Mike Rousselle, Chief AI Officer di OptimizeRx – Seri Wawancara

Mike Rousselle, Chief AI Officer di OptimizeRx, adalah eksekutif kecerdasan buatan dan teknologi perawatan kesehatan dengan hampir 15 tahun pengalaman menerapkan AI untuk menciptakan nilai bisnis. Dalam perannya saat ini, ia memimpin pengembangan dan penerapan teknologi berbasis AI yang dirancang untuk membuat komunikasi antara perusahaan ilmu hayati, profesional perawatan kesehatan (HCP), dan pasien menjadi lebih relevan secara klinis dan dapat ditindaklanjuti. Pekerjaannya mencakup intelijen prediktif, sinyal perilaku dan klinis, penargetan audiens, serta alat berbasis AI yang membantu mengidentifikasi momen penting dalam perawatan dan resep. Sebelum bergabung dengan OptimizeRx, Rousselle pernah menjabat di Athenahealth, Clarivate, dan HubSpot, membawa pengalaman di bidang perawatan kesehatan, data, dan teknologi perusahaan. Ia memiliki gelar sarjana di bidang Ekonomi dan Keuangan dari Rochester Institute of Technology.

OptimizeRx adalah perusahaan teknologi perawatan kesehatan yang menghubungkan organisasi ilmu hayati dengan penyedia layanan kesehatan dan pasien menggunakan data, kecerdasan buatan, dan teknologi keterlibatan digital. Didirikan pada tahun 2006, perusahaan awalnya fokus pada penyediaan kupon dan bantuan co-pay melalui platform catatan kesehatan elektronik (EHR) dan e-prescribing, namun kemudian berkembang menjadi platform pemasaran perawatan kesehatan dan keterlibatan pasien yang lebih luas. Teknologinya menggabungkan sinyal kesehatan dunia nyata, intelijen prediktif, integrasi point-of-care, dan aktivasi omnichannel untuk membantu perusahaan farmasi mengidentifikasi audiens HCP dan pasien yang relevan serta melibatkan mereka pada momen kunci dalam perjalanan perawatan. Baru-baru ini, OptimizeRx memperluas kemampuan AI-nya dengan alat seperti Natural Language Audience Builder, yang memungkinkan pemasar perawatan kesehatan membuat audiens HCP dan konsumen yang aman secara privasi menggunakan perintah bahasa alami.

Anda telah menghabiskan hampir 15 tahun menerapkan AI pada masalah bisnis di berbagai organisasi termasuk Athenahealth, Clarivate, dan HubSpot, dan di OptimizeRx Anda berkembang dari memimpin produk data menjadi menjabat sebagai Chief AI Officer. Bagaimana perjalanan tersebut membentuk pandangan Anda tentang di mana AI dapat menciptakan nilai bermakna dalam perawatan kesehatan, dibandingkan dengan aplikasi yang mungkin mengesankan secara teknologi namun pada akhirnya dangkal

Salah satu pelajaran utama saya selama karier adalah bahwa meskipun AI terasa “keren” dan menyenangkan untuk digunakan, itu tidak penting sama sekali jika AI tidak digunakan untuk melayani masalah pelanggan. Bukan tentang menggunakan AI sebagai titik awal; melainkan fokus pada tantangan konkret dan ketidakefisienan dalam perawatan kesehatan yang dapat kami tingkatkan.

Di OptimizeRx, kami berupaya menyelesaikan satu tantangan mendasar: menyelaraskan informasi merek dan komunikasi lebih dekat dengan perjalanan pasien, sehingga mereka dapat lebih mendukung keputusan perawatan. Hal ini membantu dokter yang dibanjiri iklan yang mungkin relevan atau tidak bagi mereka dan pasien mereka. Ini membantu pasien yang terpapar informasi kesehatan yang tidak relevan atau tidak akurat di media sosial dan saluran konsumen lainnya. Dan ini membantu merek ilmu hayati yang terus berada di bawah tekanan untuk mencapai tujuan komersial mereka. Pedoman utama kami untuk menyelesaikan tantangan ini adalah pasien yang memenuhi syarat merek.

Jika kami menggunakan AI untuk menemukan mereka lebih awal, lebih tepat, dan hanya pada titik di mana mereka siap menjadi target merek, kami dapat menyampaikan informasi dengan nilai guna lebih tinggi kepada penyedia mereka, menyajikan iklan DTC yang lebih relevan, dan membantu merek menghabiskan dana media mereka secara lebih efisien dan berdampak.

Banyak percakapan AI perusahaan terbaru berfokus pada AI generatif dan pembuatan konten. Anda berpendapat untuk beralih ke AI yang membantu organisasi membuat keputusan. Apa yang membedakan “kecerdasan keputusan” yang sesungguhnya dari sekadar menempatkan antarmuka AI generatif di atas analitik yang ada?

Perbedaan terletak pada apakah AI hanya membantu Anda mengakses informasi, atau sebenarnya membantu Anda membuat keputusan yang lebih baik. Menempatkan antarmuka AI generatif di atas analitik dapat mempermudah data untuk diquery atau diringkas, tetapi kecerdasan dasar tidak berubah secara fundamental. Anda masih meminta seseorang untuk menafsirkan informasi, menentukan apa yang penting, dan memutuskan apa yang harus dilakukan selanjutnya.

Kecerdasan keputusan yang sesungguhnya menutup kesenjangan itu dengan menggabungkan berbagai sinyal, mengenali pola dan konteks, memprediksi hasil yang kemungkinan terjadi, serta menerjemahkan wawasan tersebut menjadi tindakan yang direkomendasikan. Sama pentingnya, kecerdasan keputusan juga belajar dari hasil tindakan tersebut dan menggunakan data itu untuk terus meningkatkan rekomendasi di masa mendatang. Dalam pemasaran ilmu hayati, misalnya, hal ini berarti melampaui sekadar melaporkan kinerja kampanye untuk memprediksi audiens mana yang paling mungkin merespons (dan melalui saluran apa), mengantisipasi pesan yang relevan, serta mengukur akurasi prediksi tersebut. Nilainya terletak pada intelijen loop tertutup, yaitu kemampuan mengubah data menjadi keputusan dan terus memperbaiki keputusan tersebut seiring waktu. Itulah kunci sebenarnya untuk membantu pemasar mengalokasikan sumber daya secara lebih tepat dan efisien.

Platform Aktivasi Audiens Dinamis OptimizeRx menggunakan AI dan data dunia nyata untuk mengidentifikasi penyedia layanan kesehatan yang merawat pasien yang berpotensi memenuhi syarat serta memprediksi kapan keterlibatan akan paling relevan. Jenis sinyal apa yang paling berharga bagi model prediktif ini, dan bagaimana Anda menentukan apakah model telah mengidentifikasi pola klinis yang bermakna daripada korelasi yang menyesatkan?

Nilai sebuah sinyal bergantung pada timing dan relevansi medis praktis, sementara akurasi dipertahankan melalui logika klinis yang jelas dan pelacakan hasil secara berkelanjutan. Kami fokus pada indikator sederhana seperti kapan seorang pasien perlu mengganti obat, hasil laboratorium kunci, dan janji dokter yang akan datang. Menggabungkan riwayat kesehatan pasien dengan timing yang tepat selama kunjungan pasienlah yang membuat outreach menjadi efektif.

Untuk mencegah model mengejar pola yang menyesatkan, seperti mengira dokter umum yang sibuk sebagai spesialis yang sebenarnya menangani kondisi tersebut, kami membimbing teknologi dengan pedoman medis standar dan timeline perawatan yang realistis. Kami kemudian memverifikasi hasil kami terhadap data resep dunia nyata dan kelompok perbandingan untuk memastikan bahwa kami hanya fokus pada momen yang menghasilkan perubahan nyata dalam perawatan pasien.

OptimizeRx baru-baru ini meluncurkan Natural Language Audience Builder, yang memungkinkan pemasar menggambarkan audiens menggunakan bahasa alami dan mengubah permintaan tersebut menjadi audiens HCP dan konsumen yang terkoordinasi serta spesifik merek. Apa yang terjadi secara teknis antara prompt awal dan audiens akhir, dan bagaimana Anda mencegah ambiguitas atau halusinasi memengaruhi sesuatu yang pada akhirnya mengarahkan keputusan dunia nyata?

Prosesnya melibatkan penggunaan AI bahasa untuk interpretasi, sambil mengandalkan data klinis dunia nyata dan jaringan EHR untuk output daftar NPI akhir, serta Micro‑Neighborhood® Targeting OptimizeRx untuk audiens konsumen. Ketika pemasar memasukkan prompt, sistem memecah permintaan menjadi parameter target, seperti spesialisasi medis, volume pasien, dan perilaku resep, tanpa bergantung pada segmen audiens statis yang sudah dibangun sebelumnya.

Karena keputusan komersial dunia nyata dipertaruhkan, halusinasi dicegah dengan memastikan model AI berperan sebagai interpreter yang menanyakan registri penyedia yang terautentikasi dan dataset klinis dunia nyata. Platform ini menerjemahkan detail prompt menjadi daftar NPI yang terverifikasi dan audiens Micro‑Neighborhood, memungkinkan pemasar melihat, memberi peringkat, dan menyempurnakan profil dokter atau segmen konsumen yang cocok secara tepat sebelum menyelesaikan audiens target.

Pemasaran farmasi tradisional sering mengandalkan segmentasi yang relatif statis berdasarkan perilaku resep historis. Bagaimana AI mengubah model itu ketika audiens dapat terus diprioritaskan ulang berdasarkan perjalanan pasien yang berubah dan jendela perawatan yang diprediksi?

AI memberi pemasar kemampuan untuk merespons perubahan dalam perjalanan perawatan secara real time. Dengan menggabungkan sinyal seperti perilaku resep, populasi pasien, keterlibatan HCP, dan data kontekstual lainnya, model dapat mengidentifikasi kapan seorang HCP dan pasiennya mendekati titik keputusan penting dan terus memprioritaskan ulang audiens berdasarkan konteks tersebut.

Itu berarti aktivasi audiens dapat berkembang seiring dengan perjalanan perawatan. Saat pasien memasuki tahap tertentu dalam perawatan, merek menjadi lebih relevan bagi mereka dan HCP yang merawat, serta timing, saluran, dan pesan harus disesuaikan ketika jendela tersebut berubah. Seiring waktu, sistem dapat belajar dari interaksi tersebut dan meningkatkan cara mengidentifikasi pasien, HCP, dan rentang waktu yang paling mungkin memengaruhi perilaku resep.

Bagi pemasar farmasi, ini menciptakan pendekatan yang lebih dinamis dan sinkron antara pemasaran HCP dan konsumen, yang menggabungkan perilaku historis dengan sinyal real‑time untuk menentukan siapa yang harus dijangkau, kapan menjangkau mereka, dan apa yang paling relevan pada saat itu.

Model fondasi sangat kuat dalam bekerja dengan bahasa, sementara model prediktif khusus mungkin lebih cocok untuk data kesehatan terstruktur dan hasil yang didefinisikan secara sempit. Bagaimana Anda memikirkan penggabungan large language model dengan sistem machine learning tradisional saat membangun produk AI di bidang kesehatan?

Pertanyaan yang bagus! Seperti yang saya singgung sebelumnya dalam percakapan, tujuannya bukan sekadar menggabungkan teknik AI ini secara sembarangan karena menyenangkan. Tujuannya selalu untuk mencapai prediksi yang lebih akurat yang dapat lebih baik menyelesaikan masalah pelanggan tertentu. Sebagian besar data kesehatan terstruktur (meskipun dapat juga kotor, parsial, dan tertunda), sehingga sangat cocok untuk prediksi menggunakan fitur numerik dan kategorikal. Namun, ada beberapa aspek dalam pipeline data mentah (misalnya catatan klinis, konten kreatif/teks) yang dapat memanfaatkan LLM fondasi sebagai pre‑processor untuk mengkodekan fitur sebelum diterapkan pada masalah prediksi terstruktur – seperti “apakah pasien ini siap beralih merek?”

OptimizeRx semakin menghubungkan intelijen HCP dan konsumen langsung sehingga keterlibatan dengan pasien dan penyedia dapat lebih sinkron. Bagaimana AI dapat menghubungkan kedua sisi perjalanan perawatan kesehatan ini sambil mempertahankan batas privasi yang diperlukan saat bekerja dengan data kesehatan sensitif?

AI menjembatani keterlibatan pasien dan penyedia layanan dengan mengevaluasi sinyal klinis dunia nyata untuk mengidentifikasi momen perawatan bersama, alih-alih melacak individu. Teknologi ini menghubungkan kedua sisi dengan menganalisis tren populasi pasien yang tidak teridentifikasi bersama perilaku resep dokter. Hal ini memungkinkan tim pemasaran menyelaraskan edukasi konsumen, seperti iklan TV, digital, atau media sosial, dengan informasi pada titik perawatan dalam sistem rekam medis elektronik dokter, sehingga pasien dan dokter menerima informasi relevan pada titik keputusan perawatan yang sama.

Untuk menjaga kepatuhan privasi yang ketat, AI beroperasi sepenuhnya pada data yang tidak teridentifikasi dan teragregasi menggunakan teknologi Micro-Neighborhood yang dipatenkan yang saya sebutkan di atas. Alih-alih menargetkan pasien individu atau menggunakan pelacakan kesehatan pribadi, sistem menganalisis tren klinis pada tingkat geografis yang terlokalisasi, dan menghubungkan tren tersebut dengan aktivitas dokter di wilayah tersebut. Pendekatan ini menciptakan kampanye yang sepenuhnya tersinkronisasi yang menghormati privasi konsumen, memastikan kepatuhan penuh terhadap HIPAA dan undang‑undang privasi negara bagian sekaligus tetap menyampaikan pesan perawatan yang tepat waktu dan terkoordinasi.

Seiring AI beralih dari menghasilkan rekomendasi menjadi memengaruhi siapa yang dihubungi, kapan mereka dihubungi, dan tindakan apa yang harus dilakukan selanjutnya, konsekuensi dari prediksi yang buruk menjadi lebih signifikan. Di mana pengawasan manusia harus tetap wajib, dan keputusan apa yang Anda yakini dapat AI buat secara otonom pada akhirnya?

Dalam ilmu kehidupan, terdapat perbedaan penting antara sistem AI yang menentukan audiens paling relevan untuk pesan edukasi dan sistem yang membuat keputusan yang dapat langsung memengaruhi perawatan pasien. Semakin dekat keputusan yang digerakkan AI dengan penilaian klinis, kelayakan pasien, atau hasil berdampak tinggi lainnya, semakin penting akuntabilitas manusia.

Ada juga perbedaan antara pengawasan dan intervensi. AI tidak selalu memerlukan persetujuan manusia untuk setiap tindakan berisiko rendah, tetapi AI memerlukan batasan yang jelas, kemampuan audit, dan mekanisme untuk mendeteksi ketika perilakunya melampaui batas tersebut. Hal ini memungkinkan manusia tetap bertanggung jawab tanpa menciptakan bottleneck yang merusak nilai otomatisasi.

Saya percaya AI dapat semakin membuat keputusan otonom pada aktivitas berisiko rendah dengan volume tinggi, seperti prioritas audiens, pemilihan saluran, penjadwalan dan urutan, ketika keputusan tersebut didasarkan pada data yang diatur dan dipantau secara berkelanjutan. Tujuannya harus menyisakan penilaian manusia untuk keputusan yang memerlukan konteks, akuntabilitas, dan konsekuensi, sambil membiarkan AI menangani kompleksitas operasional yang tidak dapat dikelola manusia secara skala. Saya juga berpendapat penting untuk mempertahankan klinisi berlisensi sebagai “manusia dalam loop” pada titik pemeriksaan yang tepat.  Dan vendor yang memiliki dokter (MD) dalam tim adalah yang akan menemukan keseimbangan antara skala dan kepatuhan.

Seringkali terdapat kesenjangan antara model AI yang tampil baik menurut metrik teknis dan peningkatan hasil nyata di dunia nyata. Metrik apa yang paling penting saat mengevaluasi AI dalam komersialisasi ilmu kehidupan, dan bagaimana menghindari optimasi terhadap proksi seperti keterlibatan ketika tujuan utama seharusnya meningkatkan hasil pasien?

AI dalam komersialisasi pada akhirnya harus dinilai dari nilai yang diciptakannya sepanjang perjalanan perawatan, bukan seberapa efisien ia dapat mengoptimalkan satu interaksi. Ini memerlukan pengakuan bahwa keterlibatan hanyalah sarana untuk mencapai tujuan: sebuah klik, interaksi yang selesai, atau bahkan prediksi yang sangat akurat hanya berarti jika membantu menciptakan intervensi yang lebih relevan yang dapat memengaruhi apa yang terjadi selanjutnya.

Untuk ilmu kehidupan, saya akan melihat progresi metrik – mulai dari kualitas audiens dan waktu intervensi, hingga perubahan perilaku HCP seperti resep, dan pada akhirnya dampak hilir pada pasien. Tantangannya adalah semakin jauh ke hilir, semakin sulit mengukur dan mengaitkan hasil, yang membuat tergoda untuk mengoptimalkan metrik yang paling mudah ditangkap.

Di sinilah strategi AI berperan. Kita perlu merancang kerangka pengukuran yang menghubungkan kinerja model dan sinyal keterlibatan dengan perilaku bermakna dan, bila memungkinkan, hasil klinis. Di OptimizeRx, ini berarti menggunakan data perawatan kesehatan dunia nyata untuk memahami tidak hanya apakah kami menjangkau seseorang, tetapi apakah kami menjangkau orang yang tepat pada titik yang tepat dalam perjalanan perawatan, dan apakah intervensi tersebut menghasilkan perbedaan yang dapat diukur.

Melihat tiga hingga lima tahun ke depan, seperti apa organisasi komersialisasi ilmu kehidupan yang berbasiskan AI? Apakah Anda mengharapkan agen otonom mulai mengelola bagian dari siklus keputusan komersial sendiri, atau evolusi yang lebih penting adalah AI yang terus-menerus menyediakan intelijen bagi tim manusia?

Saya pikir kerangka kerja “agent” mungkin tidak akan begitu relevan di tahun-tahun mendatang. Sebaliknya, saya membayangkan perusahaan ilmu hayat merestrukturisasi diri mereka menjadi ekosistem data yang dapat digunakan secara sewenang-wenang oleh teknologi AI apa pun. Bahkan dalam 5 tahun, saya tidak mengharapkan banyak “business decisions” akan sepenuhnya otomatis melalui agen. Sebaliknya, saya memperkirakan skala eksperimen di sisi R&D akan meningkat pesat, dan saya mengharapkan kecerdasan yang masuk ke dalam pengambilan keputusan komersial manusia menjadi jauh lebih kuat. Saat ini, perusahaan ilmu hayat diorganisir berdasarkan struktur organisasi yang kemudian menentukan cara mereka beroperasi, mengacu pada Hukum Conway. Oleh karena itu, kami melihat pemasaran HCP dan DTC masih dilakukan secara terpisah, dan tim analitik serta pemasaran belum sepenuhnya selaras. Seiring perubahan ekosistem data yang mendasari, tim manusia akan berubah menjadi lebih lintas fungsi, sehingga tetap sejalan dengan Hukum Conway. Organisasi akan lebih cepat menerapkan wawasan yang sudah dapat diberikan AI, serta wawasan baru yang akan ditawarkan AI di masa depan seiring AI terus menjadi lebih canggih.

Terima kasih atas wawancara yang luar biasa. Pembaca yang ingin mempelajari lebih lanjut tentang perusahaan dan solusi teknologi kesehatan dapat mengunjungi OptimizeRx.