Mike Rousselle, Chief AI Officer chez OptimizeRx – Série d’interviews

Mike Rousselle, Chief AI Officer chez OptimizeRx, est un dirigeant spécialisé en intelligence artificielle et technologies de santé avec près de 15 ans d’expérience dans l’application de l’IA pour créer de la valeur commerciale. Dans son rôle actuel, il dirige le développement et l’application de technologies pilotées par l’IA conçues pour rendre les communications entre les entreprises des sciences de la vie, les professionnels de santé (HCP) et les patients plus cliniquement pertinentes et exploitables. Son travail couvre l’intelligence prédictive, les signaux comportementaux et cliniques, le ciblage d’audience et les outils alimentés par l’IA qui aident à identifier les moments clés de traitement et de prescription. Avant de rejoindre OptimizeRx, Rousselle a occupé des postes chez Athenahealth, Clarivate et HubSpot, apportant une expérience dans les domaines de la santé, des données et des technologies d’entreprise. Il est titulaire d’un baccalauréat en économie et en finance de la Rochester Institute of Technology.

OptimizeRx est une entreprise de technologie de santé qui met en relation les organisations des sciences de la vie avec les prestataires de soins et les patients en utilisant des données, l’intelligence artificielle et des technologies d’engagement numérique. Fondée en 2006, la société se concentrait initialement sur la distribution de coupons et d’aides au co-paiement via les dossiers de santé électroniques (EHR) et les plateformes de prescription électronique, mais s’est depuis élargie à une plateforme plus vaste de marketing de santé et d’engagement des patients. Sa technologie combine des signaux de santé du monde réel, l’intelligence prédictive, des intégrations au point de soins et une activation omnicanale pour aider les entreprises pharmaceutiques à identifier les audiences pertinentes de HCP et de patients et à les engager lors des moments clés du parcours de traitement. Plus récemment, OptimizeRx a élargi ses capacités d’IA avec des outils tels que son Natural Language Audience Builder, qui permet aux marketeurs de santé de créer des audiences de HCP et des audiences grand public respectueuses de la vie privée à l’aide d’instructions en langage naturel

Vous avez passé près de 15 ans à appliquer l’IA à des problèmes commerciaux au sein d’organisations telles qu’Athenahealth, Clarivate et HubSpot, et chez OptimizeRx vous êtes passé de la direction de produits de données à celle de Chief AI Officer. Comment ce parcours a-t-il façonné votre vision de la manière dont l’IA peut créer une valeur significative dans le secteur de la santé, par rapport à des applications qui peuvent être technologiquement impressionnantes mais finalement superf

L’une de mes principales leçons au cours de ma carrière est que, aussi « cool » que je trouve l’IA, et aussi amusant que ce soit de l’utiliser, cela n’a absolument aucune importance si l’IA n’est pas mise au service du problème du client. Il ne s’agit pas d’utiliser l’IA comme point de départ ; il s’agit de se concentrer sur les défis concrets et les inefficacités du secteur de la santé que nous pouvons améliorer.

Chez OptimizeRx, nous cherchons à résoudre un seul défi fondamental : aligner les informations et les communications de marque plus étroitement avec le parcours du patient, afin qu’elles puissent mieux soutenir les décisions de soins. Cela aide les médecins, submergés par des publicités qui peuvent ou non être pertinentes pour eux et leurs patients. Cela aide les patients exposés à des informations de santé inutiles ou inexactes sur les réseaux sociaux et d’autres canaux grand public. Et cela aide les marques des sciences de la vie qui sont constamment sous pression pour atteindre leurs objectifs commerciaux. Notre pierre angulaire pour résoudre ces défis est le patient éligible à la marque.

Si nous utilisons l’IA pour les identifier plus tôt, plus précisément, et juste au moment où ils deviennent prêts pour la marque, nous pouvons fournir des informations à plus forte valeur ajoutée à leur prestataire, proposer une publicité DTC plus pertinente, et aider la marque à dépenser ses dollars médias de manière plus efficace et percutante.

Une grande partie des récentes discussions sur l’IA en entreprise s’est concentrée sur l’IA générative et la création de contenu. Vous avez plaidé pour une IA qui aide les organisations à prendre des décisions. Qu’est-ce qui distingue la véritable « intelligence décisionnelle » du simple fait de placer une interface d’IA générative au-dessus des analyses existantes ?

La distinction réside dans le fait de savoir si l’IA se contente de vous aider à accéder à l’information, ou si elle vous aide réellement à prendre de meilleures décisions. Superposer une interface d’IA générative aux analyses peut rendre les données plus faciles à interroger ou à résumer, mais l’intelligence sous‑jacente n’a pas fondamentalement changé. Vous demandez toujours à une personne d’interpréter l’information, de déterminer ce qui est important et de décider de la prochaine action.

La véritable intelligence décisionnelle comble cet écart en rassemblant de multiples signaux, en reconnaissant les modèles et le contexte, en prédisant les résultats probables et en traduisant ces informations en actions recommandées. Tout aussi important, l’intelligence décisionnelle apprend également des résultats de ces actions et utilise ces données pour améliorer continuellement les recommandations futures. Dans le marketing des sciences de la vie, par exemple, cela signifie aller au-delà du simple reporting des performances de campagne pour prédire quelles audiences sont les plus susceptibles de répondre (et sur quels canaux), anticiper quel message est pertinent, et mesurer la précision de ces prédictions. La valeur réside dans l’intelligence en boucle fermée, c’est‑à‑dire la capacité de transformer les données en décisions et d’améliorer continuellement ces décisions au fil du temps. C’est le vrai atout pour aider les marketeurs à allouer les ressources de manière plus appropriée et efficace.

La plateforme d’Activation d’Audience Dynamique d’OptimizeRx utilise l’IA et des données du monde réel pour identifier les prestataires de soins traitant des patients potentiellement éligibles et prédire quand l’engagement peut être le plus pertinent. Quels types de signaux sont les plus précieux pour ces modèles prédictifs, et comment déterminez‑vous si le modèle a identifié un schéma clinique significatif plutôt qu’une corrélation trompeuse ?

La valeur d’un signal dépend du moment et de la pertinence médicale pratique, tandis que la précision est maintenue grâce à une logique clinique claire et à un suivi continu des résultats. Nous nous concentrons sur des indicateurs simples tels que le moment où un patient doit changer de traitement, les résultats de laboratoire clés et les prochains rendez‑vous médicaux. Combiner l’historique de santé d’un patient avec le bon timing lors d’une visite constitue ce qui rend la prospection efficace.

Pour empêcher le modèle de poursuivre des schémas trompeurs, comme confondre un médecin généraliste très occupé avec un spécialiste qui gère réellement la maladie, nous orientons la technologie à l’aide des directives médicales standard et de calendriers de traitement réalistes. Nous vérifions ensuite nos résultats à l’aide de données de prescription du monde réel et de groupes de comparaison afin de nous assurer que nous nous concentrons uniquement sur les moments qui entraînent de véritables changements dans les soins aux patients.

OptimizeRx a récemment lancé son Natural Language Audience Builder, qui permet aux marketeurs de décrire une audience en langage naturel et de transformer cette requête en audiences HCP et consommateurs coordonnées et spécifiques à la marque. Que se passe‑t‑il techniquement entre l’invite initiale et l’audience finale, et comment évitez‑vous que l’ambiguïté ou les hallucinations n’influencent quelque chose qui, au final, guide des décisions du monde réel ?

Le processus repose sur l’utilisation de l’IA linguistique pour l’interprétation, tout en s’appuyant sur des données cliniques du monde réel et le réseau de dossiers médicaux électroniques (EHR) pour la génération finale de la liste NPI, ainsi que sur le Micro‑Neighborhood® Targeting d’OptimizeRx pour les audiences consommateurs. Lorsqu’un marketeur saisit une invite, le système décompose la requête en paramètres cibles, tels que les spécialités médicales, le volume de patients et les comportements de prescription, sans dépendre de segments d’audience statiques et pré‑construits.

Étant donné que des décisions commerciales du monde réel sont en jeu, les hallucinations sont évitées en veillant à ce que le modèle d’IA agisse comme un interprète qui interroge des registres de prestataires authentifiés et des ensembles de données cliniques réelles. La plateforme traduit les détails de l’invite en listes NPI vérifiées et en audiences Micro‑Neighborhood, permettant aux marketeurs de visualiser, classer et affiner les profils de médecins et/ou les segments consommateurs correspondant exactement avant de finaliser l’audience cible.

Le marketing pharmaceutique traditionnel s’est souvent appuyé sur une segmentation relativement statique basée sur le comportement de prescription historique. Comment l’IA modifie‑t‑elle ce modèle lorsque les audiences peuvent être continuellement re‑priorisées en fonction des parcours patients évolutifs et des fenêtres de soins prédites ?

L’IA offre aux marketeurs la capacité de répondre aux changements du parcours de soins en temps réel. En rassemblant des signaux tels que le comportement de prescription, les populations de patients, l’engagement des HCP et d’autres données contextuelles, les modèles peuvent identifier le moment où un HCP et son patient approchent d’un point de décision significatif et re‑prioriser continuellement l’audience en fonction de ce contexte.

Cela signifie que l’activation d’audience peut évoluer parallèlement au parcours de soins. À mesure que les patients entrent dans une étape particulière du soin, la marque devient plus pertinente pour eux et leur HCP traitant, et le moment, le canal et le message doivent s’ajuster à mesure que cette fenêtre évolue. Au fil du temps, le système peut apprendre de ces interactions et améliorer la façon dont il identifie les patients, les HCP et les périodes les plus susceptibles d’influencer le comportement de prescription.

Pour les marketeurs pharmaceutiques, cela crée une approche plus dynamique et synchronisée du marketing auprès des HCP et des consommateurs, qui combine le comportement historique avec des signaux en temps réel afin de déterminer qui atteindre, quand les atteindre et ce qui sera le plus pertinent à ce moment‑là.

Les modèles de fondation sont extrêmement puissants pour travailler avec le langage, tandis que les modèles prédictifs spécialisés peuvent être mieux adaptés aux données de santé structurées et aux résultats étroitement définis. Comment envisagez‑vous la combinaison de grands modèles de langage avec des systèmes d’apprentissage automatique plus traditionnels lors de la création de produits d’IA en santé ?

Excellente question ! Comme je l’ai évoqué plus tôt dans la conversation, le but n’est pas de combiner arbitrairement ces techniques d’IA simplement parce que c’est amusant. Il s’agit toujours d’obtenir une prédiction plus précise qui puisse mieux résoudre un problème client spécifique. Une grande partie des données de santé est structurée (même si elle peut aussi être sale, partielle et en retard), ce qui la rend idéale pour la prédiction à l’aide de caractéristiques numériques et catégorielles. Cela dit, certains aspects du flux de données brutes (par ex., les notes cliniques, le contenu créatif/texte) pourraient bénéficier de LLM de base comme pré‑processeur afin d’encoder la caractéristique avant de l’appliquer à un problème de prédiction structuré – comme « le patient est‑il prêt à changer de marque ? »

OptimizeRx relie de plus en plus l’intelligence des HCP et du direct‑to‑consumer afin que l’engagement avec les patients et les prestataires puisse être mieux synchronisé. Comment l’IA peut‑elle connecter ces deux côtés du parcours de santé tout en respectant les limites de confidentialité requises lors du traitement de données de santé sensibles ?

L’IA relie l’engagement des patients et des prestataires en évaluant les signaux cliniques du monde réel afin d’identifier des moments de soins partagés, plutôt qu’en suivant des personnes individuelles. La technologie connecte les deux parties en analysant les tendances de populations de patients anonymisées parallèlement aux comportements de prescription des médecins. Cela permet aux équipes marketing d’aligner l’éducation des consommateurs – comme la télévision, le numérique ou les publicités sur les réseaux sociaux – avec les informations disponibles au point de soins dans le système de dossier de santé électronique du médecin, garantissant que le patient et le médecin reçoivent des informations pertinentes au même moment de décision thérapeutique.

Pour maintenir une conformité stricte en matière de confidentialité, l’IA fonctionne entièrement sur des données agrégées et anonymisées en utilisant notre technologie brevetée Micro‑Neighborhood mentionnée ci‑dessus. Au lieu de cibler des patients individuels ou d’utiliser le suivi de santé personnel, le système analyse les tendances cliniques à un niveau géographique localisé et les recoupe avec l’activité des médecins dans la zone. Cette approche crée une campagne entièrement synchronisée qui respecte la vie privée des consommateurs, assurant une conformité totale avec la HIPAA et les lois de confidentialité des États tout en délivrant des messages de soins coordonnés et opportuns.

À mesure que l’IA passe de la génération de recommandations à l’influence sur qui est contacté, quand il est contacté et quelle action doit suivre, les conséquences d’une mauvaise prédiction deviennent plus importantes. Où la supervision humaine doit‑elle rester obligatoire, et quelles décisions pensez‑vous que l’IA pourra éventuellement prendre de façon autonome ?

Dans les sciences de la vie, il existe une différence significative entre un système d’IA qui détermine quel public est le plus pertinent pour un message éducatif et un système qui prend une décision pouvant affecter directement les soins d’un patient. Plus une décision pilotée par l’IA s’approche du jugement clinique, de l’éligibilité du patient ou d’autres résultats à fort impact, plus la responsabilité humaine devient cruciale.

Il existe également une distinction entre supervision et intervention. L’IA n’a pas nécessairement besoin qu’une personne approuve chaque action à faible risque, mais elle nécessite des limites claires, une auditabilité et des mécanismes pour détecter quand son comportement sort de ces limites. Cela permet aux humains de rester responsables sans créer de goulet d’étranglement qui nuirait à la valeur de l’automatisation.

Je crois que l’IA pourra de plus en plus prendre des décisions autonomes concernant des activités à faible risque et à haut volume, comme la priorisation d’audience, le choix des canaux, le timing et le séquençage, à condition que ces décisions reposent sur des données gouvernées et soient continuellement surveillées. L’objectif doit être de réserver le jugement humain aux décisions où le contexte, la responsabilité et les conséquences l’exigent, tout en laissant l’IA gérer la complexité opérationnelle que les humains ne peuvent pas gérer à grande échelle. Je pense également qu’il est utile de garder des cliniciens agréés comme « humains dans la boucle » aux points de contrôle appropriés. Et les fournisseurs qui emploient des médecins sont ceux qui parviendront à équilibrer l’échelle et la conformité.

Il existe souvent un écart entre la bonne performance d’un modèle d’IA selon des métriques techniques et l’amélioration réelle des résultats dans le monde réel. Quelles métriques sont les plus importantes lors de l’évaluation de l’IA dans la commercialisation des sciences de la vie, et comment éviter d’optimiser pour des indicateurs de substitution tels que l’engagement alors que l’objectif ultime devrait être de meilleurs résultats pour les patients ?

L’IA dans la commercialisation doit finalement être jugée à l’aune de la valeur qu’elle crée tout au long du parcours de soins, et non de l’efficacité avec laquelle elle optimise une interaction unique. Cela implique de reconnaître que l’engagement n’est qu’un moyen d’atteindre une fin : un clic, une interaction terminée ou même une prédiction très précise ne comptent que s’ils contribuent à créer une intervention plus pertinente capable d’influencer ce qui se passe ensuite.

Pour les sciences de la vie, j’examinerais la progression des métriques – de la qualité de l’audience et du timing de l’intervention, aux changements de comportement des prestataires de soins tels que les prescriptions, jusqu’à l’impact en aval sur les patients. Le défi est que plus on descend en aval, plus les résultats sont difficiles à mesurer et à attribuer, ce qui rend tentant d’optimiser les métriques les plus faciles à capturer.

C’est là que la stratégie d’IA entre en jeu. Nous devons concevoir des cadres de mesure qui relient la performance du modèle et les signaux d’engagement à des résultats comportementaux et, lorsque cela est possible, cliniques significatifs. Chez OptimizeRx, cela signifie utiliser des données de santé du monde réel pour comprendre non seulement si nous avons atteint quelqu’un, mais si nous avons atteint la bonne personne au bon moment du parcours de soins, et si cette intervention a eu un impact mesurable.

En regardant trois à cinq ans dans le futur, à quoi ressemble une organisation de commercialisation des sciences de la vie native à l’IA ? Prévoyez‑vous que des agents autonomes commenceront à gérer eux‑mêmes des parties de la boucle de décision commerciale, ou l’évolution la plus importante sera‑t‑elle que l’IA fournisse continuellement de l’intelligence aux équipes humaines ?

Je pense que le cadre « agent » pourrait ne plus être aussi pertinent dans les années à venir. À la place, j’imagine les entreprises des sciences de la vie se restructurer en écosystèmes de données que n’importe quelle technologie d’IA pourrait exploiter librement. Même dans 5 ans, je ne m’attends pas à ce que de nombreuses « décisions commerciales » soient entièrement automatisées par des agents. En revanche, je prévois que l’échelle des expériences du côté R&D augmentera rapidement, et que l’intelligence intégrée aux décisions commerciales humaines sera beaucoup plus puissante. Aujourd’hui, les entreprises des sciences de la vie sont organisées autour de structures organisationnelles qui dictent ensuite leurs modes de fonctionnement, conformément à la loi de Conway. Ainsi, nous constatons que le marketing HCP et DTC reste cloisonné, et que les équipes d’analytique et de marketing ne sont pas pleinement alignées. À mesure que l’écosystème de données sous‑jacent évolue, les équipes humaines évolueront elles aussi, devenant plus transversales, et resteront donc en accord avec la loi de Conway. Les organisations seront plus rapides à mettre en œuvre les insights que l’IA peut déjà fournir, ainsi que les nouveaux insights que l’IA nous offrira à l’avenir à mesure qu’elle deviendra plus sophistiquée.

Merci pour cette excellente interview. Les lecteurs qui souhaitent en savoir plus sur l’entreprise et ses solutions technologiques de santé peuvent visiter OptimizeRx.