağlamı talep üzerine yeniden inşa etmeye.

Ödemeci AI’si ve sağlayıcı AI’sinin bir silah yarışına dönüşeceğini düşünüyor musunuz ve sağlık sistemlerinin nasıl yanıt vermesi gerekiyor? 

Silah yarışması çerçevesi tam olarak neler olduğu hakkında yeterli bilgi vermiyor. Hem ödemeciler hem de sağlayıcılar, önceden yetkilendirme ve talepler işleme gibi alanlarda hızla AI’yi uygulamaktadırlar. Çoğu durumda, bu, sürtünmeyi azaltmak yerine artırmaktadır ve otomatik sistemlerin çözülmeden etkileşime girmesine neden olabilir.

AI, gelir döngüsü operasyonlarının parçalı doğasını çözmez. Parçalanmaya uygulanırsa, sorunu daha da kötüleştirebilir. Daha güçlü bir yanıt, reaktif operasyonlardan proaktif operasyonlara geçmektir. Bu, tüm gelir döngüsü boyunca görünürlük, daha güçlü bir veri temeli ve ödemeci davranışını öngörme, riski erken tanıma ve sunmadan önce sorunları çözme yeteneği gerektirir.

Kuruluşlar bu düzeyde koordinasyon ve içgörüyle çalıştıklarında, dinamik sürtünmeden güçlü performansa kayiyor. AI’yi her adımda yeniden mühendislik yaparak, gerçekten sonuçlar elde ediyoruz – her adımda ödemecilerle daha az sürtünme ve daha hızlı hizalanma.

Tanılama verisi olmadan eğitilen bir modelin gerçek dünya karmaşıklığını yakalayabilmesi nasıl sağlanıyor? 

Tanılama verisi olmaması, gerçek dünya karmaşıklığının olmaması anlamına gelmez.

Yılda 80 milyon işlemi yöneten Ensemble, sağlayıcı, ödemeci ve klinik verilerin 2 petabaytını AI’ye hazır bir varlık olarak birleştirdi. Bu temel, gelir döngüsü faaliyetinin gerçekten nasıl işlediğini yansıtıyor – operatör uzmanlığı, ödemeciye özgü davranış, ret modelleri ve öngörücü modelleme, gerçek zamanlı içgörüler ve ajans AI iş akışları gibi faktörleri içeriyor. Bu, sağlayıcıları ödeme gecikmeleri ve retlerinden korumaya yardımcı oluyor.

Sertifikalı kaynaklardan yüksek kaliteli sentetik ve tanımlayıcı olmayan veri kümelerini, HIPAA uyumlu bir ortamda kullanıyoruz. Bu veri kümeleri, gerçek dünya senaryolarında bulunan yapıyı, değişkenliği ve kenar durumlarını korur.

EHR’ye özgü bir yaklaşım sunuyoruz, özellikle ödemeci gereksinimlerine ve EHR sınırlarının ötesinde yer alan kararlarla ilgili alanlarda zekayı ekliyoruz.

Bu yaklaşımı, AI ve veri tarafından bağımsız olarak elde edilemeyen nüans ve uzmanlığı sağlayan dünya çapında uzmanlar (doktorlar, hemşireler, gelir döngüsü operatörleri) ile güçlendiriyoruz.

Bu yaklaşım, gerçek dünya karmaşıklığını korur, sonuçlara ve performansa ulaşır ve hasta gizliliğini korur.

İnsan karar verme ve iş akışlarını bir modelin güvenilir bir şekilde öğrenip uygulayabileceği bir şeye nasıl çeviriyorsunuz? 

Bu, arkasındaki operatör uzmanlığının derinliğiyle çalışıyor. Bunu modelimize aktarmak, uzmanlığı yaklaşık olarak yakalamak değil, deneyimli ekiplerin gerçekten nasıl çalıştığını yakalamaktır.

Gerçek gelir döngüsü görevleri üzerinde eğitim veriyoruz ve sistemi, operatörlerin her gün kullandığı kurallar, bağımlılıklar ve kalıplar etrafında yapılandırıyoruz. En etkili sistemler, birden fazla zeka katmanını birleştirir. Belirleyici mantık, doğrulama ve politika kontrolleri gibi tutarlı kalan adımları destekler. Öngörücü modeller, ret olasılığını değerlendirir. Akıl yürütme modelleri, yorumlama ve anlatı oluşturma gibi karmaşıklığı ele alır.

Her katman belirsizliği azaltır ve yüksek performanslı ekiplerin nasıl çalıştığını yansıtır.

Uçtan uca orkestrasyon, hasta kabulünden hesap çözümüne kadar gerçekten nasıl görünüyor? 

Uçtan uca orkestrasyon, izole görev desteğinden, tüm klinikten nakite yaşam döngüsü boyunca çalışan bir sisteme geçmek anlamına geliyor.

Hasta kabulü ile başlıyor, doğru veri yakalamayı, uygunluk doğrulamayı ve yetkilendirme gereksinimlerini gerçek zamanlı olarak destekleyerek aşağı akış sorunlarını önlemek için.

Belgeleme ve kodlama şekillenirken, sistem faaliyeti ödemeci beklentileriyle hizalar ve riski erken tanımlar. Faturalama ve tahkim sırasında, ödemeci davranışını, sözleşme nüanslarını ve potansiyel eksik ödemeleri izler.

Sorunlar ortaya çıktığında, sonuçları kök nedenlere bağlar ve içgörüyü yukarı akışa besler.

Bugün, birçok kuruluş, gelir döngüsü boyunca 15 ila 30 farklı nokta çözümü kullanıyor. Her biri belirli bir alanı iyileştirir, ancak birlikte öğrenmezler. Fonksiyonlar arasındaki boşluklar, gelir sızıntısına izin verir.

Orkestrasyon, bu boşlukları birleştirerek, birleşik verileri, koordine edilmiş gelir döngüsü faaliyetini ve net hesap verebilirliği sağlar ve tüm yaşam döngüsü boyunca sürekli öğrenen bir sistem oluşturur.

Mevcut EHR’ler nerede yetersiz kalıyor ve yaklaşımınız mevcut altyapıyı bozmadan onların yeteneklerini nasıl genişletiyor? 

EHR’ler temel teşkil ediyor. Klinik ve finansal veri için kayıt sistemi olarak hizmet ediyorlar.

Gelir döngüsü operasyonları için zeka sistemleri olarak tasarlanmadılar.

Boşluk, gelir döngüsünü tüm olarak bağlamsal olarak bağlamakta yatıyor. EHR’ler bilgi depoluyor ve organize ediyor, ancak ödemeci davranışını yorumlayamaz, retleri öngörmez veya kullanıcıları EHR sınırlarının ötesinde uzanan karmaşık, çok adımlı faaliyetler boyunca yönlendiremez.

Gereken çok iş, EHR dışında gerçekleşir ve burada parçalanma gelişir.

Yaklaşımımız, EHR’yi tamamlıyor, değil de değiştiriyor. Mevcut ortamlarda çalışıyoruz ve zeka ekliyoruz, özellikle ödemeci gereksinimlerine ve kararlarına bağlı alanlarda.

Bu, idari yükü azaltmamıza, doğruluğu iyileştirmemize ve ekiplerin daha değerli faaliyetlere odaklanmasına yardımcı olur, temel altyapıda değişiklikler gerektirmez.

Gelir döngüsünün gelecek beş yıl içinde nasıl evrileceğini öngörüyorsunuz ve insan operatörlerin bu sürece devam ettireceği rol nedir? 

Gelir döngüsü operasyonları, reaktif ve emek yoğun olmaktan proaktif ve koordine olmaya doğru kayacak.

Daha az çaba, yeniden çalışma gibi faaliyetlere harcanacak, daha fazla çaba, önleme üzerine odaklanacak. Retler ve eksik ödemeler, maliyet yapısını ve finansal öngörülebilirliği iyileştirecek şekilde daha erken tespit edilecek.

Bu dönüşüm, işgücü için fırsatları genişletiyor. Bugün, çok fazla becerikli emek, tekrarlayan görevlere bağlı. Otomasyon bu yükü azalttıkça, ekipler istisna yönetimi, süreç iyileştirme, stratejik karar verme ve hasta bakımına odaklanabilecek.

Roller ortadan kaybolmuyor, evrim geçiriyor. İnsan uzmanlığı azalmıyor, daha kritik ve gelir döngüsü performansına daha merkezi hale geliyor.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Ensemble Health Partners ziyaret edebilir.