Mike Rousselle, Director de IA en OptimizeRx – Serie de entrevistas

Mike Rousselle, Director de IA en OptimizeRx, es un ejecutivo de inteligencia artificial y tecnología sanitaria con casi 15 años de experiencia aplicando IA para crear valor empresarial. En su cargo actual, lidera el desarrollo y la aplicación de tecnologías impulsadas por IA diseñadas para hacer que las comunicaciones entre compañías de ciencias de la vida, profesionales de la salud (HCPs) y pacientes sean más clínicamente relevantes y accionables. Su trabajo abarca inteligencia predictiva, señales conductuales y clínicas, segmentación de audiencias y herramientas basadas en IA que ayudan a identificar momentos clave de tratamiento y prescripción. Antes de unirse a OptimizeRx, Rousselle ocupó puestos en Athenahealth, Clarivate y HubSpot, aportando experiencia en salud, datos y tecnología empresarial. Posee títulos de licenciatura en Economía y Finanzas del Rochester Institute of Technology.

OptimizeRx es una empresa de tecnología sanitaria que conecta organizaciones de ciencias de la vida con proveedores de salud y pacientes mediante datos, inteligencia artificial y tecnologías de compromiso digital. Fundada en 2006, la compañía se centró inicialmente en ofrecer cupones y asistencia de copago a través de registros electrónicos de salud (EHR) y plataformas de prescripción electrónica, pero desde entonces se ha ampliado a una plataforma más amplia de marketing sanitario y compromiso con el paciente. Su tecnología combina señales de salud del mundo real, inteligencia predictiva, integraciones en el punto de atención y activación omnicanal para ayudar a las compañías farmacéuticas a identificar audiencias relevantes de HCP y pacientes y a involucrarlas durante momentos clave del recorrido de tratamiento. Más recientemente, OptimizeRx ha ampliado sus capacidades de IA con herramientas como su Natural Language Audience Builder, que permite a los mercadólogos sanitarios crear audiencias de HCP y consumidores con privacidad segura utilizando indicaciones en lenguaje natural.

Has dedicado casi 15 años a aplicar IA a problemas empresariales en organizaciones como Athenahealth, Clarivate y HubSpot, y en OptimizeRx pasaste de liderar productos de datos a desempeñarte como Director de IA. ¿Cómo ha moldeado ese recorrido tu visión sobre dónde la IA puede crear un valor significativo en la salud, frente a aplicaciones que pueden ser técnicamente impresionantes pero en última instancia superfic

Una de mis principales lecciones a lo largo de mi carrera es que, por muy “genial” que me parezca la IA y por lo divertido que sea utilizarla, no importa EN ABSOLUTO si la IA no se emplea al servicio del problema del cliente. No se trata de usar la IA como punto de partida; se trata de centrarse en los desafíos e ineficiencias concretas de la salud que podemos mejorar.

En OptimizeRx, buscamos resolver un único desafío fundamental: alinear la información y las comunicaciones de la marca más estrechamente con el recorrido del paciente, de modo que puedan respaldar mejor las decisiones de atención. Eso ayuda a los médicos que están inundados de publicidad que puede o no ser pertinente para ellos y sus pacientes. También ayuda a los pacientes que están expuestos a información de salud irrelevante o inexacta en redes sociales y otros canales de consumo.  Y ayuda a las marcas de ciencias de la vida que están constantemente bajo presión para cumplir sus objetivos comerciales. Nuestro faro para resolver estos desafíos es el paciente elegible para la marca.

Si utilizamos IA para encontrarlos antes, con mayor precisión, y simplemente en el punto en que se vuelven elegibles para la marca, podemos ofrecer información de mayor utilidad a su proveedor, servir publicidad DTC más relevante y ayudar a la marca a gastar sus dólares de medios de manera más eficiente e impactante.

Gran parte de la conversación reciente sobre IA empresarial se ha centrado en la IA generativa y la creación de contenido. Has defendido avanzar hacia una IA que ayude a las organizaciones a tomar decisiones. ¿Qué diferencia a la verdadera “inteligencia de decisiones” de simplemente colocar una interfaz de IA generativa sobre análisis existentes?

La distinción radica en si la IA simplemente te ayuda a acceder a la información, o si realmente te ayuda a tomar mejores decisiones. Colocar una interfaz de IA generativa sobre análisis puede facilitar la consulta o el resumen de datos, pero la inteligencia subyacente no ha cambiado fundamentalmente. Sigue siendo necesario que una persona interprete la información, determine qué es importante y decida qué hacer a continuación.

La verdadera inteligencia de decisiones cierra esa brecha al reunir múltiples señales, reconocer patrones y contexto, predecir resultados probables y traducir esos conocimientos en acciones recomendadas. Igualmente importante, la inteligencia de decisiones también aprende de los resultados de esas acciones y utiliza esos datos para mejorar continuamente las recomendaciones futuras. En el marketing de ciencias de la vida, por ejemplo, eso significa ir más allá de simplemente informar sobre el rendimiento de campañas para predecir qué audiencias tienen mayor probabilidad de responder (y en qué canales), anticipar qué mensaje es relevante y medir la precisión de esas predicciones. El valor reside en la inteligencia de bucle cerrado, es decir, la capacidad de convertir datos en decisiones y mejorar continuamente esas decisiones con el tiempo. Ese es el verdadero truco para ayudar a los mercadólogos a asignar recursos de manera más adecuada y eficiente.

La Plataforma de Activación Dinámica de Audiencias de OptimizeRx utiliza IA y datos del mundo real para identificar a los proveedores de salud que atienden a pacientes potencialmente elegibles y predecir cuándo la interacción puede ser más relevante. ¿Qué tipos de señales son más valiosos para estos modelos predictivos y cómo determina si el modelo ha identificado un patrón clínico significativo en lugar de una correlación engañosa?

El valor de una señal depende del momento y de su relevancia médica práctica, mientras que la precisión se mantiene mediante una lógica clínica clara y un seguimiento continuo de los resultados. Nos centramos en indicadores sencillos, como cuándo un paciente necesita cambiar de medicamento, resultados de laboratorio clave y próximas citas médicas. Combinar el historial de salud de un paciente con el momento adecuado durante una visita es lo que hace que la divulgación sea eficaz.

Para evitar que el modelo persiga patrones engañosos, como confundir a un médico general muy ocupado con un especialista que realmente gestiona la condición, guiamos la tecnología con guías médicas estándar y cronogramas de tratamiento realistas. Luego verificamos nuestros resultados contra datos de prescripción del mundo real y grupos de comparación para asegurarnos de que nos estamos enfocando únicamente en momentos que conducen a cambios genuinos en la atención al paciente.

OptimizeRx lanzó recientemente su Constructor de Audiencias en Lenguaje Natural, que permite a los mercadólogos describir una audiencia usando lenguaje natural y convertir esa solicitud en audiencias coordinadas y específicas para profesionales de la salud y consumidores. ¿Qué ocurre técnicamente entre el mensaje inicial y la audiencia final, y cómo se evita que la ambigüedad o las alucinaciones influyan en algo que, en última instancia, dirige decisiones del mundo real?

El proceso se reduce a usar IA de lenguaje para la interpretación, mientras se confía en datos clínicos del mundo real y de redes de historias clínicas electrónicas (EHR) para la lista final de NPI, y en la segmentación Micro-Neighborhood® de OptimizeRx para audiencias de consumidores. Cuando un mercadólogo introduce una solicitud, el sistema desglosa la petición en parámetros objetivo, como especialidades médicas, volúmenes de pacientes y comportamientos de prescripción, sin depender de segmentos de audiencia estáticos y predefinidos.

Dado que decisiones comerciales del mundo real están en juego, se evitan las alucinaciones asegurando que el modelo de IA actúe como un intérprete que consulta registros de proveedores autenticados y conjuntos de datos clínicos reales. La plataforma traduce los detalles del mensaje en listas de NPI verificadas y audiencias Micro-Neighborhood, permitiendo a los mercadólogos ver, clasificar y refinar los perfiles exactos de médicos y/o segmentos de consumidores antes de finalizar la audiencia objetivo.

El marketing farmacéutico tradicional a menudo se ha basado en segmentaciones relativamente estáticas basadas en el comportamiento histórico de prescripción. ¿Cómo cambia la IA ese modelo cuando las audiencias pueden re‑priorizarse continuamente según los recorridos cambiantes de los pacientes y las ventanas de atención previstas?

La IA brinda a los mercadólogos la capacidad de responder a los cambios en el recorrido de atención a medida que ocurren. Al reunir señales como comportamiento de prescripción, poblaciones de pacientes, interacción con profesionales de la salud y otros datos contextuales, los modelos pueden identificar cuándo un profesional y su paciente se acercan a un punto de decisión significativo y re‑priorizar continuamente la audiencia en función de ese contexto.

Eso significa que la activación de audiencias puede evolucionar junto con el recorrido de atención. A medida que los pacientes ingresan a una etapa particular del cuidado, la marca se vuelve más relevante para ellos y su profesional de salud tratante, y el momento, el canal y el mensaje deben ajustarse conforme esa ventana cambia. Con el tiempo, el sistema puede aprender de esas interacciones y mejorar la forma en que identifica a los pacientes, profesionales y periodos más propensos a influir en el comportamiento de prescripción.

Para los mercadólogos farmacéuticos, esto crea un enfoque más dinámico y sincronizado del marketing a profesionales de la salud y consumidores, que combina el comportamiento histórico con señales en tiempo real para determinar a quién alcanzar, cuándo hacerlo y qué será más relevante en ese momento.

Los modelos de base son extremadamente potentes para trabajar con lenguaje, mientras que los modelos predictivos especializados pueden estar mejor adaptados a datos estructurados de salud y resultados estrechamente definidos. ¿Cómo piensa combinar grandes modelos de lenguaje con sistemas de aprendizaje automático más tradicionales al crear productos de IA para la salud?

¡Gran pregunta! Como mencioné antes en la conversación, el objetivo no es combinar arbitrariamente estas técnicas de IA solo porque sea divertido. Siempre se trata de lograr una predicción más precisa que pueda resolver mejor un problema específico del cliente. Gran parte de los datos de salud están estructurados (aunque también pueden estar sucios, ser parciales y estar desactualizados), lo que los hace perfectos para la predicción usando características numéricas y categóricas. Dicho esto, hay algunos aspectos de la canalización de datos crudos (p. ej., notas clínicas, contenido creativo/texto) que podrían beneficiarse de LLM fundacionales como pre‑procesador para codificar la característica antes de aplicarla a un problema de predicción estructurada, como “¿está este paciente listo para cambiar de marca?”.

OptimizeRx está conectando cada vez más la inteligencia de profesionales de la salud y la de consumo directo, de modo que la interacción con pacientes y proveedores pueda estar mejor sincronizada. ¿Cómo puede la IA conectar esos dos lados del recorrido de salud mientras mantiene los límites de privacidad requeridos al trabajar con datos de salud sensibles?

La IA conecta la participación de pacientes y proveedores al evaluar señales clínicas del mundo real para identificar momentos compartidos de atención, en lugar de rastrear a personas individuales. La tecnología une ambos lados al analizar tendencias de poblaciones de pacientes desidentificadas junto con los comportamientos de prescripción de los médicos. Esto permite a los equipos de marketing alinear la educación del consumidor, como anuncios en TV, digitales o en redes sociales, con la información en el punto de atención del registro electrónico de salud del médico, garantizando que tanto el paciente como el profesional reciban información relevante en el mismo punto de decisión del tratamiento.

Para mantener un cumplimiento estricto de la privacidad, la IA funciona completamente con datos agregados y desidentificados mediante nuestra tecnología patentada Micro-Neighborhood que mencioné anteriormente. En lugar de dirigirse a pacientes individuales o usar seguimiento de salud personal, el sistema analiza tendencias clínicas a nivel geográfico localizado y las cruza con la actividad de los médicos en la zona. Este enfoque crea una campaña totalmente sincronizada que respeta la privacidad del consumidor, garantizando el cumplimiento total de HIPAA y las leyes de privacidad estatales, al tiempo que entrega mensajes de atención coordinados y oportunos.

A medida que la IA pasa de generar recomendaciones a influir en quién es contactado, cuándo se contacta y qué acción debe ocurrir a continuación, las consecuencias de una predicción errónea se vuelven más significativas. ¿Dónde debe permanecer obligatoria la supervisión humana y qué decisiones cree que la IA podrá tomar eventualmente de forma autónoma?

En las ciencias de la vida, existe una diferencia importante entre un sistema de IA que determina cuál audiencia es más relevante para un mensaje educativo y uno que toma una decisión que podría afectar directamente la atención de un paciente. Cuanto más se acerque una decisión impulsada por IA al juicio clínico, la elegibilidad del paciente u otros resultados de alto impacto, mayor será la importancia de la responsabilidad humana.

También hay una distinción entre supervisión e intervención. La IA no necesita necesariamente que una persona apruebe cada acción de bajo riesgo, pero sí requiere límites claros, auditabilidad y mecanismos para detectar cuando su comportamiento se sale de esos límites. Eso permite que los humanos sigan siendo responsables sin crear un cuello de botella que socave el valor de la automatización.

Creo que la IA puede tomar cada vez más decisiones autónomas en actividades de bajo riesgo y gran volumen, como la priorización de audiencias, la selección de canales, la programación y la secuenciación, siempre que esas decisiones se basen en datos gobernados y se supervisen continuamente. El objetivo debe ser reservar el juicio humano para las decisiones donde el contexto, la responsabilidad y las consecuencias lo exijan, mientras se permite que la IA gestione la complejidad operativa que los humanos simplemente no pueden manejar a escala. También considero valioso mantener a clínicos con licencia como “humanos en el bucle” en los puntos de control apropiados. Y los proveedores que cuentan con médicos en su personal son los que lograrán equilibrar la escala y el cumplimiento.

A menudo existe una brecha entre que un modelo de IA tenga buen desempeño según métricas técnicas y que realmente mejore los resultados en el mundo real. ¿Qué métricas son más importantes al evaluar la IA en la comercialización de ciencias de la vida, y cómo evitar optimizar por indicadores proxy como el compromiso cuando el objetivo final debería ser mejores resultados para los pacientes?

La IA en la comercialización debe juzgarse, en última instancia, por el valor que crea a lo largo del recorrido de atención, no por cuán eficientemente pueda optimizar una única interacción. Eso implica reconocer que el compromiso es un medio para un fin: un clic, una interacción completada o incluso una predicción muy precisa solo importan si ayudan a crear una intervención más relevante que pueda influir en lo que suceda a continuación.

Para las ciencias de la vida, observaría la progresión de métricas, desde la calidad de la audiencia y el momento de la intervención, hasta los cambios en el comportamiento de los profesionales de la salud, como la prescripción, y, en última instancia, el impacto posterior en los pacientes. El desafío es que, cuanto más se avanza en la cadena, más difícil resulta medir y atribuir los resultados, lo que tiende a impulsar la optimización de las métricas más fáciles de capturar.

Ahí es donde la estrategia de IA cobra importancia. Necesitamos diseñar marcos de medición que conecten el rendimiento del modelo y las señales de compromiso con resultados conductuales significativos y, cuando sea posible, clínicos. En OptimizeRx, eso implica usar datos de salud del mundo real para entender no solo si alcanzamos a alguien, sino si llegamos a la persona adecuada en el momento preciso del recorrido de atención, y si esa intervención generó una diferencia medible.

Mirando de tres a cinco años hacia adelante, ¿cómo se ve una organización de comercialización de ciencias de la vida nativa de IA? ¿Esperas que los agentes autónomos empiecen a gestionar partes del ciclo de decisiones comerciales por sí mismos, o será la evolución más importante que la IA proporcione continuamente inteligencia a los equipos humanos?

Creo que el marco de “agente” podría no ser tan relevante en los próximos años. En su lugar, pienso en que las empresas de ciencias de la vida se reestructuren como ecosistemas de datos que cualquier tecnología de IA pueda usar arbitrariamente. Incluso dentro de 5 años, no espero que muchas “decisiones empresariales” se automaticen completamente mediante agentes. En cambio, espero que la escala de experimentos en el lado de I+D aumente rápidamente, y que la inteligencia que alimenta la toma de decisiones comerciales de los humanos sea mucho más poderosa. Actualmente, las empresas de ciencias de la vida están organizadas en torno a estructuras organizativas que luego dictan sus formas de operar, según la Ley de Conway. Por ello, vemos que el marketing a profesionales de la salud (HCP) y al consumidor final (DTC) sigue realizándose en silos, y los equipos de analítica y marketing no están completamente alineados. A medida que el ecosistema de datos subyacente cambie, los equipos humanos también se transformarán, volviéndose más multifuncionales y, por tanto, manteniéndose en consonancia con la Ley de Conway. Las organizaciones serán más rápidas para implementar los conocimientos que la IA ya puede ofrecer, así como los nuevos conocimientos que la IA nos brindará en el futuro a medida que continúe volviéndose más sofisticada.

Gracias por la excelente entrevista. Los lectores que deseen obtener más información sobre la empresa y sus soluciones tecnológicas de salud pueden visitar OptimizeRx.