Mike Rousselle, Chief AI Officer bei OptimizeRx – Interviewreihe

Mike Rousselle, Chief AI Officer bei OptimizeRx, ist ein Führungskraft im Bereich künstliche Intelligenz und Gesundheitstechnologie mit fast 15 Jahren Erfahrung in der Anwendung von KI zur Schaffung von geschäftlichem Mehrwert. In seiner aktuellen Position leitet er die Entwicklung und Anwendung KI‑gestützter Technologien, die darauf abzielen, die Kommunikation zwischen Life‑Science‑Unternehmen, Gesundheitsfachkräften (HCPs) und Patienten klinisch relevanter und handlungsfähiger zu machen. Seine Arbeit umfasst prädiktive Intelligenz, Verhaltens‑ und klinische Signale, Zielgruppenansprache sowie KI‑basierte Werkzeuge, die dabei helfen, wichtige Behandlungs‑ und Verschreibungszeitpunkte zu identifizieren. Vor seinem Einstieg bei OptimizeRx hatte Rousselle Positionen bei Athenahealth, Clarivate und HubSpot inne und brachte Erfahrung aus dem Gesundheitswesen, Daten und Unternehmens‑Technologie mit. Er hat Bachelor‑Abschlüsse in Wirtschaftswissenschaften und Finanzwesen vom Rochester Institute of Technology.

OptimizeRx ist ein Unternehmen für Gesundheitstechnologie, das Life‑Science‑Organisationen mit Gesundheitsdienstleistern und Patienten über Daten, künstliche Intelligenz und digitale Engagement‑Technologien verbindet. Das Unternehmen wurde 2006 gegründet und konzentrierte sich zunächst auf die Bereitstellung von Gutscheinen und Zuzahlungs‑Unterstützung über elektronische Gesundheitsakten (EHR) und E‑Prescribing‑Plattformen, hat sich jedoch seitdem zu einer umfassenderen Plattform für Gesundheits‑Marketing und Patienten‑Engagement entwickelt. Seine Technologie kombiniert reale Gesundheits‑Signale, prädiktive Intelligenz, Point‑of‑Care‑Integrationen und Omnichannel‑Aktivierung, um Pharmaunternehmen zu helfen, relevante HCP‑ und Patienten‑Zielgruppen zu identifizieren und sie zu Schlüsselmomenten der Behandlung anzusprechen. Kürzlich hat OptimizeRx seine KI‑Fähigkeiten mit Werkzeugen wie dem Natural Language Audience Builder erweitert, das Gesundheits‑Marketer befähigt, HCP‑ und datenschutz‑sichere Verbraucher‑Zielgruppen anhand von natürlichsprachlichen Eingaben zu erstellen.

Sie haben fast 15 Jahre damit verbracht, KI auf Geschäftsprobleme in Organisationen wie Athenahealth, Clarivate und HubSpot anzuwenden, und bei OptimizeRx sind Sie von der Leitung von Datenprodukten zum Chief AI Officer aufgestiegen. Wie hat diese Reise Ihre Sicht darauf geprägt, wo KI im Gesundheitswesen einen bedeutenden Mehrwert schaffen kann, im Gegensatz zu Anwendungen, die zwar technologisch beeindruckend, aber letztlich oberflächlich

Eine meiner wichtigsten Erkenntnisse in meiner Laufbahn ist, dass so „cool“ ich KI auch finde und so viel Spaß es macht, sie zu nutzen, es überhaupt keine Rolle spielt, wenn die KI nicht im Dienst eines Kundenproblems steht. Es geht nicht darum, KI als Ausgangspunkt zu verwenden; vielmehr geht es darum, sich auf die konkreten Herausforderungen und Ineffizienzen im Gesundheitswesen zu konzentrieren, die wir verbessern können.

Bei OptimizeRx wollen wir ein einziges, grundlegendes Problem lösen: Markeninformationen und -kommunikation stärker an die Patientenreise anzupassen, damit sie besser bei Pflegeentscheidungen unterstützen können. Das hilft Ärzten, die mit Werbung überflutet werden, die für sie und ihre Patienten möglicherweise nicht relevant ist. Es hilft Patienten, die auf sozialen Medien und anderen Verbraucher‑Kanälen mit irrelevanten oder ungenauen Gesundheitsinformationen konfrontiert werden. Und es hilft Life‑Science‑Marken, die ständig unter Druck stehen, ihre kommerziellen Ziele zu erreichen. Unser Leitstern zur Bewältigung dieser Herausforderungen ist der markenberechtigte Patient.

Wenn wir KI einsetzen, um sie früher und präziser zu finden, und gerade zu dem Zeitpunkt, an dem sie markenreif werden, können wir dem Arzt höherwertige Informationen bereitstellen, relevantere DTC‑Werbung schalten und der Marke helfen, ihr Medienbudget effizienter und wirkungsvoller einzusetzen.

Ein großer Teil der jüngsten Unternehmens‑KI‑Diskussion hat sich auf generative KI und Inhaltserstellung konzentriert. Sie haben dafür plädiert, KI zu nutzen, die Organisationen bei Entscheidungen unterstützt. Was unterscheidet echte „Decision Intelligence“ davon, einfach eine generative KI‑Oberfläche über bestehende Analysen zu legen?

Der Unterschied liegt darin, ob KI Ihnen lediglich den Zugriff auf Informationen erleichtert oder ob sie Ihnen tatsächlich hilft, bessere Entscheidungen zu treffen. Das Aufsetzen einer generativen KI‑Oberfläche über Analysen kann Daten leichter abfragbar oder zusammenfassbar machen, aber die zugrunde liegende Intelligenz hat sich nicht grundlegend geändert. Sie lassen weiterhin eine Person die Informationen interpretieren, das Wesentliche bestimmen und entscheiden, was als Nächstes zu tun ist.

Echte Decision Intelligence schließt diese Lücke, indem sie mehrere Signale zusammenführt, Muster und Kontext erkennt, wahrscheinliche Ergebnisse prognostiziert und diese Erkenntnisse in empfohlene Maßnahmen übersetzt. Decision Intelligence lernt aus den Ergebnissen dieser Maßnahmen und nutzt diese Daten, um zukünftige Empfehlungen kontinuierlich zu verbessern. Im Life‑Science‑Marketing bedeutet das beispielsweise, über die reine Berichterstattung zur Kampagnenleistung hinauszugehen und vorherzusagen, welche Zielgruppen am wahrscheinlichsten reagieren (und über welche Kanäle), welche Botschaft relevant ist und die Genauigkeit dieser Vorhersagen zu messen. Der Wert liegt in der geschlossenen Schleife der Intelligenz, also der Fähigkeit, Daten in Entscheidungen zu verwandeln und diese Entscheidungen im Laufe der Zeit kontinuierlich zu optimieren. Das ist der eigentliche Trick, um Marketern zu helfen, Ressourcen angemessen und effizient zuzuweisen.

Die Dynamic Audience Activation Platform von OptimizeRx nutzt KI und reale Daten, um Gesundheitsdienstleister zu identifizieren, die potenziell geeignete Patienten behandeln, und vorherzusagen, wann eine Ansprache am relevantesten ist. Welche Arten von Signalen sind für diese prädiktiven Modelle am wertvollsten, und wie stellen Sie fest, ob das Modell ein bedeutungsvolles klinisches Muster erkannt hat und nicht nur eine irreführende Korrelation?

Der Wert eines Signals hängt von Timing und praktischer medizinischer Relevanz ab, während die Genauigkeit durch klare klinische Logik und kontinuierliche Ergebnisverfolgung erhalten bleibt. Wir konzentrieren uns auf unkomplizierte Indikatoren wie den Zeitpunkt, zu dem ein Patient Medikamente wechseln muss, wichtige Laborergebnisse und bevorstehende Arzttermine. Die Kombination der Krankengeschichte eines Patienten mit dem richtigen Timing während eines Arztbesuchs ist das, was Outreach wirksam macht.

Um zu verhindern, dass das Modell irreführenden Mustern folgt, etwa indem ein stark ausgelasteter Allgemeinarzt mit einem Spezialisten verwechselt wird, der die Erkrankung tatsächlich behandelt, steuern wir die Technologie anhand standardisierter medizinischer Leitlinien und realistischer Behandlungszeitpläne. Anschließend prüfen wir unsere Ergebnisse anhand realer Verschreibungsdaten und Vergleichsgruppen, um sicherzustellen, dass wir uns nur auf Zeitpunkte konzentrieren, die zu echten Veränderungen in der Patientenversorgung führen.

OptimizeRx hat kürzlich seinen Natural Language Audience Builder eingeführt, der es Marketern ermöglicht, ein Publikum in natürlicher Sprache zu beschreiben und diese Anforderung in markenspezifische, koordinierte HCP‑ und Verbraucher‑Zielgruppen zu überführen. Was geschieht technisch zwischen der ersten Eingabeaufforderung und der endgültigen Zielgruppe, und wie verhindern Sie, dass Mehrdeutigkeiten oder Halluzinationen etwas beeinflussen, das letztlich reale Entscheidungen steuert?

Der Prozess beruht darauf, KI für Sprache zur Interpretation zu nutzen, während für die endgültige NPI‑Listen‑Ausgabe reale klinische Daten und EHR‑Netzwerkdaten herangezogen werden, sowie OptimizeRx’s Micro‑Neighborhood® Targeting für Verbraucher‑Zielgruppen. Wenn ein Marketer eine Eingabeaufforderung eingibt, zerlegt das System die Anforderung in Zielparameter wie medizinische Fachrichtungen, Patientenvolumen und Verschreibungsverhalten, ohne auf statische, vorgefertigte Zielgruppensegmente zurückzugreifen.

Da reale kommerzielle Entscheidungen auf dem Spiel stehen, werden Halluzinationen verhindert, indem sichergestellt wird, dass das KI‑Modell als Interpreter fungiert, der authentifizierte Anbieterregister und reale klinische Datensätze abfragt. Die Plattform übersetzt die Details der Eingabeaufforderung in verifizierte NPI‑Listen und Micro‑Neighborhood‑Zielgruppen, sodass Marketer die exakt passenden Arztprofile und/oder Verbrauchersegmente ansehen, ranken und verfeinern können, bevor sie die Zielgruppe finalisieren.

Traditionelles Pharma‑Marketing hat sich häufig auf relativ statische Segmentierung gestützt, die auf historischem Verschreibungsverhalten basiert. Wie verändert KI dieses Modell, wenn Zielgruppen stattdessen kontinuierlich neu priorisiert werden können, basierend auf sich ändernden Patientenreisen und vorhergesagten Versorgungsfenstern?

KI ermöglicht Marketern, auf Veränderungen in der Versorgungsreise in Echtzeit zu reagieren. Indem Signale wie Verschreibungsverhalten, Patientengruppen, HCP‑Engagement und andere Kontextdaten zusammengeführt werden, können Modelle erkennen, wann ein HCP und sein Patient einem bedeutenden Entscheidungspunkt nahekommen, und die Zielgruppe kontinuierlich anhand dieses Kontexts neu priorisieren.

Das bedeutet, dass die Aktivierung von Zielgruppen parallel zur Versorgungsreise weiterentwickelt werden kann. Wenn Patienten eine bestimmte Phase der Versorgung erreichen, wird die Marke für sie und den behandelnden HCP relevanter, und Timing, Kanal sowie Botschaft sollten sich an das sich ändernde Zeitfenster anpassen. Im Laufe der Zeit kann das System aus diesen Interaktionen lernen und verbessern, wie es die Patienten, HCPs und Zeiträume identifiziert, die am wahrscheinlichsten das Verschreibungsverhalten beeinflussen.

Für Pharma‑Marketer schafft dies einen dynamischeren, synchronisierten Ansatz für HCP‑ und Verbraucher‑Marketing, der historisches Verhalten mit Echtzeit‑Signalen kombiniert, um zu bestimmen, wen man erreichen soll, wann man sie erreicht und was in diesem Moment am relevantesten ist.

Fundamentalmodule sind extrem leistungsfähig im Umgang mit Sprache, während spezialisierte prädiktive Modelle besser für strukturierte Gesundheitsdaten und eng definierte Ergebnisse geeignet sein können. Wie denken Sie über die Kombination von großen Sprachmodellen mit traditionelleren Machine‑Learning‑Systemen nach, wenn Sie KI‑Produkte im Gesundheitswesen entwickeln?

Gute Frage! Wie ich bereits zu Beginn des Gesprächs angedeutet habe, geht es nicht darum, diese KI‑Techniken willkürlich zu kombinieren, nur weil es Spaß macht. Ziel ist stets, zu einer genaueren Vorhersage zu gelangen, die ein konkretes Kundenproblem besser löst. Ein Großteil der Gesundheitsdaten ist strukturiert (auch wenn sie teilweise unvollständig, fehlerhaft oder verzögert sein können), was sie ideal für Vorhersagen anhand numerischer und kategorialer Merkmale macht. Dennoch gibt es Aspekte der Rohdatenpipeline (z. B. klinische Notizen, kreative Inhalte/Text), die von grundlegenden LLMs als Vorverarbeitung profitieren könnten, um das Merkmal zu kodieren, bevor es auf ein strukturiertes Vorhersageproblem angewendet wird – etwa „Ist dieser Patient bereit, die Marke zu wechseln?“

OptimizeRx verknüpft zunehmend HCP‑ und Direkt‑zu‑Verbraucher‑Intelligenz, sodass die Ansprache von Patienten und Anbietern besser synchronisiert werden kann. Wie kann KI diese beiden Seiten der Gesundheitsreise verbinden und dabei die erforderlichen Datenschutzgrenzen wahren, wenn mit sensiblen Gesundheitsdaten gearbeitet wird?

KI überbrückt die Interaktion zwischen Patienten und Leistungserbringern, indem sie reale klinische Signale auswertet, um gemeinsame Momente der Versorgung zu identifizieren, anstatt einzelne Personen zu verfolgen. Die Technologie verbindet beide Seiten, indem sie anonymisierte Trends in Patientengruppen zusammen mit dem Verschreibungsverhalten von Ärzten analysiert. So können Marketingteams die Aufklärung von Verbrauchern – etwa über TV, digitale oder soziale Werbung – mit Informationen am Ort der Versorgung im elektronischen Gesundheitsdatensystem des Arztes abstimmen, sodass sowohl Patient als auch Arzt zur gleichen Behandlungsentscheidung relevante Informationen erhalten.

Um strenge Datenschutzvorgaben einzuhalten, arbeitet die KI ausschließlich mit anonymisierten, aggregierten Daten, die mithilfe unserer patentierten Micro-Neighborhood‑Technologie verarbeitet werden, die ich oben erwähnt habe. Anstatt einzelne Patienten anzusprechen oder persönliche Gesundheitsdaten zu verfolgen, analysiert das System klinische Trends auf lokaler, geografischer Ebene und vergleicht diese mit dem ärztlichen Aktivitäten in der Region. Dieser Ansatz erzeugt eine vollständig synchronisierte Kampagne, die die Privatsphäre der Verbraucher respektiert, die volle Konformität mit HIPAA und den jeweiligen staatlichen Datenschutzgesetzen sicherstellt und gleichzeitig zeitnahe, koordinierte Botschaften zur Versorgung liefert.

Während KI von der Generierung von Empfehlungen zu der Beeinflussung, wer kontaktiert wird, wann er kontaktiert wird und welche nächste Maßnahme ergriffen werden soll, übergeht, werden die Folgen einer falschen Vorhersage bedeutender. Wo sollte menschliche Aufsicht zwingend bleiben, und welche Entscheidungen können Ihrer Meinung nach KI letztlich eigenständig treffen?

Im Bereich der Life Sciences gibt es einen wesentlichen Unterschied zwischen einem KI‑System, das bestimmt, welche Zielgruppe für eine Aufklärungsbotschaft am relevantesten ist, und einem System, das eine Entscheidung trifft, die die Versorgung eines Patienten direkt beeinflussen könnte. Je näher eine KI‑gesteuerte Entscheidung an klinische Urteile, Patienten‑Eligibility oder andere hochwirksame Ergebnisse herankommt, desto wichtiger wird die menschliche Verantwortlichkeit.

Es gibt zudem einen Unterschied zwischen Aufsicht und Intervention. KI muss nicht zwingend jede geringfügige Aktion von einer Person genehmigen lassen, aber sie benötigt klare Grenzen, Nachvollziehbarkeit und Mechanismen, um zu erkennen, wenn ihr Verhalten diese Grenzen überschreitet. Das ermöglicht es Menschen, verantwortlich zu bleiben, ohne einen Engpass zu schaffen, der den Wert der Automatisierung untergräbt.

Ich glaube, KI kann zunehmend autonome Entscheidungen bei geringeren Risiken und hohem Volumen treffen, etwa bei der Priorisierung von Zielgruppen, der Auswahl von Kanälen, dem Timing und der Sequenzierung, sofern diese Entscheidungen auf gesteuerten Daten basieren und kontinuierlich überwacht werden. Das Ziel sollte sein, menschliches Urteilsvermögen für Entscheidungen zu reservieren, bei denen Kontext, Verantwortlichkeit und Konsequenzen es erfordern, während KI die operative Komplexität übernimmt, die Menschen in großem Maßstab nicht bewältigen können. Ich halte es zudem für wertvoll, lizenzierte Kliniker als „Menschen im Loop“ an den entsprechenden Kontrollpunkten einzubeziehen. Und Anbieter, die Ärzte im Team haben, werden das Gleichgewicht zwischen Skalierung und Compliance am besten treffen.

Oft gibt es eine Lücke zwischen einem KI‑Modell, das nach technischen Kennzahlen gut abschneidet, und einer tatsächlichen Verbesserung der Ergebnisse in der Praxis. Welche Kennzahlen sind bei der Bewertung von KI in der Kommerzialisierung von Life Sciences am wichtigsten, und wie vermeiden Sie, dass Sie für Stellvertreter wie Engagement optimieren, wenn das eigentliche Ziel bessere Patientenergebnisse sein sollte?

KI in der Kommerzialisierung sollte letztlich nach dem Wert beurteilt werden, den sie über die gesamte Versorgungsreise schafft, nicht danach, wie effizient sie eine einzelne Interaktion optimieren kann. Das erfordert die Erkenntnis, dass Engagement ein Mittel zum Zweck ist: ein Klick, eine abgeschlossene Interaktion oder sogar eine hochpräzise Vorhersage zählen nur, wenn sie dazu beiträgt, eine relevantere Intervention zu schaffen, die das weitere Vorgehen beeinflussen kann.

Für Life Sciences würde ich die Entwicklung von Kennzahlen betrachten – von der Qualität der Zielgruppe und dem Timing der Intervention über Veränderungen im Verhalten von Leistungserbringern, etwa beim Verschreiben, bis hin zu den nachgelagerten Auswirkungen auf Patienten. Die Herausforderung besteht darin, dass je weiter man stromabwärts geht, desto schwieriger werden die Ergebnisse zu messen und zuzuordnen, was dazu verleiten kann, die leicht zu erfassenden Kennzahlen zu optimieren.

Hier kommt die KI‑Strategie ins Spiel. Wir müssen Messrahmen entwickeln, die die Modellleistung und Engagement‑Signale mit bedeutungsvollen Verhaltens‑ und, wo möglich, klinischen Ergebnissen verknüpfen. Bei OptimizeRx bedeutet das, reale Gesundheitsdaten zu nutzen, um nicht nur zu prüfen, ob wir jemanden erreicht haben, sondern ob wir die richtige Person zum richtigen Zeitpunkt in der Versorgungsreise erreicht haben und ob diese Intervention einen messbaren Unterschied gemacht hat.

Wenn man drei bis fünf Jahre in die Zukunft blickt, wie sieht eine KI‑native Organisation für die Kommerzialisierung im Life‑Sciences‑Bereich aus? Erwarten Sie, dass autonome Agenten beginnen, Teile des kommerziellen Entscheidungszyklus selbst zu steuern, oder wird die wichtigere Entwicklung darin bestehen, dass KI kontinuierlich Intelligenz für menschliche Teams bereitstellt?

Ich denke, das „Agent“-Framework könnte in den kommenden Jahren weniger relevant werden. Stattdessen denke ich darüber nach, dass Life‑Sciences‑Unternehmen sich zu Datenökosystemen umstrukturieren, die jede KI‑Technologie beliebig nutzen kann. Selbst in fünf Jahren erwarte ich nicht, dass viele „Geschäftsentscheidungen“ vollständig durch Agenten automatisiert werden. Stattdessen erwarte ich, dass das Ausmaß der Experimente im F&E‑Bereich rapide zunimmt und dass die Intelligenz, die in die kommerzielle Entscheidungsfindung eines Menschen einfließt, deutlich leistungsfähiger wird. Derzeit sind Life‑Sciences‑Unternehmen um organisatorische Strukturen herum aufgebaut, die dann die Art ihres Handelns bestimmen, gemäß Conways Gesetz. Daher sehen wir, dass HCP‑ und DTC‑Marketing weiterhin in Silos stattfinden und Analyse‑ sowie Marketing‑Teams nicht vollständig aufeinander abgestimmt sind. Wenn sich das zugrunde liegende Datenökosystem ändert, werden sich die menschlichen Teams selbst verändern, werden funktionsübergreifender und bleiben damit im Einklang mit Conways Gesetz. Organisationen werden schneller die Erkenntnisse umsetzen, die KI bereits liefern kann, sowie die neuen Erkenntnisse, die KI uns in Zukunft bieten wird, wenn sie weiter an Sophistizierung gewinnt.

Vielen Dank für das großartige Interview. Leser, die mehr über das Unternehmen und seine Gesundheitstechnologielösungen erfahren möchten, können OptimizeRx besuchen.