Mike Rousselle, Chief AI Officer ve společnosti OptimizeRx – Série rozhovorů

Mike Rousselle, Chief AI Officer ve společnosti OptimizeRx, je výkonný ředitel v oblasti umělé inteligence a zdravotnických technologií s téměř 15 lety zkušeností s aplikací AI k vytváření obchodní hodnoty. Ve své současné roli vede vývoj a nasazení technologií řízených AI, které mají za cíl učinit komunikaci mezi společnostmi v oblasti životních věd, zdravotnickými profesionály (HCP) a pacienty klinicky relevantnější a akceschopnější. Jeho práce zahrnuje prediktivní inteligenci, behaviorální a klinické signály, cílení publika a nástroje poháněné AI, které pomáhají identifikovat důležité okamžiky léčby a předepisování. Před nástupem do OptimizeRx zastával Rousselle pozice ve společnostech Athenahealth, Clarivate a HubSpot, čímž přinesl zkušenosti napříč zdravotnictvím, daty a podnikovými technologiemi. Má bakalářské tituly v oboru Ekonomie a Finance z Rochester Institute of Technology.

OptimizeRx je společnost zabývající se zdravotnickými technologiemi, která propojuje organizace v oblasti životních věd se zdravotnickými poskytovateli a pacienty pomocí dat, umělé inteligence a technologií digitálního zapojení. Společnost byla založena v roce 2006 a zpočátku se soustředila na poskytování kupónů a pomoci s úhradou spoluúčasti prostřednictvím elektronických zdravotních záznamů (EHR) a e-předpisových platforem, ale od té doby se rozšířila na širší platformu pro zdravotnický marketing a zapojení pacientů. Její technologie kombinuje reálné zdravotní signály, prediktivní inteligenci, integrace v místě péče a omnichannel aktivaci, aby pomohla farmaceutickým společnostem identifikovat relevantní publikum HCP a pacientů a zapojit je v klíčových okamžicích léčebné cesty. V poslední době OptimizeRx rozšířila své možnosti AI o nástroje jako Natural Language Audience Builder, který umožňuje marketérům ve zdravotnictví vytvářet publika HCP a spotřebitelů chráněná soukromím pomocí jednoduchých jazykových podnětů

Cháte téměř 15 let aplikovat AI na obchodní problémy napříč organizacemi včetně Athenahealth, Clarivate a HubSpot a ve společnosti OptimizeRx jste postoupil od vedení datových produktů k funkci Chief AI Officer. Jak tato cesta ovlivnila váš pohled na to, kde může AI vytvořit smysluplnou hodnotu ve zdravotnictví, oproti aplikacím, které mohou být technologicky působivé, ale nakonec povrchní

Jedním z mých hlavních poznatků během kariéry je, že ačkoliv považuji AI za „skvělou“ a je zábavné ji využívat, vůbec není podstatné, pokud AI není nasazena ve službě problému zákazníka. Nejde o používání AI jako výchozího bodu; jde o zaměření na konkrétní výzvy a neefektivity ve zdravotnictví, které můžeme zlepšit.

Ve společnosti OptimizeRx se snažíme vyřešit jediný, zásadní problém: sladit informace o značce a komunikaci blíže k pacientské cestě, aby mohly lépe podporovat rozhodování o péči. To pomáhá lékařům, kteří jsou zahlceni reklamou, jež může, ale nemusí být pro ně a jejich pacienty relevantní. Pomáhá to pacientům, kteří jsou vystaveni irelevantním nebo nepřesným zdravotním informacím na sociálních sítích a dalších spotřebitelských kanálech. A pomáhá to značkám v oblasti životních věd, které jsou neustále pod tlakem dosáhnout svých komerčních cílů. Naším vodítkem při řešení těchto výzev je pacient, který je způsobilý pro značku.

Pokud použijeme AI k jejich dřívějšímu a přesnějšímu nalezení a právě v okamžiku, kdy jsou připraveni pro značku, můžeme poskytovat poskytovateli užitečnější informace, nabízet relevantnější DTC reklamu a pomoci značce utrácet své mediální prostředky efektivněji a s větším dopadem.

Většina nedávných diskusí o podnikovém AI se soustředila na generativní AI a tvorbu obsahu. Argumentovali jste pro posun směrem k AI, která pomáhá organizacím činit rozhodnutí. Co odlišuje skutečnou „decision intelligence“ od pouhého nasazení rozhraní generativní AI nad existující analytiku?

Rozdíl spočívá v tom, zda AI jen pomáhá získat informace, nebo zda skutečně pomáhá činit lepší rozhodnutí. Nasazení rozhraní generativní AI nad analytiku může usnadnit dotazování nebo shrnutí dat, ale základní inteligence se podstatně nezměnila. Stále požadujete, aby člověk interpretoval informace, určil, co je podstatné, a rozhodl, co dělat dál.

Skutečná decision intelligence překonává tuto mezeru tím, že spojuje více signálů, rozpoznává vzorce a kontext, předpovídá pravděpodobné výsledky a převádí tyto poznatky na doporučené akce. Stejně tak decision intelligence také se učí z výsledků těchto akcí a využívá tato data k neustálému zlepšování budoucích doporučení. V marketingu životních věd to například znamená přejít od pouhého reportování výkonnosti kampaní k předpovídání, které publikum pravděpodobně zareaguje (a na jakých kanálech), předvídání, která zpráva je relevantní, a měření přesnosti těchto předpovědí. Hodnota spočívá v uzavřené smyčce inteligence, což znamená schopnost převést data na rozhodnutí a tato rozhodnutí neustále v čase zlepšovat. To je skutečný trik, jak pomoci marketérům lépe a efektivně alokovat zdroje.

Platforma Dynamic Audience Activation od OptimizeRx používá AI a data ze skutečného světa k identifikaci poskytovatelů zdravotní péče, kteří léčí potenciálně způsobilé pacienty, a předpovídá, kdy může být zapojení nejrelevantnější. Jaké typy signálů jsou pro tyto prediktivní modely nejcennější a jak určujete, zda model odhalil smysluplný klinický vzorec místo zavádějící korelace?

Hodnota signálu spočívá v načasování a praktické lékařské relevanci, zatímco přesnost je udržována díky jasné klinické logice a kontinuálnímu sledování výsledků. Soustředíme se na jednoduché ukazatele, jako je okamžik, kdy pacient potřebuje změnit lék, klíčové laboratorní výsledky a nadcházející návštěvy u lékaře. Kombinace zdravotní historie pacienta se správným načasováním během návštěvy je tím, co činí oslovování efektivním.

Aby model nepronásledoval zavádějící vzorce, například zaměňování zaneprázdněného praktického lékaře se specialistou, který skutečně stav choroby řídí, vedeme technologii pomocí standardních lékařských směrnic a realistických časových rámců léčby. Poté naše výsledky ověřujeme proti reálným údajům o předpisování a srovnávacím skupinám, abychom zajistili, že se zaměřujeme jen na okamžiky, které vedou k skutečným změnám v péči o pacienta.

OptimizeRx nedávno spustil Natural Language Audience Builder, který marketérům umožňuje popsat publikum pomocí přirozeného jazyka a převést tento požadavek na značkově specifická, koordinovaná publika HCP a spotřebitelů. Co se technicky děje mezi počáteční výzvou a konečným publikem a jak zabraňujete nejasnostem nebo halucinacím, které by mohly ovlivnit něco, co nakonec řídí rozhodnutí ve skutečném světě?

Proces spočívá v použití jazykové AI pro interpretaci, přičemž finální výstup seznamu NPI je založen na reálných klinických a EHR síťových datech, a na Micro-Neighborhood® Targeting od OptimizeRx pro publika spotřebitelů. Když marketér zadá výzvu, systém rozloží požadavek na cílové parametry, jako jsou lékařské specializace, objemy pacientů a chování při předepisování, aniž by se spoléhal na statické, předem vytvořené segmenty publika.

Protože na řadě reálných komerčních rozhodnutí jsou v sázce, jsou halucinace předcházeny tím, že AI model funguje jako interpret, který dotazuje ověřené registry poskytovatelů a reálné klinické datové sady. Platforma převádí podrobnosti výzvy na ověřené seznamy NPI a publika Micro-Neighborhood, což marketérům umožňuje zobrazit, seřadit a vyladit přesně odpovídající profily lékařů a/nebo segmenty spotřebitelů před finálním určením cílového publika.

Tradiční farmaceutický marketing často spoléhá na relativně statické segmentování založené na historickém chování při předepisování. Jak AI mění tento model, když lze publika místo toho neustále přeřazovat na základě měnících se pacientských cest a předpovídaných oken péče?

AI dává marketérům schopnost reagovat na změny v péči v reálném čase. Spojením signálů, jako je chování při předepisování, populace pacientů, zapojení HCP a další kontextová data, mohou modely identifikovat, kdy se HCP a jeho pacienti blíží k významnému rozhodovacímu bodu, a neustále přeřazovat publikum na základě tohoto kontextu.

To znamená, že aktivace publika může evolučně růst spolu s cestou péče. Jakmile pacienti vstoupí do konkrétní fáze péče, značka se pro ně i jejich ošetřující HCP stává relevantnější a načasování, kanál a zpráva by se měly přizpůsobit měnícímu se oknu. V průběhu času může systém z těchto interakcí učit a zlepšovat, jak identifikuje pacienty, HCP a časové rámce, které nejpravděpodobněji ovlivní chování při předepisování.

Pro farmaceutické marketéry to vytváří dynamičtější, synchronizovaný přístup k marketingu HCP i spotřebitelů, který kombinuje historické chování s signály v reálném čase, aby určil, koho oslovit, kdy jej oslovit a co bude v daném okamžiku nejrelevantnější.

Základní modely jsou mimořádně silné při práci s jazykem, zatímco specializované prediktivní modely mohou být vhodnější pro strukturovaná zdravotnická data a úzce definované výsledky. Jak přemýšlíte o kombinaci velkých jazykových modelů s tradičnějšími systémy strojového učení při tvorbě AI produktů ve zdravotnictví?

Skvělá otázka! Jak jsem již dříve naznačil, cílem není náhodně kombinovat tyto AI techniky jen proto, že je to zábavné. Vždy jde o dosažení přesnější předpovědi, která může lépe vyřešit konkrétní problém zákazníka. Velká část zdravotnických dat je strukturovaná (i když může být také špinavá, neúplná a zpožděná), což ji činí ideální pro predikci pomocí číselných a kategoriálních rysů. To však neznamená, že některé části surového datového toku (např. klinické poznámky, kreativní obsah/text) nemohou využít základní LLM jako předzpracování k zakódování rysu před jeho aplikací na strukturovaný predikční problém – například „je tento pacient připraven přejít na jinou značku?“

OptimizeRx stále častěji propojuje inteligenci HCP a přímého spotřebitelského zásahu, aby bylo zapojení pacientů a poskytovatelů lépe synchronizováno. Jak může AI propojit tyto dvě strany zdravotnické cesty a zároveň zachovat požadované hranice soukromí při práci s citlivými zdravotními údaji?

AI propojuje zapojení pacientů a poskytovatelů tím, že vyhodnocuje reálné klinické signály k identifikaci společných okamžiků péče, místo sledování jednotlivých lidí. Technologie spojuje obě strany analýzou de‑identifikovaných trendů populace pacientů spolu s chováním lékařů při předepisování. To umožňuje marketingovým týmům sladit vzdělávání spotřebitelů, například televizní, digitální nebo sociální reklamy, s informacemi na místě péče v elektronickém zdravotním záznamu lékaře, čímž se zajišťuje, že jak pacient, tak lékař obdrží relevantní informace ve stejném bodě rozhodování o léčbě.

Aby byla zachována přísná souladnost s ochranou soukromí, AI funguje výhradně na de‑identifikovaných, agregovaných datech pomocí naší patentované technologie Micro‑Neighborhood, kterou jsem výše zmínil. Místo cílení na jednotlivé pacienty nebo používání osobního sledování zdraví systém analyzuje klinické trendy na lokalizované geografické úrovni a provádí jejich křížové srovnání s činností lékařů v dané oblasti. Tento přístup vytváří plně synchronizovanou kampaň, která respektuje soukromí spotřebitelů, zajišťuje úplnou shodu s HIPAA a státními zákony o ochraně soukromí a přitom poskytuje včasné a koordinované sdělení o péči.

Jak AI přechází od generování doporučení k ovlivňování toho, kdo je kontaktován, kdy je kontaktován a jaká akce by měla následovat, důsledky špatné predikce se stávají významnějšími. Kde by mělo lidské dohledování zůstat povinné a které rozhodnutí podle vás AI může nakonec činit autonomně?

V oblasti životních věd existuje podstatný rozdíl mezi AI systémem, který určuje, která audience je nejrelevantnější pro vzdělávací zprávu, a systémem, který činí rozhodnutí, jež může přímo ovlivnit péči o pacienta. Čím blíže se rozhodnutí řízené AI přibližuje klinickému úsudku, způsobilosti pacienta nebo jiným vysoce dopadovým výsledkům, tím důležitější se stává lidská odpovědnost.

Existuje také rozdíl mezi dohledem a intervencí. AI nemusí nutně potřebovat schválení každé nízkorizikové akce od osoby, ale vyžaduje jasné hranice, auditovatelnost a mechanismy pro detekci, kdy její chování překročí tyto hranice. To umožňuje lidem zůstat odpovědnými, aniž by vznikl úzký hrdlo, které by podkopávalo hodnotu automatizace.

Domnívám se, že AI může čím dál více činit autonomní rozhodnutí v oblasti nízkorizikových, objemných činností, jako je priorizace audience, výběr kanálů, načasování a sekvencování, pokud jsou tato rozhodnutí zakotvena ve spravovaných datech a jsou průběžně monitorována. Cílem by mělo být ponechat lidský úsudek pro rozhodnutí, kde kontext, odpovědnost a důsledky vyžadují lidský zásah, a zároveň umožnit AI zvládat operační složitost, kterou lidé jednoduše nemohou řídit v takovém měřítku. Také považuji za cenné udržet licencované kliniky jako „lidi v cyklu“ na příslušných kontrolních bodech. A dodavatelé, kteří mají ve svém týmu lékaře (MD), budou ti, kteří najdou rovnováhu mezi měřítkem a souladností.

Často existuje mezera mezi tím, že AI model dosahuje dobrých technických metrik, a skutečným zlepšováním výsledků ve skutečném světě. Které metriky jsou nejdůležitější při hodnocení AI v komercializaci životních věd a jak se vyhnout optimalizaci na proxy ukazatele, jako je zapojení, když konečným cílem by měly být lepší výsledky pacientů?

AI v komercializaci by měla být nakonec posuzována podle hodnoty, kterou vytváří napříč celou cestou péče, nikoli podle toho, jak efektivně dokáže optimalizovat jednu interakci. To vyžaduje uznání, že zapojení je prostředkem k cíli: kliknutí, dokončená interakce nebo dokonce vysoce přesná predikce mají smysl jen tehdy, pokud pomáhají vytvořit relevantnější zásah, který může ovlivnit, co se stane dál.

V oblasti životních věd bych sledoval vývoj metrik – od kvality audience a načasování zásahu, přes změny v chování HCP, jako je předepisování, až po konečný dopad na pacienty. Výzvou je, že čím dále směrem dolů v řetězci jdete, tím obtížnější je měřit a přisuzovat výsledky, což láká k optimalizaci metrik, které jsou nejjednodušší k zachycení.

Zde přichází na řadu strategie AI. Musíme navrhnout rámce měření, které propojí výkonnost modelu a signály zapojení s významnými behaviorálními a, kde je to možné, klinickými výsledky. V OptimizeRx to znamená využívat reálná zdravotnická data k pochopení nejen toho, zda jsme někoho oslovili, ale zda jsme oslovili správnou osobu ve správném bodě cesty péče a zda tento zásah přinesl měřitelný rozdíl.

Jaký bude za tři až pět let organizace komercializace životních věd založená na AI? Očekáváte, že autonomní agenti začnou sami řídit části obchodního rozhodovacího cyklu, nebo bude důležitějším vývojem to, že AI bude neustále poskytovat inteligenci lidským týmům?

Myslím, že rámec „agent“ nemusí být v budoucích letech tak relevantní. Místo toho uvažuji o tom, jak se společnosti v oblasti životních věd restrukturalizují na datové ekosystémy, které může libovolná AI technologie libovolně využívat.  I za 5 let neočekávám, že mnoho „obchodních rozhodnutí“ bude zcela automatizováno agenty.  Místo toho předpokládám, že rozsah experimentů na straně výzkumu a vývoje (R&D) rychle vzroste a že inteligence, která vstupuje do lidského komerčního rozhodování, bude mnohem silnější.  V současnosti jsou společnosti v oblasti životních věd organizovány kolem organizačních struktur, které pak určují, jak fungují, s odkazem na Conwayův zákon. Proto vidíme, že marketing zaměřený na HCP a DTC je stále prováděn v silozích a analytické a marketingové týmy nejsou plně sladěny. Jak se mění podkladový datový ekosystém, lidské týmy se také mění, stávají se více mezioborovými, a tím zůstávají v souladu s Conwayovým zákonem.  Organizace budou rychleji implementovat poznatky, které AI již nyní poskytuje, stejně jako nové poznatky, které nám AI v budoucnu nabídne, jak se bude nadále zvyšovat její sofistikovanost.

Děkujeme za skvělý rozhovor. Čtenáři, kteří se chtějí dozvědět více o společnosti a jejích řešeních v oblasti zdravotnických technologií, mohou navštívit OptimizeRx.