Mike Rousselle, Chief AI Officer di OptimizeRx – Serie di Interviste

Mike Rousselle, Chief AI Officer di OptimizeRx, è un dirigente nel campo dell’intelligenza artificiale e della tecnologia sanitaria con quasi 15 anni di esperienza nell’applicare l’IA per creare valore aziendale. Nel suo ruolo attuale, guida lo sviluppo e l’applicazione di tecnologie basate sull’IA progettate per rendere le comunicazioni tra le aziende di scienze della vita, i professionisti sanitari (HCP) e i pazienti più clinicamente rilevanti e operative. Il suo lavoro copre l’intelligenza predittiva, i segnali comportamentali e clinici, il targeting del pubblico e gli strumenti potenziati dall’IA che aiutano a identificare momenti chiave di trattamento e prescrizione. Prima di entrare in OptimizeRx, Rousselle ha ricoperto ruoli presso Athenahealth, Clarivate e HubSpot, portando esperienza nei settori sanitario, dei dati e della tecnologia aziendale. Possiede lauree triennali in Economia e Finanza consegunte al Rochester Institute of Technology.

OptimizeRx è un’azienda di tecnologia sanitaria che collega le organizzazioni di scienze della vita con i fornitori di assistenza sanitaria e i pazienti utilizzando dati, intelligenza artificiale e tecnologie di coinvolgimento digitale. Fondata nel 2006, l’azienda inizialmente si concentrava sulla distribuzione di coupon e assistenza al co-pagamento tramite piattaforme di cartelle cliniche elettroniche (EHR) e di prescrizione elettronica, ma da allora si è ampliata in una piattaforma più ampia di marketing sanitario e coinvolgimento dei pazienti. La sua tecnologia combina segnali sanitari del mondo reale, intelligenza predittiva, integrazioni point-of-care e attivazione omnicanale per aiutare le aziende farmaceutiche a identificare pubblici HCP e pazienti pertinenti e a coinvolgerli nei momenti chiave del percorso di trattamento. Più recentemente, OptimizeRx ha ampliato le sue capacità di IA con strumenti come il Natural Language Audience Builder, che consente ai marketer sanitari di creare pubblici HCP e consumatori protetti dalla privacy utilizzando prompt in linguaggio naturale.

Hai trascorso quasi 15 anni applicando l’IA a problemi aziendali in organizzazioni tra cui Athenahealth, Clarivate e HubSpot, e in OptimizeRx sei passato dalla guida dei prodotti dati al ruolo di Chief AI Officer. In che modo questo percorso ha plasmato la tua visione su dove l’IA può creare valore significativo nella sanità, rispetto a applicazioni che possono essere tecnologicamente impressionanti ma alla fine superfic

Una delle lezioni chiave della mia carriera è che per quanto l’IA mi sembri “fantastica” e per quanto sia divertente da utilizzare, non importa AFFATTO se l’IA non è impiegata al servizio del problema del cliente. Non si tratta di usare l’IA come punto di partenza; si tratta di concentrarsi sulle sfide concrete e sulle inefficienze nel settore sanitario che possiamo migliorare.

Presso OptimizeRx, cerchiamo di risolvere una singola sfida fondamentale: allineare le informazioni e le comunicazioni del marchio più strettamente al percorso del paziente, così da supportare meglio le decisioni di cura. Questo aiuta i medici, sommersi da pubblicità che può o non può essere pertinente per loro e i loro pazienti. Aiuta i pazienti, esposti a informazioni sanitarie irrilevanti o inaccurate sui social media e altri canali consumer.  E aiuta i marchi delle scienze della vita, costantemente sotto pressione per raggiungere i loro obiettivi commerciali. Il nostro faro per risolvere queste sfide è il paziente idoneo al marchio.

Se utilizziamo l’IA per trovarli prima, in modo più preciso, e appena nel momento in cui diventano pronti per il marchio, possiamo fornire informazioni di maggiore utilità al loro medico, offrire pubblicità DTC più pertinenti e aiutare il marchio a spendere i suoi budget media in modo più efficiente e d’impatto.

Gran parte della recente discussione sull’IA aziendale si è concentrata sull’IA generativa e sulla creazione di contenuti. Hai sostenuto il passaggio verso un’IA che aiuti le organizzazioni a prendere decisioni. Cosa distingue la vera “intelligenza decisionale” dal semplice inserimento di un’interfaccia di IA generativa sopra le analisi esistenti?

La distinzione si riduce a capire se l’IA ti sta semplicemente aiutando ad accedere alle informazioni, o se ti sta realmente aiutando a prendere decisioni migliori. Inserire un’interfaccia di IA generativa sopra le analisi può rendere i dati più facili da interrogare o sintetizzare, ma l’intelligenza sottostante non è cambiata in modo fondamentale. Stai ancora chiedendo a una persona di interpretare le informazioni, determinare ciò che è importante e decidere cosa fare dopo.

L’intelligenza decisionale genuina colma quel divario riunendo più segnali, riconoscendo schemi e contesto, prevedendo risultati probabili e traducendo tali intuizioni in azioni raccomandate. Ugualmente importante, l’intelligenza decisionale impara anche dai risultati di quelle azioni e utilizza quei dati per migliorare continuamente le future raccomandazioni. Nel marketing delle scienze della vita, per esempio, ciò significa andare oltre la semplice segnalazione delle performance delle campagne per prevedere quali pubblici sono più propensi a rispondere (e su quali canali), anticipare quale messaggio sia rilevante e misurare l’accuratezza di tali previsioni. Il valore risiede nell’intelligenza a ciclo chiuso, cioè nella capacità di trasformare i dati in decisioni e di migliorare continuamente tali decisioni nel tempo. Questo è il vero trucco per aiutare i marketer a distribuire le risorse in modo più appropriato ed efficiente.

La piattaforma Dynamic Audience Activation di OptimizeRx utilizza l’IA e dati del mondo reale per identificare i fornitori di assistenza sanitaria che trattano pazienti potenzialmente idonei e prevedere quando l’engagement potrebbe essere più rilevante. Quali tipi di segnali sono più preziosi per questi modelli predittivi e come si determina se il modello ha identificato un pattern clinico significativo anziché una correlazione fuorviante?

Il valore di un segnale dipende dal tempismo e dalla rilevanza medica pratica, mentre la precisione è mantenuta tramite una logica clinica chiara e un monitoraggio continuo dei risultati. Ci concentriamo su indicatori semplici come il momento in cui un paziente deve cambiare terapia, i risultati chiave di laboratorio e gli appuntamenti medici imminenti. Combinare la storia clinica di un paziente con il timing corretto durante una visita è ciò che rende efficace il contatto.

Per evitare che il modello insegua pattern fuorvianti, come confondere un medico generico molto occupato con uno specialista che realmente gestisce la condizione, guidiamo la tecnologia con linee guida mediche standard e tempistiche di trattamento realistiche. Verifichiamo poi i risultati confrontandoli con dati di prescrizione del mondo reale e gruppi di confronto, per assicurarci di concentrarci solo su momenti che portano a cambiamenti concreti nella cura del paziente.

OptimizeRx ha recentemente lanciato il suo Natural Language Audience Builder, che consente ai marketer di descrivere un pubblico usando il linguaggio naturale e trasformare tale richiesta in audience HCP e consumatori coordinate e specifiche per il brand. Cosa accade tecnicamente tra il prompt iniziale e l’audience finale, e come si evitano ambiguità o allucinazioni che potrebbero influenzare decisioni nel mondo reale?

Il processo si basa sull’uso dell’IA linguistica per l’interpretazione, facendo affidamento sui dati clinici del mondo reale e sulla rete EHR per generare l’elenco finale di NPI, e sul Micro‑Neighborhood® Targeting di OptimizeRx per le audience dei consumatori. Quando un marketer inserisce un prompt, il sistema scompone la richiesta in parametri target, come le specialità mediche, i volumi di pazienti e i comportamenti di prescrizione, senza dipendere da segmenti di audience statici e predefiniti.

Poiché le decisioni commerciali del mondo reale sono in gioco, le allucinazioni vengono evitate garantendo che il modello di IA funzioni come un interprete che interroga registri di fornitori autenticati e set di dati clinici reali. La piattaforma traduce i dettagli del prompt in elenchi NPI verificati e audience Micro‑Neighborhood, consentendo ai marketer di visualizzare, classificare e perfezionare i profili medici corrispondenti e/o i segmenti di consumatori prima di finalizzare l’audience target.

Il marketing farmaceutico tradizionale si è spesso basato su segmentazioni relativamente statiche basate sul comportamento storico di prescrizione. In che modo l’IA modifica questo modello quando le audience possono essere continuamente ripriorizzate in base ai percorsi dei pazienti in evoluzione e alle finestre di cura previste?

L’IA offre ai marketer la capacità di rispondere ai cambiamenti del percorso di cura in tempo reale. Unendo segnali come il comportamento di prescrizione, le popolazioni di pazienti, l’engagement degli HCP e altri dati contestuali, i modelli possono identificare quando un HCP e il suo paziente si avvicinano a un punto decisionale significativo e ripriorizzare continuamente l’audience in base a quel contesto.

Ciò significa che l’attivazione dell’audience può evolvere insieme al percorso di cura. Man mano che i pazienti entrano in una determinata fase di assistenza, il brand diventa più rilevante per loro e per l’HCP curante, e il timing, il canale e il messaggio dovrebbero adeguarsi al mutare di quella finestra. Col tempo, il sistema può apprendere da queste interazioni e migliorare il modo in cui identifica i pazienti, gli HCP e le finestre temporali più propensi a influenzare il comportamento di prescrizione.

Per i marketer farmaceutici, ciò crea un approccio più dinamico e sincronizzato al marketing verso HCP e consumatori, che combina il comportamento storico con segnali in tempo reale per determinare chi raggiungere, quando contattarlo e cosa sarà più rilevante in quel momento.

I modelli di base sono estremamente potenti nel gestire il linguaggio, mentre i modelli predittivi specializzati possono essere più adatti a dati sanitari strutturati e a risultati strettamente definiti. Come pensi di combinare i grandi modelli linguistici con sistemi di machine learning più tradizionali nella creazione di prodotti di IA per la sanità?

Ottima domanda! Come ho accennato prima nella conversazione, l’obiettivo non è combinare arbitrariamente queste tecniche di IA solo perché è divertente. È sempre quello di arrivare a una previsione più accurata che possa risolvere meglio un problema specifico del cliente. Gran parte dei dati sanitari è strutturato (anche se può essere sporco, parziale o in ritardo), il che lo rende ideale per la previsione usando caratteristiche numeriche e categoriche. Detto ciò, alcuni aspetti del flusso di dati grezzi (ad esempio note cliniche, contenuti creativi/testi) potrebbero beneficiare di LLM di base come pre‑processore per codificare la caratteristica prima di applicarla a un problema di previsione strutturata – come “is this patient ready to switch brands?”

OptimizeRx sta collegando sempre più l’intelligence degli HCP e quella diretto‑consumatore affinché l’engagement con pazienti e fornitori possa essere meglio sincronizzato. In che modo l’IA può collegare queste due facce del percorso sanitario mantenendo i confini di privacy richiesti quando si lavora con dati sanitari sensibili?

L’IA collega l’impegno dei pazienti e dei fornitori valutando segnali clinici del mondo reale per identificare momenti condivisi di cura, anziché tracciare individui. La tecnologia collega le due parti analizzando le tendenze della popolazione di pazienti de‑identificata insieme ai comportamenti di prescrizione dei medici. Ciò consente ai team di marketing di allineare l’educazione dei consumatori, come TV, digitale o annunci sui social, alle informazioni point‑of‑care presenti nel sistema di cartelle cliniche elettroniche del medico, garantendo che sia il paziente sia il medico ricevano informazioni pertinenti nello stesso punto decisionale di trattamento.

Per mantenere una rigorosa conformità alla privacy, l’IA opera interamente su dati aggregati e de‑identificati utilizzando la nostra tecnologia brevettata Micro‑Neighborhood di cui ho parlato sopra. Invece di mirare a pazienti individuali o utilizzare il monitoraggio della salute personale, il sistema analizza le tendenze cliniche a livello geografico localizzato e le incrocia con l’attività dei medici nella zona. Questo approccio crea una campagna completamente sincronizzata che rispetta la privacy dei consumatori, garantendo la piena conformità a HIPAA e alle leggi statali sulla privacy, pur fornendo messaggi di assistenza tempestivi e coordinati.

Man mano che l’IA passa dal generare raccomandazioni al influenzare chi viene contattato, quando viene contattato e quale azione dovrebbe avvenire successivamente, le conseguenze di una previsione errata diventano più significative. Dove dovrebbe rimanere obbligatoria la supervisione umana e quali decisioni credi che l’IA possa eventualmente prendere in modo autonomo?

Nel settore delle scienze della vita, esiste una differenza significativa tra un sistema di IA che determina quale pubblico è più rilevante per un messaggio educativo e uno che prende una decisione che potrebbe influire direttamente sulla cura di un paziente. Più una decisione guidata dall’IA si avvicina al giudizio clinico, all’idoneità del paziente o ad altri risultati ad alto impatto, più diventa importante la responsabilità umana.

Esiste anche una distinzione tra supervisione e intervento. L’IA non ha necessariamente bisogno che una persona approvi ogni azione a basso rischio, ma richiede confini chiari, auditabilità e meccanismi per rilevare quando il suo comportamento supera tali limiti. Questo consente agli esseri umani di rimanere responsabili senza creare un collo di bottiglia che ne diminuisca il valore dell’automazione.

Credo che l’IA possa sempre più prendere decisioni autonome su attività a basso rischio e ad alto volume, come la priorizzazione del pubblico, la selezione dei canali, la programmazione e la sequenza, quando tali decisioni sono basate su dati governati e monitorati continuamente. L’obiettivo dovrebbe essere riservare il giudizio umano alle decisioni in cui contesto, responsabilità e conseguenze lo richiedono, consentendo all’IA di gestire la complessità operativa che gli esseri umani non possono gestire su larga scala. Ritengo inoltre sia utile mantenere clinici autorizzati come “umani nel ciclo” nei punti di controllo appropriati. E i fornitori che hanno medici nello staff saranno quelli in grado di trovare il giusto equilibrio tra scala e conformità.

Spesso esiste un divario tra un modello di IA che ottiene buoni risultati secondo metriche tecniche e il miglioramento reale dei risultati nel mondo reale. Quali metriche sono più importanti nella valutazione dell’IA nella commercializzazione delle scienze della vita e come si evita di ottimizzare per proxy come il coinvolgimento quando l’obiettivo finale dovrebbe essere il miglioramento dei risultati per i pazienti?

L’IA nella commercializzazione dovrebbe essere valutata, in ultima analisi, dal valore che crea lungo l’intero percorso di cura, non da quanto efficacemente ottimizza una singola interazione. Ciò richiede di riconoscere che il coinvolgimento è un mezzo per un fine: un click, un’interazione completata o anche una previsione altamente accurata conta solo se contribuisce a creare un intervento più pertinente che possa influenzare ciò che accade successivamente.

Per le scienze della vita, guarderei alla progressione delle metriche – dalla qualità del pubblico e dal timing dell’intervento, ai cambiamenti nel comportamento degli HCP come le prescrizioni, fino all’impatto a valle sui pazienti. La sfida è che più ci si spinge a valle, più è difficile misurare e attribuire gli esiti, il che rende allettante ottimizzare per le metriche più facili da catturare.

È qui che la strategia di IA diventa cruciale. Dobbiamo progettare quadri di misurazione che colleghino le prestazioni del modello e i segnali di coinvolgimento a risultati comportamentali e, dove possibile, clinici significativi. In OptimizeRx, ciò significa utilizzare dati sanitari del mondo reale per capire non solo se abbiamo raggiunto qualcuno, ma se abbiamo raggiunto la persona giusta al punto giusto del percorso di cura, e se quell’intervento ha prodotto una differenza misurabile.

Guardando a tre‑cinque anni nel futuro, come appare un’organizzazione di commercializzazione delle scienze della vita nativa dell’IA? Ti aspetti che agenti autonomi inizino a gestire parti del ciclo decisionale commerciale, o che l’evoluzione più importante sia l’IA che fornisce continuamente intelligenza ai team umani?

Penso che il quadro “agent” potrebbe non essere più così rilevante negli anni a venire. Invece, immagino le aziende delle scienze della vita ristrutturarsi come ecosistemi di dati che qualsiasi tecnologia IA può utilizzare arbitrariamente. Anche tra 5 anni non mi aspetto che molte “decisioni di business” siano completamente automatizzate tramite agenti. Invece, prevedo che la scala degli esperimenti nella R&D aumenterà rapidamente, e che l’intelligenza impiegata nelle decisioni commerciali umane sarà molto più potente. Attualmente, le aziende delle scienze della vita sono organizzate attorno a strutture organizzative che poi determinano i loro modi di operare, in riferimento alla Legge di Conway. Perciò, vediamo il marketing HCP e DTC ancora svolto in silos, e i team di analisi e marketing non sono pienamente allineati. Man mano che l’ecosistema di dati sottostante cambia, i team umani si trasformeranno, diventando più trasversali, e quindi rimarranno coerenti con la Legge di Conway. Le organizzazioni saranno più rapide nell’implementare le intuizioni che l’IA può già fornire, così come le nuove intuizioni che l’IA ci offrirà in futuro man mano che diventerà sempre più sofisticata.

Grazie per la splendida intervista. I lettori che desiderano saperne di più sull’azienda e sulle sue soluzioni tecnologiche per la sanità possono visitare OptimizeRx.