安德鲁·雷，Ensemble 首席产品和创新官 – 采访系列

安德鲁·雷，Ensemble 首席产品和创新官，在医疗财务、收入循环运营、产品战略和创新交叉点拥有深厚的经验。在 Ensemble，他领导产品、运营改进和创新计划，包括公司的 Rev Cycler 与 Epic 的合作。他的背景包括医疗服务提供者转型和战略增长工作，在麦肯锡公司、斯坦福儿童健康中心的收入循环领导和早期医疗咨询角色在安永和 Triage 咨询集团，这使他在运营执行和技术启用的医疗转型中拥有坚实的基础。

Ensemble Health Partners 是一家医疗收入循环管理公司，帮助医院、医疗系统和医生诊所改善财务表现、患者体验和运营效率。该公司在患者参与、编码、索赔管理、拒绝预防、付款人表现和账户解决等领域提供端到端的 RCM 支持，同时使用 AI 驱动的决策、自动化、分析和其 EIQ 收入循环智能平台来帮助提供者减少摩擦和加快报销。Ensemble 还与 Epic 通过 Rev Cyclers 计划合作，并扩大了其与 Microsoft Azure 生成 AI 和机器学习的工作，以推进 AI 启用的收入循环运营。

是什么具体的传统 RCM 工作流程中的断点让您相信需要一个专用 LLM？

医疗系统正在以 2% 到 4% 的利润率运营，同时初始拒绝率上升到 12% 到 15%。这是传统收入循环方法无法解决核心问题的断点，也表明需要一种根本不同的方法。这种压力影响了组织的每个部分，从人员配备到技术投资再到护理容量。

大多数解决方案没有解决整个端到端系统。组织被留下了分散的工具、孤立的数据和断开的活动，这些活动依赖于在通用模型上进行提示工程来拼凑上下文。

这种方法更慢、更昂贵、不一致，且难以扩大规模。

专用模型改变了这种情况，通过将历史和实时数据带入一个治理平台。它可以预测付款人行为，表面相关智能，帮助减少拒绝，并在合规、可审计的环境中运行。

自从您早期写作以来，有没有什么东西加强或改变了您对通用 AI 与专用模型的看法？

我们在整个收入循环中继续开发和部署端到端 AI 编排，这继续强化了前沿 LLM 的优势和我们正在通过专用模型解决的差距。

前沿 LLM 在临床推理方面表现良好，但我们正在大量投资于提供来自具有数十年经验的医生和护士的上下文和专业知识，他们在医疗的临床和行政领域之间架起了桥梁。这被证明是一个强大的组合，通过将这些 AI 解决方案与专家结合起来，实现了异常的结果。

广泛的模型继续面临受监管的收入循环环境和收入循环流程中缺乏训练数据的现实。简单地说，通用 AI 确定了达到答案的一种方法，但通常缺乏提供智能和过程以实现结果和最佳性能的细微差别。

适应通用模型仍然产生不一致、弱的治理和有限的细微差别管理能力。这是一个结构性限制，而不是工具问题。

Ensemble 正在建立能力和重新设计流程和数据以实现结果 – 拒绝预防、改善患者参与和获得护理以及改善与付款人的护理对齐。

RCM 运营中将提示工程叠加到通用模型的最关键限制是什么？

将提示工程叠加到基础模型的承诺并不是关于将通用模型应用于医疗任务 – 而是关于 AI 是否真正理解该领域。将提示工程叠加到基础模型的限制是，您实现了能够通过合理性测试的通用能力，但缺乏提供最佳性能所需的细微差别。对于一个国家商业付款人来说，“医疗必要性”的含义与 Medicare MAC 不同，这种差异决定了财务表现。训练在开放互联网上的模型不知道这一点，提示可以弥补一些差距，但缺乏完整准确的上下文细微差别。

设计使得提示工程模型是静态的。它们无法学习当付款人悄悄改变其裁定行为时，当新的拒绝模式出现时，或当上个季度有效的上诉策略停止工作时。在 Ensemble，我们建立了一个闭环反馈， 将每个索赔结果转化为智能 – 因为我们坐在收入循环的中心，横跨数百个医疗系统和付款人，规模是单个提供者无法在内部复制的。

我们发现 AI 启用的 RCM 中的真正护城河不是模型 – 而是编码到其中的数据和专业知识。我们花了几年时间使我们最好的拒绝专家、编码员和付款人关系专家的工作运营化。您无法将其注入到系统提示中 – 它必须存在于模型的训练中、它被评估的内容中以及它被集成到工作流中的方式中。

医疗收入循环中的 AI 转型将分为两个阵营：使用 AI 作为生产力层的组织和将智能重新构建到流程本身的组织。Ensemble 坚定地站在第二个阵营 – 对于面临利润率压力的医疗系统来说，这种区别是增量改进和转型之间的区别。

在处理付款人规则和多步骤工作流时，提示密集系统的准确性上限是什么？

上限表现为收入循环性能依赖于精度的点的不一致性。它不仅仅是关于原始准确性 – 而是关于在实际操作条件下的可靠性。

提示密集系统尝试通过在每个请求中加载上下文来在推理时引入收入循环逻辑。这可以在更简单的场景中起作用，但它在付款人特定行为、监管细微差别和多步骤依赖关系中崩溃了。

输出可能是方向正确的，但它们对于日常运营来说不够可靠。

随着复杂性的增加，成本上升，连贯性下降，导致步骤之间的差距、错过的依赖关系和上下文的丧失。

这就是为什么我们专注于以真实的运营数据为基础的模型，并将其直接嵌入收入循环活动中，而不是在需求时重建上下文。

您是否认为付款人 AI 和提供者 AI 将演变成一场军备竞赛，医疗系统如何应对？

军备竞赛框架并没有完全捕捉到正在发生的事情。付款人和提供者都在快速地将 AI 应用于预授权和索赔处理。在许多情况下，这增加了摩擦而不是减少它，并可能导致自动系统在没有解决的情况下相互交互。

AI 本身并不能解决收入循环运营的碎片化问题。当在碎片化之上应用时，它可以放大问题。更强的回应是从反应式运营转变为主动运营。这需要对整个收入循环有可见性、更强的数据基础以及预测付款人行为、识别风险更早和在提交之前解决问题的能力。

当组织以这种协调和洞察力的水平运营时，动态从摩擦转变为更强的表现。我们正在实现真正的结果，通过在每个步骤重新设计 AI 来实现减少摩擦和加快与付款人的对齐 – 并且在每个步骤都取得成果。

您如何确保在没有可识别患者数据的情况下训练的模型仍然捕捉到现实世界的复杂性？

没有可识别患者数据并不意味着没有现实世界的复杂性。

管理每年 8,000 万笔交易，Ensemble 已将超过 2 个 petabyte 的提供者、付款人和临床数据统一为一个 AI 就绪资产。该基础反映了收入循环活动在规模上实际的运行方式，包括操作员专业知识、付款人特定行为、拒绝模式和其他内容，并且它解锁了预测建模、实时洞察和代理 AI 工作流，这些工作流有助于保护提供者免受付款延迟和拒绝的影响。

我们在 HIPAA 合规环境中使用来自认证来源的高质量合成和去识别数据集。这些数据集保留了现实世界场景中的结构、可变性和边缘情况。

我们不是复制电子健康记录（EHR）。我们采用 EHR 本地方法，在最重要的领域添加智能，特别是与付款人要求和决策相关的领域，这些领域位于 EHR 之外。

我们通过世界级专家（医生、护士、收入循环运营商）增强这种方法，他们提供 AI 和数据无法独立实现的细微差别和专业知识。

这种方法保留了现实世界的复杂性，推动结果和性能，同时保护患者隐私。

您如何将人类决策和工作流转化为模型可以可靠学习和执行的东西？

使其工作的是背后的操作员专业知识。将其转化为我们的模型不是关于近似专业知识 – 而是关于捕捉经验丰富的团队实际的工作方式。

我们在真实的收入循环任务上训练模型，并围绕操作员每天使用的规则、依赖关系和模式结构系统。最有效的系统结合了多层智能。确定性逻辑支持必须保持一致的步骤，例如验证和政策检查。预测模型评估风险，例如拒绝的可能性。推理模型解决复杂问题，包括解释和叙述生成。

每一层都减少了不确定性，并反映了高绩效团队在实践中的运作方式。

从患者接诊到账户解决，端到端编排实际上是什么样子？

端到端编排意味着从孤立的任务支持转变为一个跨整个临床到现金生命周期运作的系统。

它从患者接诊开始，支持实时的准确数据捕获、资格验证和授权要求，以防止下游问题的发生。

随着文档和编码的形成，系统将活动与付款人期望对齐，并提前识别风险。在计费和裁定过程中，它监控付款人行为、合同细微差别和潜在的少付款。

当问题发生时，系统将结果连接回根源，并将洞察力反馈到上游。

今天，许多组织依赖于 15 到 30 个不同的点解决方案来跨收入循环。每个解决方案都改进了特定领域，但它们不会共同学习。功能之间的差距允许收入泄漏持续存在。

编排将所有这些结合起来，通过统一的数据、协调的收入循环活动和明确的责任，创建了整个生命周期中的一个连续学习系统。

当前的 EHR 在哪里存在不足，您的方法如何扩展它们的功能而不破坏现有的基础设施？

EHR 是基础的。它们作为临床和财务数据的系统记录。

它们并不是为作为收入循环运营的系统智能而设计的。

差距在于连接收入循环中的上下文。虽然 EHR 存储和组织信息，但它们并不解释付款人行为、预测拒绝或引导用户完成超出其边界的复杂、多步骤活动。

管理付款人要求和例外所需的工作大部分发生在 EHR 之外，这就是碎片化的来源。

我们的方法补充了 EHR，而不是取代它。我们在现有环境中工作，在最重要的领域添加智能，特别是与付款人要求相关的领域。

这使我们能够减少行政负担，提高准确性，并帮助团队专注于更高价值的活动，而无需对核心基础设施进行更改。

您如何看待未来五年内收入循环的演变，人类操作员将在其中发挥什么作用？

在接下来的五年里，收入循环运营将从反应式和劳动密集型转变为主动和协调的。

将会花费更少的精力用于返工，例如上诉和后续跟进，而更多的精力将集中在上游的预防上。拒绝和少付款将越来越多地被提前识别，这将改善成本结构和财务可预测性。

这为工作力带来了机会。今天，太多的熟练劳动力被束缚在重复性任务上。随着自动化减轻了这种负担，团队可以专注于例外管理、流程改进、战略决策和患者护理

角色不会消失。它们会演变。人类专业知识不会减少。它变得更加关键和更加核心到整个收入循环的表现。

感谢这次精彩的采访，希望了解更多的读者可以访问 Ensemble Health Partners。