Mike Rousselle, AI-johtaja OptimizeRx – Interview Series

Mike Rousselle, OptimizeRx:n AI-johtaja, on tekoäly- ja terveydenhuollon teknologiajohtaja, jolla on lähes 15 vuoden kokemus AI:n soveltamisesta liiketoiminta-arvon luomiseen. Nykyisessä roolissaan hän johtaa AI-pohjaisten teknologioiden kehittämistä ja käyttöönottoa, joiden tavoitteena on tehdä elintieteiden yritysten, terveydenhuollon ammattilaisten (HCP) ja potilaiden välistä viestintää kliinisesti merkityksellisempää ja toimivampaa. Hänen työnsä kattaa ennustavan älykkyyden, käyttäytymis- ja kliiniset signaalit, kohdeyleisön kohdistamisen sekä AI-voimaiset työkalut, jotka auttavat tunnistamaan tärkeät hoito- ja reseptöintitilanteet. Ennen kuin hän liittyi OptimizeRx:iin, Rousselle toimi tehtävissä Athenahealthissa, Clarivitessa ja HubSpotissa, tuoden mukanaan kokemusta terveydenhuollosta, datasta ja yritysteknologiasta. Hänellä on kandidaatin tutkinnot taloustieteessä ja rahoituksessa Rochester Institute of Technology -koulusta.

OptimizeRx on terveydenhuollon teknologia‑yritys, joka yhdistää elintieteiden organisaatiot terveydenhuollon tarjoajiin ja potilaisiin käyttäen dataa, tekoälyä ja digitaalisia sitoutumisteknologioita. Yritys perustettiin vuonna 2006, alun perin keskittyen alennuskuponkien ja omavastuuavustusten tarjoamiseen sähköisten potilastietojärjestelmien (EHR) ja e‑reseptialustojen kautta, mutta on sittemmin laajentanut toimintaansa laajemmaksi terveydenhuollon markkinointi‑ ja potilassitoutumisalustaksi. Sen teknologia yhdistää todellisiin terveyssignaaleihin perustuvat tiedot, ennustavan älykkyyden, hoitopiste‑integraatiot ja monikanavatoiminnan, auttaen lääkeyhtiöitä tunnistamaan relevantit HCP‑ ja potilaisyhteisöt ja sitouttamaan ne hoitopolun keskeisissä vaiheissa. Viime aikoina OptimizeRx on laajentanut AI‑kykyjään työkaluilla kuten Natural Language Audience Builder, jonka avulla terveydenhuollon markkinoijat voivat luoda HCP‑ ja tietosuojan kannalta turvallisia kuluttajayleisöjä käyttäen tavallisia kielikomentoja.

Olet käyttänyt lähes 15 vuotta AI:ta liiketoimintaongelmien ratkaisemiseen eri organisaatioissa, kuten Athenahealthissa, Clarivitessa ja HubSpotissa, ja OptimizeRx:ssä olet edennyt data‑tuotteiden johtamisesta AI‑johtajan rooliin. Miten tämä matka on muokannut näkemystäsi siitä, missä AI voi luoda merkittävää arvoa terveydenhuollossa, verrattuna sovelluksiin, jotka voivat olla teknologisesti vaikuttavia, mutta lopulta pinnallisia

Yksi tärkeimmistä opeistani urani aikana on, että vaikka pidän tekoälyä \”siistinä\” ja sen käyttö onkin hauskaa, sillä ei ole merkitystä lainkaan, jos AI:ta ei käytetä asiakkaan ongelman ratkaisemiseen. Kyse ei ole AI:n käyttämisestä lähtökohtana; kyse on konkreettisten haasteiden ja tehottomuuksien terveydenhuollossa keskittymistä, joita voimme parantaa.

OptimizeRx:ssä pyrimme ratkaisemaan yhden perustavanlaatuisen haasteen: bränditiedon ja -viestinnän sovittamista tarkemmin potilaan matkaan, jotta ne voivat paremmin tukea hoitopäätöksiä. Tämä auttaa lääkäreitä, jotka ovat hukassa mainonnan tulvassa, joka ei välttämättä ole heille tai heidän potilailleen merkityksellistä. Se auttaa potilaita, jotka altistuvat epäolennaiselle tai virheelliselle terveysinformaatioon sosiaalisessa mediassa ja muilla kuluttajakanavilla.  Ja se auttaa elintieteiden brändejä, jotka ovat jatkuvasti paineen alla saavuttaa kaupalliset tavoitteensa. Tämän haasteen ratkaisemisen kompassi on brändiin kelpaava potilas.

Jos käytämme AI:ta löytääksemme heidät aikaisemmin, tarkemmin ja juuri sillä hetkellä, kun heistä tulee brändille kelpaavia, voimme toimittaa suurempaa hyötyä tarjoavampaa tietoa heidän tarjoajalleen, tarjota relevantimpaa suoraa kuluttajamarkkinointia ja auttaa brändiä käyttämään mediabudjettinsa tehokkaammin ja vaikuttavammin.

Viimeaikainen yritys‑AI‑keskustelu on keskittynyt enimmäkseen generatiiviseen AI:hin ja sisällöntuotantoon. Olet puolustanut siirtymistä AI:hin, joka auttaa organisaatioita tekemään päätöksiä. Mikä erottaa aitoa “päätöksenteko‑älyä” pelkästä generatiivisen AI‑käyttöliittymän lisäämisestä olemassa oleviin analytiikkatyökaluihin?

Ero perustuu siihen, auttaako AI sinua vain tiedon hakemisessa vai auttaako se todella tekemään parempia päätöksiä. Generatiivisen AI‑käyttöliittymän lisääminen analytiikkaan voi tehdä tiedon kyselystä tai tiivistämisestä helpompaa, mutta taustalla oleva älykkyys ei ole olennaisesti muuttunut. Pyydät edelleen henkilöä tulkitsemaan tiedot, määrittämään, mikä on merkittävää, ja päättämään, mitä seuraavaksi tehdään.

Aito päätöksenteko‑äly sulkee sen aukon yhdistämällä useita signaaleja, tunnistamalla kuvioita ja kontekstia, ennustamalla todennäköisiä tuloksia ja muuntamalla nämä oivallukset suositelluiksi toimenpiteiksi. Yhtä tärkeää on, että päätöksenteko‑äly myös oppii näiden toimien tuloksista ja käyttää dataa jatkuvasti parantaakseen tulevia suosituksia. Elintieteiden markkinoinnissa tämä esimerkiksi tarkoittaa siirtymistä pelkästä kampanjan suorituskyvyn raportoimisesta kohti ennustamista, mitkä yleisöt todennäköisimmin reagoivat (ja millä kanavilla), ennakoimalla, mikä viesti on relevantti, ja mittaamalla näiden ennusteiden tarkkuutta. Arvo piilee suljetun silmukan älykkyydessä, eli kyvyssä muuttaa data päätöksiksi ja jatkuvasti parantaa näitä päätöksiä ajan myötä. Tämä on todellinen temppu, jonka avulla markkinoijat voivat kohdentaa resurssit paremmin tarkoituksenmukaisesti ja tehokkaasti.

OptimizeRx:n Dynaaminen yleisöaktivointialusta käyttää tekoälyä ja todellista dataa tunnistaakseen terveydenhuollon tarjoajat, jotka hoitavat mahdollisesti kelpoisia potilaita, ja ennustaa, milloin sitoutuminen on kaikkein relevanttia. Mitkä signaalityypit ovat arvokkaimpia näille ennustemalleille, ja miten määrittelet, onko malli havainnut merkityksellisen kliinisen mallin vai harhaanjohtavan korrelaation?

Signaalin arvo perustuu ajoitukseen ja käytännön lääketieteelliseen merkitykseen, kun taas tarkkuus säilyy selkeän kliinisen logiikan ja jatkuvan tulosseurannan avulla. Keskitymme suoraviivaisiin indikaattoreihin, kuten siihen, milloin potilas tarvitsee lääkkeen vaihtoa, keskeisiin laboratoriotuloksiin ja tuleviin lääkäriaikoihin. Potilaan terveystietojen yhdistäminen oikeaan ajankohtaan käynnin aikana on se, mikä tekee yhteydenotosta tehokasta.

Jotta malli ei jahda harhaanjohtavia kuvioita, kuten sekoittaisi kiireisen yleislääkärin erikoislääkäriin, joka todellisuudessa hoitaa kyseistä sairautta, ohjaamme teknologiaa käyttämällä standardeja lääketieteellisiä ohjeita ja realistisia hoitoaikatauluja. Tarkistamme tuloksemme sen jälkeen todellista reseptidataa ja vertailuryhmiä vastaan varmistaaksemme, että keskitymme vain niihin hetkiin, jotka johtavat aitoihin muutoksiin potilashoitoon.

OptimizeRx lanseerasi äskettäin Natural Language Audience Builderin, jonka avulla markkinoijat voivat kuvata yleisön luonnollisella kielellä ja muuttaa pyynnön brändikohtaisiksi, koordinoiduiksi HCP- ja kuluttajayleisöiksi. Mitä tapahtuu teknisesti alkuperäisen kehotteen ja lopullisen yleisön välillä, ja miten estätte epäselvyyden tai harhakuvitelmien vaikuttamisen johonkin, joka lopulta ohjaa todellisia päätöksiä?

Prosessi perustuu kielen tekoälyn käyttöön tulkinnassa, samalla kun lopullisen NPI-listan tuottamiseen luotetaan todelliseen kliiniseen ja EHR-verkostodataan sekä OptimizeRx:n Micro-Neighborhood® Targetingiin kuluttajayleisöille. Kun markkinoija syöttää kehotteen, järjestelmä jakaa pyynnön kohdeparametreihin, kuten lääketieteellisiin erikoisaloihin, potilasmääriin ja reseptikäyttäytymiseen, ilman että se turvautuu staattisiin, ennalta rakennettuihin yleisösegmentteihin.

Koska todelliset kaupalliset päätökset ovat kyseessä, harhakuvitelmat estetään varmistamalla, että AI-malli toimii tulkkina, joka hakee tietoja vahvistetuista palveluntarjoajarekistereistä ja todellisista kliinisistä tietoaineistoista. Alusta muuntaa kehotteen tiedot vahvistetuiksi NPI-listoiksi ja Micro-Neighborhood‑yleisöiksi, jolloin markkinoijat voivat tarkastella, järjestää ja tarkentaa täsmällisesti vastaavia lääkäriprofiileja ja/tai kuluttajasegmenttejä ennen kohdeyleisön viimeistelyä.

Perinteinen lääkealan markkinointi on usein nojannut melko staattiseen segmentointiin, joka perustuu historialliseen reseptikäyttäytymiseen. Miten tekoäly muuttaa tätä mallia, kun yleisöjä voidaan sen sijaan jatkuvasti uudelleenarvioida potilasmatkojen muutosten ja ennustettujen hoitoikkunoiden perusteella?

Tekoäly antaa markkinoijille mahdollisuuden reagoida hoitomatkan muutoksiin niiden tapahtuessa. Yhdistämällä signaaleja, kuten reseptikäyttäytymistä, potilaspopulaatioita, HCP‑sitoutumista ja muuta kontekstuaalista dataa, mallit voivat tunnistaa, milloin HCP ja hänen potilaansa lähestyvät merkittävää päätöspistettä, ja jatkuvasti uudelleenarvioida yleisön sen kontekstin perusteella.

Tämä tarkoittaa, että yleisöaktivointi voi kehittyä hoitomatkan mukana. Kun potilaat siirtyvät tiettyyn hoitovaiheeseen, brändi tulee heille ja heidän hoitavan HCP:nsä osalta merkityksellisempään, ja ajoituksen, kanavan sekä viestin tulisi mukautua ikkunan muuttuessa. Ajan myötä järjestelmä voi oppia näistä vuorovaikutuksista ja parantaa tapaa, jolla se tunnistaa potilaat, HCP:t ja aikavälit, jotka todennäköisimmin vaikuttavat reseptikäyttäytymiseen.

Lääkealan markkinoijille tämä luo dynaamisemman, synkronoidun lähestymistavan HCP- ja kuluttajamarkkinointiin, jossa yhdistetään historiallinen käyttäytyminen reaaliaikaisiin signaaleihin sen määrittämiseksi, kenelle tavoittaa, milloin tavoittaa ja mikä on kyseisessä hetkessä merkityksellisintä.

Perusmallit ovat erittäin voimakkaita kielen käsittelyssä, kun taas erikoistuneet ennustemallit voivat soveltua paremmin strukturoituun terveydenhuollon dataan ja tarkasti määriteltyihin tuloksiin. Miten ajattelette suurten kielimallien yhdistämistä perinteisempiin koneoppimisen järjestelmiin terveydenhuollon AI‑tuotteita rakennettaessa?

Hyvä kysymys! Kuten aiemmin keskustelussa viittasin, tavoitteena ei ole yhdistää näitä AI‑tekniikoita mielivaltaisesti vain siksi, että se on hauskaa. Tavoitteena on aina saavuttaa tarkempi ennuste, joka pystyy paremmin ratkaisemaan tietyn asiakkaan ongelman. Suuri osa terveydenhuollon datasta on strukturoitua (vaikka sekin voi olla likainen, osittainen ja viivästynyt), mikä tekee siitä ihanteellisen numeristen ja kategoristen ominaisuuksien avulla tehtäviin ennusteisiin. Tästä huolimatta on joitakin raakadataputken osa‑alueita (esim. kliiniset muistiinpanot, luova sisältö/teksti), jotka voisivat hyödyntää perus‑LLM:itä esikäsittelijänä ominaisuuden koodaamisessa ennen sen soveltamista strukturoituun ennustetehtävään – kuten “onko tämä potilas valmis vaihtamaan merkkiä?”.

OptimizeRx yhdistää yhä enemmän HCP‑ ja suoraan kuluttajille suunnattua älykkyyttä, jotta potilaiden ja palveluntarjoajien välinen sitoutuminen voidaan synkronoida paremmin. Kuinka tekoäly voi yhdistää nämä kaksi terveydenhuollon matkan puolta säilyttäen samalla herkän terveysdatan käsittelyyn vaadittavat yksityisyysrajat?

AI yhdistää potilaan ja terveydenhuollon tarjoajan sitoutumisen arvioimalla todellisia kliinisiä signaaleja yhteisten hoitomomenttien tunnistamiseksi sen sijaan, että seurattaisiin yksittäisiä ihmisiä. Teknologia yhdistää kaksi osapuolta analysoimalla anonymisoituja potilaspopulaatiotrendejä yhdessä lääkärien reseptikäyttäytymisen kanssa. Tämä mahdollistaa markkinointitiimien kohdistaa kuluttajakoulutusta, kuten TV-, digitaalista tai sosiaalista mainontaa, hoitopisteen tietoihin lääkärin sähköisessä potilastietojärjestelmässä, varmistaen että sekä potilas että lääkäri saavat olennaista tietoa samassa hoitopäätöspisteessä.

Tiukan tietosuojan noudattamisen varmistamiseksi AI toimii kokonaan anonymisoidulla, koottavalla datalla käyttäen patentoitua Micro-Neighborhood-teknologiaa, jonka mainitsin aiemmin. Sen sijaan, että kohdistettaisiin yksittäisiä potilaita tai käytettäisiin henkilökohtaista terveysseurantaa, järjestelmä analysoi kliinisiä trendejä paikallisella, maantieteellisellä tasolla ja yhdistää nämä trendit alueen lääkärien toimintaan. Tämä lähestymistapa luo täysin synkronoidun kampanjan, joka kunnioittaa kuluttajien yksityisyyttä, varmistaa täyden HIPAA- ja osavaltiokohtaisten tietosuojalakien noudattamisen samalla kun se toimittaa ajantasaista, koordinoitua hoitoviestintää.

Kun AI siirtyy suositusten antamisesta vaikuttamaan siihen, ketä otetaan yhteyttä, milloin heihin otetaan yhteyttä ja mitä toimenpide tulisi toteuttaa seuraavaksi, huonon ennusteen seuraukset kasvavat merkittävästi. Missä ihmisen valvonta tulisi pitää pakollisena, ja mitkä päätökset sinun mielestäsi AI voi lopulta tehdä itsenäisesti?

Elintarvike- ja lääketieteellisessä tutkimuksessa on merkittävä ero AI-järjestelmän välillä, joka määrittää, mikä yleisö on merkityksellisin koulutusviestille, ja sen välillä, joka tekee päätöksen, joka voi suoraan vaikuttaa potilaan hoitoon. Mitä lähempänä AI-pohjainen päätös on kliiniseen harkintaan, potilaan kelpoisuuteen tai muihin korkean vaikutuksen tuloksiin, sitä tärkeämpää ihmisen vastuullisuus on.

Myös valvonnan ja puuttumisen välillä on ero. AI ei välttämättä tarvitse ihmistä hyväksymään jokaista vähäriskistä toimenpidettä, mutta sen on oltava selkeiden rajojen, auditointimahdollisuuden ja mekanismien varassa, jotka havaitsevat, kun sen toiminta poikkeaa näistä rajoista. Tämä mahdollistaa ihmisten pysymisen vastuullisina ilman, että syntyy pullonkaulaa, joka heikentäisi automaation arvoa.

Uskon, että AI voi yhä enemmän tehdä itsenäisiä päätöksiä alhaisen riskin, suuren volyymin toiminnoissa, kuten yleisön priorisoinnissa, kanavavalinnassa, ajoituksessa ja sekvensoinnissa, kun nämä päätökset perustuvat hallittuun dataan ja niitä valvotaan jatkuvasti. Tavoitteena tulisi varata ihmisen harkinta päätöksiin, joissa konteksti, vastuullisuus ja seuraukset sitä vaativat, samalla kun AI hoitaa operatiivisen monimutkaisuuden, jota ihmiset eivät pysty hallitsemaan mittakaavassa. Lisäksi on arvokasta pitää lisensoidut kliinikot “ihmiset silmukassa” sopivissa tarkistuspisteissä.  Ja toimittajat, joilla on MD:t henkilökunnassa, ovat ne, jotka löytävät tasapainon mittakaavan ja säädösten välillä.

Usein on ero AI-mallin teknisten mittareiden mukaisen suorituksen ja todellisten tulosten parantamisen välillä reaalimaailmassa. Mitkä mittarit ovat tärkeimpiä arvioitaessa AI:ta elintarvike- ja lääketieteellisessä kaupallistamisessa, ja miten vältetään optimointi välillisten mittareiden, kuten sitoutumisen, puolesta, kun lopullisen tavoitteen tulisi olla paremmat potilaslopputulokset?

Kaupallistamisen AI:n tulisi lopulta arvioida sen luomaa arvoa koko hoitomatkan aikana, ei sitä, kuinka tehokkaasti se voi optimoida yksittäistä vuorovaikutusta. Tämä edellyttää tunnistamista, että sitoutuminen on keino päämäärään: klikkaus, suoritettu vuorovaikutus tai jopa erittäin tarkka ennuste on merkityksellinen vain, jos se auttaa luomaan relevantimman toimenpiteen, joka voi vaikuttaa siihen, mitä seuraavaksi tapahtuu.

Elintarvike- ja lääketieteellisessä alalla tarkastelisin mittareiden kehitystä – yleisön laadusta ja toimenpiteen ajoituksesta HCP:n käyttäytymisen muutoksiin, kuten reseptien määrään, ja lopulta potilaiden vaikutuksiin. Haasteena on, että mitä alempana ketjussa mennään, sitä vaikeampaa on mitata ja kohdistaa tuloksia, mikä houkuttelee optimoimaan helpoimmin kerättävien mittareiden puolesta.

Tässä AI-strategia on merkityksellinen. Meidän on suunniteltava mittauskehyksiä, jotka yhdistävät mallin suorituskyvyn ja sitoutumissignaalit merkityksellisiin käyttäytymis- ja mahdollisuuksien mukaan kliinisiin tuloksiin. OptimizeRx:ssä tämä tarkoittaa todellisten terveydenhuollon tietojen käyttöä ymmärtääksemme, emmekö vain saavuttaneet jotakuta, vaan olimmeko saavuttaneet oikean henkilön oikeassa vaiheessa hoitomatkalla, ja tekikö se toimenpide mitattavan eron.

Katsottaessa kolmen ja viiden vuoden päähän, miltä AI-syntyinen elintarvike- ja lääketieteellinen kaupallistamisorganisaatio näyttää? Odotatko, että autonomiset agentit alkavat hallita osia kaupallisen päätöslangan osista itse, vai onko tärkeämpi kehitys AI:n jatkuvassa älykkyyden tarjoamisessa ihmisryhmille?

Mielestäni “agentti”-kehys ei välttämättä ole yhtä merkityksellinen tulevina vuosina. Sen sijaan pohdin, miten elintarvike- ja biotieteiden yritykset järjestäytyvät uudelleen dataekosysteemeiksi, joita mikä tahansa tekoälyteknologia voi mielivaltaisesti hyödyntää. Enkä edes viiden vuoden kuluttua odota, että monet “liiketoimintapäätökset” automatisoitaisiin täysin agenttien avulla. Sen sijaan odotan, että T&K‑puolen kokeiden mittakaava kasvaa nopeasti, ja että kaupalliseen päätöksentekoon vaikuttava älykkyys on paljon voimakkaampaa. Tällä hetkellä elintarvike- ja biotieteiden yritykset on järjestetty organisaatiorakenteiden ympärille, jotka sitten määräävät toimintatavat, viitaten Conway’n lakiin. Tästä syystä näemme, että HCP- ja DTC-markkinointi toteutetaan edelleen siiloissa, eikä analytiikka- ja markkinointitiimit ole täysin linjassa. Kun taustalla oleva dataekosysteemi muuttuu, myös ihmistiimit muuttuvat, tullaan monialaisemmiksi ja pysymme siten edelleen Conway’n lain mukaisina. Organisaatiot pystyvät toteuttamaan nopeammin tekoälyn jo nyt tarjoamia oivalluksia sekä tulevaisuudessa tekoälyn meille tarjoamia uusia oivalluksia, kun se jatkaa kehittymistään.

Kiitos erinomaisesta haastattelusta. Lukijat, jotka haluavat oppia lisää yrityksestä ja sen terveydenhuollon teknologiaratkaisuista, voivat vierailla OptimizeRx.