Mike Rousselle, Chief AI Officer hos OptimizeRx – Interviewserie

Mike Rousselle, Chief AI Officer hos OptimizeRx, er en leder inden for kunstig intelligens og sundhedsteknologi med næsten 15 års erfaring med at anvende AI til at skabe forretningsværdi. I sin nuværende rolle leder han udviklingen og anvendelsen af AI-drevne teknologier, der er designet til at gøre kommunikationen mellem life science-virksomheder, sundhedsprofessionelle (HCP’er) og patienter mere klinisk relevant og handlingsorienteret. Hans arbejde spænder over forudsigende intelligens, adfærdsmæssige og kliniske signaler, målretning af målgrupper samt AI-drevne værktøjer, der hjælper med at identificere vigtige behandlings- og receptgivningsøjeblikke. Før han sluttede sig til OptimizeRx, har Rousselle haft stillinger hos Athenahealth, Clarivate og HubSpot, hvilket har givet ham erfaring inden for sundhedssektoren, data og enterprise‑teknologi. Han har en bachelorgrad i økonomi og finans fra Rochester Institute of Technology.

OptimizeRx er en sundhedsteknologivirksomhed, der forbinder life science‑organisationer med sundhedsudbydere og patienter ved hjælp af data, kunstig intelligens og digitale engagementsteknologier. Virksomheden blev grundlagt i 2006 og fokuserede i første omgang på at levere kuponer og medbetalingstøtte gennem elektroniske patientjournaler (EHR) og e‑forskrivningsplatforme, men har siden udvidet til en bredere platform for sundhedsmarkedsføring og patientengagement. Teknologien kombinerer real‑world sundhedssignaler, forudsigende intelligens, point‑of‑care‑integrationer og omnichannel‑aktivering for at hjælpe medicinalvirksomheder med at identificere relevante HCP‑ og patientmålgrupper og engagere dem på nøgleøjeblikke i behandlingsforløbet. For nylig har OptimizeRx udvidet sine AI‑kapaciteter med værktøjer som Natural Language Audience Builder, som gør det muligt for sundhedsmarkedsførere at skabe HCP‑ og privatlivssikre forbruger‑målgrupper ved hjælp af almindelige sprogkommandoer.

Du har brugt næsten 15 år på at anvende AI til forretningsproblemer på tværs af organisationer, herunder Athenahealth, Clarivate og HubSpot, og hos OptimizeRx gik du fra at lede dataprodukter til at fungere som Chief AI Officer. Hvordan har den rejse påvirket din opfattelse af, hvor AI kan skabe meningsfuld værdi i sundhedssektoren, i forhold til anvendelser, der kan være teknologisk imponerende, men i sidste ende overfladiske

En af mine vigtigste læringer i løbet af min karriere er, at så “cool” jeg end finder AI, og så sjovt det end er at anvende det, så betyder det INGEN MÅDE, hvis AI ikke bruges til at løse en kundes problem. Det handler ikke om at bruge AI som udgangspunkt; det handler om at fokusere på de konkrete udfordringer og ineffektiviteter i sundhedssektoren, som vi kan forbedre.

Hos OptimizeRx søger vi at løse en enkelt, grundlæggende udfordring: at tilpasse brandinformation og kommunikation tættere på patientrejsen, så de bedre kan understøtte pleje‑beslutninger. Det hjælper læger, som er oversvømmet af reklamer, der måske eller måske ikke er relevante for dem og deres patienter. Det hjælper patienter, som udsættes for irrelevante eller unøjagtige sundhedsoplysninger på sociale medier og andre forbrugerkanaler.  Og det hjælper life science‑brands, som konstant er under pres for at nå deres kommercielle mål. Vores ledestjerne for at løse disse udfordringer er den brand‑eligible patient.

Hvis vi bruger AI til at finde dem tidligere, mere præcist, og netop på det tidspunkt, hvor de bliver brand‑klare, kan vi levere information med højere nytteværdi til deres udbyder, levere mere relevant DTC‑reklame og hjælpe brandet med at bruge sine mediepenge mere effektivt og med større gennemslagskraft.

Meget af den seneste samtale om enterprise‑AI har fokuseret på generativ AI og indholdsoprettelse. Du har argumenteret for at gå mod AI, der hjælper organisationer med at træffe beslutninger. Hvad adskiller ægte “decision intelligence” fra blot at placere et generativt AI‑interface oven på eksisterende analyser?

Forskellen ligger i, om AI blot hjælper dig med at få adgang til information, eller om den faktisk hjælper dig med at træffe bedre beslutninger. At placere et generativt AI‑interface oven på analyser kan gøre data lettere at forespørge eller opsummere, men den underliggende intelligens har ikke ændret sig grundlæggende. Du beder stadig en person om at fortolke informationen, afgøre, hvad der er vigtigt, og beslutte, hvad der skal gøres næste gang.

Egte decision intelligence lukker dette hul ved at samle flere signaler, genkende mønstre og kontekst, forudsige sandsynlige udfald og omsætte disse indsigter til anbefalede handlinger. Lige så vigtigt decision intelligence også lærer af resultaterne af disse handlinger og bruger disse data til løbende at forbedre fremtidige anbefalinger. I life science‑markedsføring betyder det for eksempel, at man går ud over blot at rapportere kampagnepræstationer til at forudsige, hvilke målgrupper der mest sandsynligt vil reagere (og på hvilke kanaler), forudse, hvilken besked der er relevant, og måle nøjagtigheden af disse forudsigelser. Værdien ligger i den lukkede‑loop‑intelligens, dvs. evnen til at omsætte data til beslutninger og løbende forbedre disse beslutninger over tid. Det er den egentlige trick for at hjælpe marketingsfolk med at fordele ressourcer mere passende og effektivt.

OptimizeRx’s Dynamic Audience Activation Platform bruger AI og real‑world data til at identificere sundhedsudbydere, der behandler potentielt berettigede patienter, og forudsige hvornår engagement er mest relevant. Hvilke typer af signaler er mest værdifulde for disse forudsigelsesmodeller, og hvordan fastslår du, om modellen har identificeret et meningsfuldt klinisk mønster frem for en misvisende korrelation?

Værdien af et signal afhænger af timing og praktisk medicinsk relevans, mens nøjagtigheden opretholdes gennem klar klinisk logik og kontinuerlig resultatsporing. Vi fokuserer på enkle indikatorer som hvornår en patient skal skifte medicin, nøglelaboratorieværdier og kommende lægebesøg. At kombinere en patients sundhedshistorik med den rette timing under et patientbesøg er, hvad der gør outreach effektiv.

For at forhindre, at modellen jagter vildledende mønstre, som f.eks. at forveksle en travl alment praktiserende læge med en specialist, der faktisk håndterer tilstanden, guider vi teknologien ved hjælp af standard medicinske retningslinjer og realistiske behandlingsforløb. Vi dobbelttjekker derefter vores resultater mod virkelige receptdata og kontrolgrupper for at sikre, at vi kun fokuserer på øjeblikke, der fører til reelle ændringer i patientplejen.

OptimizeRx har for nylig lanceret sin Natural Language Audience Builder, som gør det muligt for marketingfolk at beskrive et publikum med naturligt sprog og omsætte denne anmodning til mærkespecifikke, koordinerede HCP- og forbrugerpublikum. Hvad sker der teknisk mellem den indledende prompt og det endelige publikum, og hvordan forhindrer du tvetydighed eller hallucinationer i at påvirke noget, der i sidste ende driver beslutninger i den virkelige verden?

Processen bygger på brug af sprog‑AI til fortolkning, mens vi baserer den endelige NPI‑liste på virkelige kliniske data og EHR‑netværksdata samt OptimizeRx’s Micro‑Neighborhood® Targeting for forbrugerpublikum. Når en marketingmedarbejder indtaster en prompt, opdeler systemet anmodningen i målparametre såsom medicinske specialer, patientvolumen og receptadfærd, uden at stole på statiske, foruddefinerede publikumsegmenter.

Da virkelige kommercielle beslutninger står på spil, forhindres hallucinationer ved at sikre, at AI‑modellen fungerer som en fortolker, der forespørger autentificerede udbyderregistre og virkelige kliniske datasæt. Platformen omsætter prompt‑detaljerne til verificerede NPI‑lister og Micro‑Neighborhood‑publikum, så marketingfolk kan se, rangere og finjustere de præcise matchende lægeprofiler og/eller forbrugersegmenter, før målpublikummet endeligt fastlægges.

Traditionel farmaceutisk markedsføring har ofte været baseret på relativt statisk segmentering ud fra historisk receptadfærd. Hvordan ændrer AI den model, når publikum i stedet kan blive løbende omprioriteret baseret på skiftende patientrejser og forudsagte plejevinduer?

AI giver marketingfolk mulighed for at reagere på ændringer i pleje‑rejsen, så snart de opstår. Ved at samle signaler som receptadfærd, patientpopulationer, HCP‑engagement og andre kontekstuelle data kan modeller identificere, hvornår en HCP og deres patient nærmer sig et betydningsfuldt beslutningspunkt, og løbende omprioritere publikum baseret på den kontekst.

Det betyder, at publikum‑aktivering kan udvikle sig i takt med pleje‑rejsen. Når patienter når et bestemt stadie i plejen, bliver mærket mere relevant for dem og deres behandlende HCP, og timing, kanal og budskab bør tilpasses, efterhånden som dette vindue ændrer sig. Over tid kan systemet lære af disse interaktioner og forbedre, hvordan det identificerer de patienter, HCP‑er og tidsrammer, der mest sandsynligt vil påvirke receptadfærd.

For farmaceutiske marketingfolk skaber dette en mere dynamisk, synkroniseret tilgang til HCP‑ og forbruger‑marketing, en der kombinerer historisk adfærd med real‑time signaler for at bestemme, hvem der skal nås, hvornår de skal nås, og hvad der vil være mest relevant i netop det øjeblik.

Fundamentale modeller er ekstremt kraftfulde til at arbejde med sprog, mens specialiserede forudsigelsesmodeller kan være bedre egnet til strukturerede sundhedsdata og snævert definerede resultater. Hvordan tænker du på at kombinere store sprogmodeller med mere traditionelle maskinlæringssystemer, når du bygger AI‑produkter til sundhedssektoren?

Godt spørgsmål! Som jeg nævnte tidligere i samtalen, er målet ikke at kombinere disse AI‑teknikker vilkårligt, blot fordi det er sjovt. Det handler altid om at opnå en mere præcis forudsigelse, som bedre kan løse et specifikt kundebehov. Så meget af sundhedsdata er struktureret (selvom det også kan være beskidt, delvist og forsinket), hvilket gør det ideelt til forudsigelse ved brug af numeriske og kategoriske funktioner. Det sagt, er der nogle dele af den rå datapipeline (fx kliniske noter, kreativt indhold/tekst), der kunne drage fordel af grundlæggende LLM‑er som en forbehandler til at kode funktionen, før den anvendes i et struktureret forudsigelsesproblem – som “er denne patient klar til at skifte mærke?”

OptimizeRx forbinder i stigende grad HCP‑ og direkte‑til‑forbruger‑intelligens, så engagementet med patienter og udbydere kan synkroniseres bedre. Hvordan kan AI forbinde disse to sider af sundhedsrejsen, samtidig med at de nødvendige privatlivsgrænser overholdes, når man arbejder med følsomme sundhedsdata?

AI forbinder patient- og udbyderengagement ved at evaluere kliniske signaler fra den virkelige verden for at identificere fælles øjeblikke i plejen i stedet for at spore enkelte personer. Teknologien forbinder de to sider ved at analysere de‑identificerede patientpopulations‑tendenser sammen med lægers ordinationsadfærd. Dette gør det muligt for marketingsteams at tilpasse forbrugeruddannelse, såsom tv-, digitale eller sociale annoncer, med information på behandlingsstedet i lægens elektroniske patientjournal, så både patient og læge modtager relevant information på samme behandlingsbeslutningspunkt.

For at opretholde streng overholdelse af privatlivsreglerne opererer AI udelukkende på de‑identificerede, aggregerede data ved hjælp af vores patenterede Micro‑Neighborhood‑teknologi, som jeg nævnte ovenfor. I stedet for at målrette enkelte patienter eller bruge personlig sundhedssporing analyserer systemet kliniske tendenser på et lokalt, geografisk niveau og krydsrefererer disse tendenser med lægeaktivitet i området. Denne tilgang skaber en fuldt synkroniseret kampagne, der respekterer forbrugerens privatliv, sikrer fuld overholdelse af HIPAA og statslige privatlivslove, samtidig med at den leverer rettidig, koordineret pleje‑kommunikation.

Efterhånden som AI går fra at generere anbefalinger til at påvirke, hvem der kontaktes, hvornår de kontaktes, og hvilken handling der skal ske næste, bliver konsekvenserne af en dårlig forudsigelse mere betydningsfulde. Hvor bør menneskelig tilsyn forblive obligatorisk, og hvilke beslutninger mener du, AI på sigt kan træffe autonomt?

Inden for life sciences er der en væsentlig forskel mellem et AI‑system, der fastlægger, hvilket publikum der er mest relevant for en uddannelsesmeddelelse, og et system, der træffer en beslutning, som direkte kan påvirke en patients behandling. Jo tættere en AI‑drevet beslutning kommer på klinisk dømmekraft, patientberettigelse eller andre resultater med stor indvirkning, desto vigtigere bliver menneskelig ansvarlighed.

Der er også en sondring mellem tilsyn og indgriben. AI behøver ikke nødvendigvis en person til at godkende hver lavrisiko‑handling, men den har brug for klare grænser, sporbarhed og mekanismer til at opdage, når dens adfærd falder uden for disse grænser. Det gør det muligt for mennesker at forblive ansvarlige uden at skabe en flaskehals, der underminerer automatiseringens værdi.

Jeg mener, at AI i stigende grad kan træffe autonome beslutninger omkring lavrisiko‑, højvolumen‑aktiviteter, såsom prioritering af målgrupper, valg af kanaler, timing og sekvensering, når disse beslutninger er baseret på styrede data og løbende overvåges. Målet bør være at forbeholde menneskelig dømmekraft til de beslutninger, hvor kontekst, ansvarlighed og konsekvenser kræver det, samtidig med at AI håndterer den operationelle kompleksitet, som mennesker simpelthen ikke kan håndtere i stor skala. Jeg synes også, det er værdifuldt at holde autoriserede klinikere som “humans in the loop” ved de rette kontrolpunkter.  Og leverandører, der har læger på deres personale, er dem, der vil finde balancen mellem skala og overholdelse.

Der er ofte et hul mellem, at en AI‑model klarer sig godt ifølge tekniske målinger, og faktisk forbedrer resultater i den virkelige verden. Hvilke målinger er vigtigst, når man evaluerer AI i kommercialisering af life sciences, og hvordan undgår man at optimere for proxy‑målinger som engagement, når det ultimative mål bør være bedre patientresultater?

AI i kommercialisering bør i sidste ende vurderes ud fra den værdi, den skaber gennem hele plejeprocessen, ikke ud fra hvor effektivt den kan optimere en enkelt interaktion. Det kræver anerkendelse af, at engagement er et middel til et mål: et klik, en fuldført interaktion eller endda en meget præcis forudsigelse betyder kun noget, hvis det hjælper med at skabe en mere relevant intervention, der kan påvirke, hvad der sker derefter.

For life sciences vil jeg se på udviklingen af målinger – fra kvaliteten af målgruppen og timingen af interventionen til ændringer i HCP‑adfærd såsom ordination, og i sidste ende den nedstrøms påvirkning på patienter. Udfordringen er, at jo længere nedstrøms man kommer, desto sværere er det at måle og tilskrive resultater, hvilket gør det fristende at optimere for de målinger, der er lettest at indfange.

Det er her, AI‑strategi betyder noget. Vi skal designe måle‑rammer, der forbinder modelpræstation og engagementssignaler med meningsfulde adfærdsmæssige og, hvor det er muligt, kliniske resultater. Hos OptimizeRx betyder det at bruge real‑world sundhedsdata til at forstå ikke kun om vi nåede nogen, men om vi nåede den rette person på det rette tidspunkt i plejeprocessen, og om den intervention gjorde en målbar forskel.

Ser man tre til fem år frem, hvordan ser en AI‑native organisation for kommercialisering inden for life sciences ud? Forventer du, at autonome agenter begynder at styre dele af den kommercielle beslutningssløjfe selv, eller vil den vigtigste udvikling være, at AI løbende leverer intelligens til menneskelige teams?

Jeg tror, at “agent”-rammen måske ikke vil være så relevant i fremtiden. I stedet tænker jeg på, at life science-virksomheder omstrukturerer sig selv som dataøkosystemer, som enhver AI-teknologi kan bruge vilkårligt. Selv om 5 år forventer jeg ikke, at mange “forretningsbeslutninger” bliver fuldstændigt automatiseret via agenter. I stedet forventer jeg, at omfanget af eksperimenter på R&D‑siden vil stige hurtigt, og at intelligensen, der går ind i en menneskelig kommerciel beslutningstagning, vil blive meget kraftigere. Lige nu er life science-virksomheder organiseret omkring organisationsstrukturer, som så dikterer deres måde at operere på, i henhold til Conway’s lov. Derfor ser vi, at HCP‑ og DTC‑marketing stadig foregår i siloer, og at analyse‑ og marketingteams ikke er fuldt alignede. Efterhånden som det underliggende dataøkosystem ændrer sig, vil de menneskelige teams også ændre sig, blive mere tværfunktionelle og dermed stadig i overensstemmelse med Conway’s lov. Organisationer vil være hurtigere til at implementere de indsigter, som AI allerede kan levere, såvel som de nye indsigter, som AI vil give os i fremtiden, efterhånden som den bliver mere sofistikeret.

Tak for det gode interview. Læsere, der ønsker at lære mere om virksomheden og dens sundhedsteknologiløsninger, kan besøge OptimizeRx.