Андрій Рей, головний директор з продукту та інновацій в Ensemble – Серія інтерв’ю

Андрій Рей, головний директор з продукту та інновацій в Ensemble, має глибокий досвід на перетині фінансів охорони здоров’я, операцій циклу доходів, стратегії продукту та інновацій. В Ensemble він очолює ініціативи з продукту, оперативного поліпшення та інновацій, включаючи партнерство компанії з Epic у рамках програми Rev Cycler. Його досвід включає роботу з трансформацією та стратегічним зростанням охорони здоров’я в McKinsey & Company, керівництво циклом доходів у Stanford Children’s Health та попередню роботу з охорони здоров’я в EY та Triage Consulting Group, що надало йому сильну основу як в операційній діяльності, так і в технологічній трансформації охорони здоров’я.

Ensemble Health Partners – це компанія з управління циклом доходів охорони здоров’я, яка працює з лікарнями, системами охорони здоров’я та практиками лікарів для поліпшення фінансових результатів, досвіду пацієнтів та оперативної ефективності. Компанія надає комплексну підтримку управління циклом доходів у таких сферах, як взаємодія з пацієнтами, кодування, управління вимогами, запобігання відмовам, виконання вимог платників та вирішення рахунків, використовуючи прийняття рішень на основі штучного інтелекту, автоматизацію, аналіз даних та свою платформу інтелекту циклу доходів EIQ для допомоги постачальникам у скороченні труднощів та прискоренні оплати. Ensemble також уклала партнерство з Epic у рамках програми Rev Cyclers та розширила свою роботу з Microsoft Azure генеративного штучного інтелекту та машинного навчання для розвитку операцій циклу доходів на основі штучного інтелекту.

Які конкретні порушення традиційних робочих процесів управління циклом доходів переконали вас у необхідності спеціально створеного моделі LLM? 

Системи охорони здоров’я працюють при маржі 2% до 4%, тоді як початкові показники відмов сягають 12% до 15%. Це той переломний момент, який показує, що традиційні підходи до управління циклом доходів не розв’язують основну проблему та що потрібний фундаментально інший підхід. Цей тиск впливає на кожну частину організації, від кадрів до інвестицій у технології та потужності лікування.

Більшість рішень не звертають увагу на систему в цілому. Організації залишаються з фрагментованими інструментами, ізольованими даними та відокремленою діяльністю, яка залежить від створення контексту за допомогою інженерії запитів на загальних моделях.

Цей підхід є повільнішим, дорожчим, менш послідовним і важким для управління у масштабі.

Спеціально створена модель змінює це, вводячи історичні та реальні дані у керовану платформу. Вона може передбачити поведінку платників, розкрити відповідну інформацію, допомогти скоротити кількість відмов та працювати в середовищі, що відповідає вимогам та аудиту.

Чи змінилося щось після ваших попередніх написів, що підкріплює чи змінило вашу точку зору щодо загального штучного інтелекту проти спеціально створених моделей? 

Наш подальший розвиток та розгортання оркестровки штучного інтелекту на основі кінцевих результатів по всьому циклу доходів продовжує підкріплювати, де передові моделі LLM блискуче працюють, а де існують значні пробіли, які ми звертаємо уваги з допомогою спеціально створених моделей.

Передові моделі LLM працюють добре з клінічним мисленням, але ми суттєво інвестуємо у надання контексту та експертизи від наших лікарів та медсестер, які мають десятилітній досвід у поєднанні клінічної та адміністративної частини охорони здоров’я. Це виявляється потужною комбінацією, яка забезпечує виняткові результати шляхом вбудовування цих рішень штучного інтелекту з експертами у процес.

Широкі моделі продовжують зіштовхуватися з реаліями регульованих середовищ циклу доходів та відсутністю навчальних даних для навігації у тонких процесах циклу доходів. Просто кажучи, загальний штучний інтелект визначає спосіб отримання відповіді, але часто не має нюансів для надання інформації та процесів, які забезпечують результати та найкращу продуктивність.

Адаптація загальних моделей все ще призводить до нестабільності, слабкої системи управління та обмеженої здатності керувати нюансами. Це є структурною обмеженістю, а не проблемою інструментів.

Ensemble будує можливості та перепроєктує процеси та дані для забезпечення результатів – запобігання відмовам, поліпшенню взаємодії з пацієнтами та доступу до лікування та поліпшенню узгодженості лікування з платниками.

Які найбільш критичні обмеження інженерії запитів, накладених на загальні моделі в операціях циклу доходів? 

Обіцянка штучного інтелекту в циклі доходів не лише полягає в застосуванні загальної моделі до завдань охорони здоров’я — це питання того, чи штучний інтелект насправді розуміє галузь. Обмеження інженерії запитів на моделях-засновників полягає в тому, що ви досягnete здатностей загального характеру, які проходять тест на прийнятність на поверхні, але не мають нюансів, необхідних для забезпечення найкращої продукції, яка постійно адаптується та покращується. ‘Медична необхідність’ означає щось інше для національного комерційного платника, ніж для Medicare MAC, і ця різниця визначає фінансові результати. Модель, навчена на відкритому інтернеті, цього не знає, інженерія запитів може закрити деякі з цих пробілів, але не знає повної та точної контекстної нюансів.

За своєю конструкцією, моделі, створені за допомогою інженерії запитів, є статичними. Вони не можуть навчатися, коли платник тихо змінює свою поведінку щодо судових рішень, коли виникає новий шаблон відмов, або коли стратегія апеляції, яка працювала в попередньому кварталі, перестає працювати. В Ensemble ми побудували закритий цикл зворотного зв’язку, який перетворює кожен результат вимог у інформацію — оскільки ми сидимо в центрі циклу доходів по сотням систем охорони здоров’я та платників, у масштабі, який жоден окремий постачальник не міг би повторити внутрішньо.

Що ми виявили, то що справжній захист у штучному інтелекті, керованому циклом доходів, не в моделі — це дані та експертиза, закодована в ньому. Ми витратили роки на операціоналізацію того, що роблять наші найкращі спеціалісти з відмов, кодери та експерти з питань платників, для забезпечення найкращих результатів. Ви не можете ввести це в систему запиту — це повинно жити в тому, як модель була навчена, проти чого вона оцінюється, і як вона інтегрована у робочий процес.

Трансформація штучного інтелекту в циклі доходів охорони здоров’я розділиться на два табори: організації, які використовують штучний інтелект як шар продуктивності поверх існуючих процесів, і організації, які перебудували інтелект у сам процес. Ensemble твердо стоїть у другому таборі — і для систем охорони здоров’я під тиском маржі ця відмінність є різницею між інкрементним покращенням та трансформацією.

Як виглядає стеля точності систем, завантажених запитами, на практиці при роботі з правилами платників та багатоступеневими робочими процесами? 

Стеля проявляється як нестабільність на тих точках, де продуктивність циклу доходів залежить від точності. Це не лише питання сирої точності. Це питання надійності в реальних умовах роботи.

Системи, завантажені запитами, намагаються ввести логіку циклу доходів під час висновку шляхом завантаження контексту в кожен запит. Це може працювати в простіших сценаріях, але зазнає невдачі з поведінкою платників, нюансами регулювання та багатоступеневими залежностями.

Вихідні дані можуть бути напрямними правильними, але вони не достатньо надійні для щоденної діяльності.

По мірі зростання складності зростають витрати, а узгодженість знижується, що призводить до пробілів у послідовності, пропущених залежностей та втрати контексту на різних етапах.

Це є причиною, чому ми зосереджуємося на моделях, заснованих на реальних операційних даних та безпосередньо вбудованих у діяльність циклу доходів, а не на реконструкції контексту на вимогу.

Чи бачите ви розвиток штучного інтелекту платників та постачальників як гонку озброєння, і як повинні реагувати системи охорони здоров’я? 

Формулювання гонки озброєння не повністю відбиває, що відбувається. І платники, і постачальники швидко застосовують штучний інтелект по всьому циклу доходів. У багатьох випадках це збільшує трение, а не зменшує його, і може призвести до взаємодії автоматизованих систем без розв’язання.

Штучний інтелект сам по собі не розв’язує проблему фрагментованого циклу доходів. Застосовуваний поверх фрагментації, він може посилити проблему. Більш сильною реакцією є перехід від реактивних до проактивних операцій. Це вимагає видимості по всьому циклу доходів, сильнішої основи даних та можливості передбачити поведінку платників, визначити ризики раніше та вирішити питання до подачі.

Коли організації працюють з таким рівнем координації та проникливості, динаміка змінюється з трения на більш сильну продуктивність. Ми забезпечуємо реальні результати, у цьому напрямку, де ми досягаємо скорочення трения та прискорення узгодженості з платниками на кожному етапі – з штучним інтелектом, перепроєктованим на кожному етапі.

Як ви забезпечуєте, щоб модель, навчена без ідентифікованих даних пацієнтів, все ж захоплювала реальну складність? 

Відсутність ідентифікованих даних пацієнтів не означає відсутність реальної складності.

Керуючи 80 мільйонами транзакцій на рік, Ensemble об’єднала понад два петабайти даних постачальників, платників та клінічних даних у актив, готовий до штучного інтелекту. Ця основа відображає, як діяльність циклу доходів фактично функціонує у масштабі, включаючи експертизу операторів, поведінку платників та шаблони відмов, і розблоковує передбачувальне моделювання, реальні інсайти та агентські робочі процеси штучного інтелекту, які допомагають захистити постачальників від затримок платежів та відмов.

Ми використовуємо високоякісні синтетичні та деідентифіковані набори даних з сертифікованих джерел у середовищі, що відповідає вимогам HIPAA. Ці набори даних зберігають структуру, варіативність та випадкові випадки, присутні в реальних сценаріях.

Ми не реплікуємо ЕР. Ми підходимо до ЕР, додаючи інтелект там, де він найбільш важливий, особливо в тих областях, які пов’язані з вимогами платників та рішеннями, які знаходяться поза ЕР.

Ми посилюємо цей підхід світовими експертами (лікарями, медсестрами, операторами циклу доходів), які забезпечують підхід нюансами та експертизою, яку штучний інтелект та дані поки що не можуть досягнути самостійно.

Цей підхід зберігає реальну складність, спрямовану на результати та продуктивність, одночасно захищаючи конфіденційність пацієнтів.

Як ви перекладаєте прийняття рішень людини та робочі процеси у щось, що модель може надійно вивчити та виконати? 

Що робить цю роботу успішною, це глибина експертизи операторів за цим. Переклад цього в нашу модель не полягає в наближенні до експертизи. Це питання про захоплення того, як досвідчені команди фактично працюють.

Ми тренуємося на реальних завданнях циклу доходів та структуруємо систему навколо правил, залежностей та шаблонів, які оператори використовують щодня. Найефективніші системи поєднують кілька шарів інтелекту. Детерміністична логіка підтримує кроки, які повинні залишатися послідовними, такі як перевірка та перевірка політики. Прогностичні моделі оцінюють ризик, такий як ймовірність відмови. Моделі розуміння розглядають складність, включаючи інтерпретацію та генерацію нарративу.

Кожний шар зменшує невизначеність та відображає, як високопродуктивні команди працюють на практиці.

Як виглядає оркестровка з кінця в кінець від прийому пацієнта до вирішення рахунку? 

Оркестровка з кінця в кінець означає перехід від ізольованої підтримки завдань до системи, яка працює по всьому клінічному життєвому циклу.

Це починається з прийому пацієнта, підтримки точного захоплення даних, верифікації права на лікування та вимог авторизації в реальному часі для попередження подальших проблем.

По мірі формування документації та кодування система узгоджує діяльність з очікуваннями платників та визначає ризики раніше. Під час розстановки та судових рішень вона контролює поведінку платників, нюанси контрактів та потенційні недоплати.

Коли виникають питання, система з’єднує результати з причинами та надає інсайти вгору.

Сьогодні багато організацій покладаються на 15-30 різних розв’язань по циклу доходів. Кожне покращує певну область, але вони не вчаться разом. Пробіли між функціями дозволяють витратам доходів зберегтися.

Оркестровка об’єднує все це через уніфіковані дані, координовану діяльність циклу доходів та чітку відповідальність, створюючи систему безперервного навчання по всьому життєвому циклу.

Де сучасні ЕР не дотягують, і як ваш підхід розширює їх можливості без порушення існуючої інфраструктури? 

ЕР є фундаментальними. Вони служать системою реєстрації клінічних та фінансових даних.

Вони не були розроблені для того, щоб служити системами інтелекту для операцій циклу доходів.

Пробіл полягає в підключенні контексту по циклу доходів. Хоча ЕР зберігають та організовують інформацію, вони не інтерпретують поведінку платників, не передбачають відмов та не направляють користувачів через складну, багатоступеневу діяльність, яка виходить за межі їхньої сфери.

Більшість роботи, необхідної для керування вимогами платників та винятків, відбувається поза ЕР, де розвивається фрагментація.

Наш підхід доповнює ЕР, а не замінює його. Ми працюємо в існуючих середовищах, додаючи інтелект у галузі, де відбувається робота.

Це дозволяє нам скоротити адміністративне навантаження, покращити точність та допомогти командам зосередитися на діяльності вищої цінності без потреби змін у основній інфраструктурі.

Як ви бачите розвиток циклу доходів за наступні п’ять років, і яку роль продовжуватимуть відігравати люди-оператори? 

За наступні п’ять років операції циклу доходів змінять свій напрям з реактивного та трудомісткого на проактивний та координований.

Менше зусиль буде витрачено на переоформлення, таке як апеляції та подальше слідування, а більше буде зосереджено вгору на попередженні. Відмови та недоплати будуть все частіше визначатися раніше, покращуючи як структуру витрат, так і фінансову передбачуваність.

Цей перехід розширює можливості для робочої сили. Сьогодні занадто багато кваліфікованої праці прив’язано до повторюваних завдань. По мірі того, як автоматизація скорочує це навантаження, команди можуть зосередитися на управлінні винятками, поліпшенні процесів, стратегічному прийнятті рішень та догляді за пацієнтами

Ролі не зникають. Вони еволюціонують. Людська експертиза не зменшується. Вона стає ще більш критичною та центральною для загальної продуктивності циклу доходів.

Дякуємо за чудовий інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Ensemble Health Partners.