Andrew Ray, Giám đốc sản phẩm và đổi mới tại Ensemble – Loạt phỏng vấn

Andrew Ray, Giám đốc sản phẩm và đổi mới tại Ensemble, mang lại kinh nghiệm sâu sắc tại giao điểm của tài chính y tế, hoạt động chu kỳ doanh thu, chiến lược sản phẩm và đổi mới. Tại Ensemble, ông lãnh đạo các sáng kiến sản phẩm, cải thiện hoạt động và đổi mới, bao gồm cả quan hệ đối tác Rev Cycler của công ty với Epic. Kinh nghiệm của ông bao gồm việc chuyển đổi nhà cung cấp dịch vụ y tế và tăng trưởng chiến lược tại McKinsey & Company, lãnh đạo chu kỳ doanh thu tại Stanford Children’s Health, và các vai trò tư vấn y tế trước đây tại EY và Triage Consulting Group, mang lại cho ông nền tảng vững chắc về cả việc thực hiện hoạt động và chuyển đổi y tế được hỗ trợ bởi công nghệ.

Ensemble Health Partners là một công ty quản lý chu kỳ doanh thu y tế làm việc với các bệnh viện, hệ thống y tế và các phòng khám của bác sĩ để cải thiện hiệu suất tài chính, trải nghiệm của bệnh nhân và hiệu quả hoạt động. Công ty cung cấp hỗ trợ RCM toàn diện trên các lĩnh vực như tương tác của bệnh nhân, mã hóa, quản lý yêu cầu, ngăn chặn từ chối, hiệu suất của người trả tiền và giải quyết tài khoản, đồng thời sử dụng quyết định AI, tự động hóa, phân tích và nền tảng trí tuệ chu kỳ doanh thu EIQ để giúp các nhà cung cấp giảm ma sát và tăng tốc thanh toán. Ensemble cũng đã hợp tác với Epic thông qua Chương trình Rev Cyclers và mở rộng công việc với Azure generative AI và học máy của Microsoft để thúc đẩy hoạt động chu kỳ doanh thu được hỗ trợ bởi AI.

Điều gì cụ thể trong các quy trình RCM truyền thống đã thuyết phục bạn rằng một mô hình LLM được thiết kế riêng là cần thiết? 

Các hệ thống y tế đang hoạt động với biên độ 2% đến 4% trong khi tỷ lệ từ chối ban đầu tăng lên 12% đến 15%. Đó là điểm bùng phát cho thấy các phương pháp chu kỳ doanh thu truyền thống không giải quyết được vấn đề cốt lõi và một phương pháp khác biệt là cần thiết. Áp lực đó ảnh hưởng đến mọi phần của tổ chức, từ nhân sự đến đầu tư công nghệ đến khả năng chăm sóc.

Hầu hết các giải pháp không giải quyết toàn bộ hệ thống. Các tổ chức bị bỏ lại với các công cụ phân mảnh, dữ liệu bị cô lập và hoạt động không kết nối mà phụ thuộc vào việc khâu lại ngữ cảnh thông qua kỹ thuật nhắc trên các mô hình chung.

Cách tiếp cận đó chậm hơn, tốn kém hơn, không nhất quán và khó quản lý ở quy mô lớn.

Một mô hình được thiết kế riêng thay đổi điều đó bằng cách đưa dữ liệu lịch sử và thời gian thực vào một nền tảng được quản lý. Nó có thể dự đoán hành vi của người trả tiền, đưa ra thông tin liên quan, giúp giảm từ chối và hoạt động trong môi trường tuân thủ và có thể kiểm toán.

Liệu có điều gì kể từ khi viết trước đây của bạn đã củng cố hoặc thay đổi quan điểm của bạn về mô hình AI chung so với mô hình được thiết kế riêng? 

Việc phát triển và triển khai liên tục của chúng tôi về dàn xếp AI toàn diện trên chu kỳ doanh thu đã tiếp tục củng cố nơi các mô hình LLM tiên phong phát huy và nơi có những khoảng trống đáng kể mà chúng tôi đang giải quyết với các mô hình được thiết kế riêng.

Các mô hình LLM tiên phong hoạt động tốt với lý luận lâm sàng, nhưng chúng tôi đang đầu tư mạnh mẽ vào việc cung cấp ngữ cảnh và chuyên môn từ các bác sĩ và y tá của chúng tôi, những người có nhiều thập kỷ kinh nghiệm bắc cầu giữa chia sẻ lâm sàng và quản lý của y tế. Đó đang chứng minh là một sự kết hợp mạnh mẽ mang lại kết quả đặc biệt bằng cách nhúng những giải pháp AI với chuyên gia trong vòng lặp.

Các mô hình rộng lớn tiếp tục gặp phải thực tế của môi trường chu kỳ doanh thu được quản lý và thiếu dữ liệu đào tạo để điều hướng các quy trình chu kỳ doanh thu tinh vi. Nói đơn giản, AI ngoài hộp xác định một phương tiện để trả lời nhưng thường thiếu sự tinh tế để đưa ra thông tin và quy trình thúc đẩy kết quả và hiệu suất hàng đầu.

Việc điều chỉnh các mô hình chung vẫn tạo ra sự không nhất quán, quản lý yếu và khả năng quản lý sự tinh tế hạn chế. Đây là một hạn chế cấu trúc, không phải là vấn đề công cụ.

Ensemble đang xây dựng khả năng và tái cấu trúc quy trình và dữ liệu để đưa ra kết quả – ngăn chặn từ chối, cải thiện tương tác của bệnh nhân và tiếp cận chăm sóc, cũng như cải thiện sự sắp xếp chăm sóc với người trả tiền.

Điều gì là những hạn chế quan trọng nhất của kỹ thuật nhắc được xếp lớp lên các mô hình chung trong hoạt động RCM? 

Sự hứa hẹn của AI trong chu kỳ doanh thu không chỉ là về việc áp dụng một mô hình chung cho các nhiệm vụ y tế — mà là liệu AI thực sự hiểu về lĩnh vực đó. Hạn chế của kỹ thuật nhắc lên các mô hình nền tảng là đạt được khả năng tổng quát có thể nhưng thiếu sự tinh tế cần thiết để đưa ra hiệu suất hàng đầu liên tục thích nghi và cải thiện. ‘Tính cần thiết y tế’ có nghĩa khác nhau đối với một người trả tiền thương mại quốc gia so với Medicare MAC, và sự khác biệt đó quyết định hiệu suất tài chính. Một mô hình được đào tạo trên internet mở không biết điều đó, kỹ thuật nhắc có thể đóng một số khoảng trống nhưng bỏ lỡ sự tinh tế ngữ cảnh hoàn chỉnh và chính xác.

Theo thiết kế, các mô hình được kỹ thuật nhắc là tĩnh. Chúng không thể học khi một người trả tiền thay đổi hành vi xét duyệt một cách im lặng, khi một mẫu từ chối mới xuất hiện, hoặc khi một chiến lược kháng cáo đã hoạt động trong quý trước ngừng hoạt động. Tại Ensemble, chúng tôi đã xây dựng vòng phản hồi đóng để chuyển mỗi kết quả yêu cầu thành thông tin — vì chúng tôi ngồi ở trung tâm của chu kỳ doanh thu trên hàng trăm hệ thống y tế và người trả tiền, với quy mô mà không một nhà cung cấp nào có thể nhân rộng nội bộ.

Điều chúng tôi đã tìm thấy là rào cản thực sự trong RCM được hỗ trợ bởi AI không phải là mô hình — mà là dữ liệu và chuyên môn được mã hóa vào nó. Chúng tôi đã dành nhiều năm để vận hành hóa những gì các chuyên gia từ chối, mã hóa và quan hệ với người trả tiền tốt nhất của chúng tôi làm để đưa ra kết quả hàng đầu. Bạn không thể tiêm điều đó vào một hệ thống nhắc — nó phải sống trong cách mô hình được đào tạo, những gì nó được đánh giá và cách nó được tích hợp vào quy trình làm việc.

Sự chuyển đổi AI trong chu kỳ doanh thu y tế sẽ chia thành hai trại: các tổ chức sử dụng AI như một lớp sản xuất trên các quy trình hiện có, và các tổ chức đã tái cấu trúc trí tuệ vào quy trình chính nó. Ensemble chắc chắn nằm trong trại thứ hai — và đối với các hệ thống y tế dưới áp lực biên, sự khác biệt đó là sự khác biệt giữa cải thiện dần dần và chuyển đổi.

Điều gì trông giống như trần độ chính xác của các hệ thống nặng nhắc khi đối phó với quy tắc của người trả tiền và quy trình nhiều bước? 

Trần đó xuất hiện như sự không nhất quán tại các điểm mà hiệu suất chu kỳ doanh thu phụ thuộc vào độ chính xác. Nó không chỉ là về độ chính xác thô. Nó là về độ tin cậy trong điều kiện hoạt động thực tế.

Các hệ thống nặng nhắc cố gắng giới thiệu logic chu kỳ doanh thu tại thời điểm suy luận bằng cách tải ngữ cảnh vào mỗi yêu cầu. Điều đó có thể hoạt động trong các kịch bản đơn giản, nhưng nó bị phá vỡ với hành vi của người trả tiền, tinh tế quy định và phụ thuộc nhiều bước.

Đầu ra có thể đúng về hướng, nhưng chúng không đáng tin cậy đủ cho hoạt động hàng ngày.

Khi độ phức tạp tăng, chi phí tăng và sự nhất quán giảm, dẫn đến khoảng trống trong trình tự, phụ thuộc bị bỏ lỡ và mất ngữ cảnh trên các bước.

Đó là lý do chúng tôi tập trung vào các mô hình dựa trên dữ liệu hoạt động thực tế và nhúng trực tiếp vào hoạt động chu kỳ doanh thu thay vì xây dựng lại ngữ cảnh theo yêu cầu.

Bạn có thấy AI của người trả tiền và AI của nhà cung cấp tiến hóa thành một cuộc chạy đua vũ trang, và các hệ thống y tế nên phản ứng như thế nào? 

Khung chạy đua vũ trang không hoàn toàn nắm bắt được điều đang xảy ra. Cả người trả tiền và nhà cung cấp đều đang áp dụng nhanh chóng AI trên cả việc ủy quyền trước và xử lý yêu cầu. Trong nhiều trường hợp, điều đó tăng ma sát thay vì giảm ma sát và có thể dẫn đến hệ thống tự động tương tác mà không có giải quyết.

AI tự nó không giải quyết được các hoạt động chu kỳ doanh thu bị phân mảnh. Áp dụng trên các hoạt động bị phân mảnh, nó có thể khuếch đại vấn đề. Phản ứng mạnh mẽ hơn là chuyển từ hoạt động phản ứng sang hoạt động chủ động. Điều đó đòi hỏi phải có tầm nhìn trên toàn bộ chu kỳ doanh thu, nền tảng dữ liệu mạnh mẽ hơn và khả năng dự đoán hành vi của người trả tiền, xác định rủi ro sớm và giải quyết vấn đề trước khi nộp.

Khi các tổ chức hoạt động với mức độ phối hợp và tầm nhìn đó, động lực thay đổi từ ma sát sang hiệu suất mạnh mẽ hơn. Chúng tôi đang mang lại kết quả thực tế, với việc giảm ma sát và tăng tốc độ sắp xếp với người trả tiền tại mọi bước – với AI được tái cấu trúc tại mọi bước.

Làm thế nào bạn đảm bảo rằng một mô hình được đào tạo mà không có dữ liệu bệnh nhân có thể nhận dạng vẫn nắm bắt được sự phức tạp của thế giới thực? 

Sự vắng mặt của dữ liệu bệnh nhân có thể nhận dạng không có nghĩa là sự vắng mặt của sự phức tạp của thế giới thực.

Quản lý 80 triệu giao dịch mỗi năm, Ensemble đã thống nhất hơn hai petabyte dữ liệu của nhà cung cấp, người trả tiền và lâm sàng vào một tài sản sẵn sàng cho AI. Nền tảng đó phản ánh cách hoạt động chu kỳ doanh thu thực sự hoạt động ở quy mô, bao gồm chuyên môn của người vận hành, hành vi của người trả tiền và mẫu từ chối, và nó mở khóa mô hình dự đoán, thông tin thời gian thực và luồng công việc AI có tính chủ động giúp bảo vệ các nhà cung cấp khỏi việc chậm thanh toán và từ chối.

Chúng tôi sử dụng các tập dữ liệu tổng hợp và không xác định chất lượng cao từ các nguồn được chứng nhận trong một môi trường tuân thủ HIPAA. Các tập dữ liệu đó bảo tồn cấu trúc, sự thay đổi và các trường hợp biên trong các kịch bản của thế giới thực.

Chúng tôi không sao chép EHR. Chúng tôi thực hiện một cách tiếp cận bản địa EHR, thêm trí tuệ vào các khu vực mà công việc thực sự đang diễn ra.

Chúng tôi tăng cường cách tiếp cận này với các chuyên gia hàng đầu (bác sĩ, y tá, người vận hành chu kỳ doanh thu) cung cấp sự tinh tế và chuyên môn mà AI và dữ liệu không thể đạt được độc lập.

Cách tiếp cận này bảo tồn sự phức tạp của thế giới thực, thúc đẩy kết quả và hiệu suất trong khi bảo vệ quyền riêng tư của bệnh nhân.

Làm thế nào bạn dịch quyết định và quy trình của con người thành thứ mà mô hình có thể học và thực hiện một cách tin cậy? 

Điều làm cho điều này hoạt động là độ sâu của chuyên môn của người vận hành đằng sau nó. Dịch điều đó vào mô hình của chúng tôi không phải là về việc xấp xỉ chuyên môn. Nó là về việc nắm bắt cách các đội kinh nghiệm thực sự làm việc.

Chúng tôi đào tạo trên các nhiệm vụ chu kỳ doanh thu thực tế và cấu trúc hệ thống xung quanh các quy tắc, phụ thuộc và mẫu mà người vận hành sử dụng mỗi ngày. Các hệ thống hiệu quả nhất kết hợp nhiều lớp thông minh. Logic quyết định hỗ trợ các bước phải vẫn nhất quán, chẳng hạn như kiểm tra xác thực và kiểm tra chính sách. Các mô hình dự đoán đánh giá rủi ro, chẳng hạn như khả năng từ chối. Các mô hình lý luận giải quyết sự phức tạp, bao gồm cả giải thích và tạo ra câu chuyện.

Mỗi lớp giảm sự không chắc chắn và phản ánh cách các đội hoạt động hiệu suất cao hoạt động trong thực tế.

Điều gì thực sự trông giống như dàn xếp toàn diện từ tiếp nhận bệnh nhân đến giải quyết tài khoản? 

Dàn xếp toàn diện có nghĩa là chuyển từ hỗ trợ nhiệm vụ cách ly sang một hệ thống hoạt động trên toàn vòng đời lâm sàng đến tiền.

Nó bắt đầu tại tiếp nhận bệnh nhân, hỗ trợ thu thập dữ liệu chính xác, xác minh đủ điều kiện và yêu cầu ủy quyền theo thời gian thực để ngăn chặn các vấn đề hạ nguồn.

Khi tài liệu và mã hóa hình thành, hệ thống sắp xếp hoạt động với kỳ vọng của người trả tiền và xác định rủi ro sớm. Thông qua hóa đơn và xét duyệt, nó theo dõi hành vi của người trả tiền, sắc thái hợp đồng và khả năng dưới thanh toán.

Khi vấn đề xảy ra, hệ thống kết nối kết quả với nguyên nhân gốc rễ và cung cấp thông tin ngược dòng.

Ngày nay, nhiều tổ chức phụ thuộc vào 15 đến 30 giải pháp điểm khác nhau trên chu kỳ doanh thu. Mỗi giải pháp cải thiện một khu vực cụ thể, nhưng chúng không học hỏi cùng nhau. Các khoảng trống giữa các chức năng cho phép rò rỉ doanh thu tồn tại.

Dàn xếp đưa mọi thứ lại với nhau thông qua dữ liệu thống nhất, hoạt động chu kỳ doanh thu được phối hợp và trách nhiệm rõ ràng, tạo ra một hệ thống học tập liên tục trên toàn bộ vòng đời.

Ở đâu các EHR hiện tại không đáp ứng, và làm thế nào cách tiếp cận của bạn mở rộng khả năng của chúng mà không làm gián đoạn cơ sở hạ tầng hiện có? 

EHR là nền tảng. Chúng phục vụ như hệ thống hồ sơ cho dữ liệu lâm sàng và tài chính.

Chúng không được thiết kế để hoạt động như hệ thống trí tuệ cho hoạt động chu kỳ doanh thu.

Khoảng trống là trong việc kết nối ngữ cảnh trên chu kỳ doanh thu. Trong khi EHR lưu trữ và tổ chức thông tin, chúng không giải thích hành vi của người trả tiền, dự đoán từ chối hoặc hướng dẫn người dùng thông qua hoạt động phức tạp, nhiều bước mà mở rộng ngoài ranh giới của chúng.

Nhiều công việc cần thiết để quản lý các yêu cầu và ngoại lệ của người trả tiền xảy ra ngoài EHR, đó là nơi phân mảnh phát triển.

Cách tiếp cận của chúng tôi bổ sung cho EHR chứ không thay thế nó. Chúng tôi làm việc trong các môi trường hiện có, thêm trí tuệ vào các khu vực mà công việc thực sự đang diễn ra.

Điều này cho phép chúng tôi giảm gánh nặng hành chính, cải thiện độ chính xác và giúp các đội tập trung vào hoạt động có giá trị cao hơn mà không cần thay đổi cơ sở hạ tầng cốt lõi.

Bạn nhìn thấy chu kỳ doanh thu sẽ tiến hóa như thế nào trong năm năm tới, và vai trò của người vận hành sẽ tiếp tục như thế nào? 

Trong năm năm tới, hoạt động chu kỳ doanh thu sẽ chuyển từ phản ứng và tốn lao động sang chủ động và được phối hợp.

Ít nỗ lực hơn sẽ được dành cho việc làm lại như kháng cáo và theo dõi, và nhiều hơn sẽ tập trung vào việc ngăn chặn ở phía trước. Từ chối và dưới thanh toán sẽ ngày càng được xác định sớm hơn, cải thiện cả cấu trúc chi phí và dự đoán tài chính.

Sự thay đổi này mở rộng cơ hội cho lực lượng lao động. Ngày nay, quá nhiều lao động có kỹ năng bị ràng buộc với các nhiệm vụ lặp đi lặp lại. Khi tự động hóa giảm bớt gánh nặng đó, các đội có thể tập trung vào quản lý ngoại lệ, cải thiện quy trình, ra quyết định chiến lược và chăm sóc bệnh nhân

Vai trò không biến mất. Chúng tiến hóa. Chuyên môn của con người không suy giảm. Nó trở nên quan trọng hơn và trung tâm hơn đối với hiệu suất chu kỳ doanh thu tổng thể.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Ensemble Health Partners.