Mike Rousselle、OptimizeRx のチーフ AI オフィサー – インタビューシリーズ

Mike Rousselle、OptimizeRx のチーフ AI オフィサーは、人工知能とヘルスケア技術のエグゼクティブで、AI を活用してビジネス価値を創出する経験がほぼ 15 年あります。現在の役割では、ライフサイエンス企業、医療従事者（HCP）および患者間のコミュニケーションを、臨床的により関連性が高く実行可能にすることを目的とした AI 主導の技術の開発と適用を主導しています。彼の仕事は、予測インテリジェンス、行動および臨床シグナル、オーディエンスターゲティング、そして重要な治療や処方のタイミングを特定するのに役立つ AI 搭載ツールにまたがります。OptimizeRx に入社する前は、Athenahealth、Clarivate、HubSpot で役職を務め、ヘルスケア、データ、エンタープライズ技術にわたる経験を持ち込みました。彼は Rochester Institute of Technology で経済学と金融の学士号を取得しています。

OptimizeRx は、データ、人工知能、デジタルエンゲージメント技術を活用して、ライフサイエンス組織と医療提供者および患者をつなぐヘルスケアテクノロジー企業です。2006 年に設立された同社は、当初、電子カルテ（EHR）および電子処方プラットフォームを通じてクーポンや共同支払支援を提供することに注力していましたが、その後、より広範なヘルスケアマーケティングおよび患者エンゲージメントプラットフォームへと拡大しました。同社の技術は、実世界の健康シグナル、予測インテリジェンス、ポイントオブケア統合、オムニチャネル活性化を組み合わせ、製薬会社が関連する HCP と患者オーディエンスを特定し、治療プロセスの重要なタイミングでエンゲージできるよう支援します。最近では、OptimizeRx は AI 機能を拡張し、Natural Language Audience Builder などのツールを提供しており、ヘルスケアマーケターがプレーンランゲージのプロンプトを用いて HCP およびプライバシー保護されたコンシューマーオーディエンスを作成できるようにしています。

あなたは Athenahealth、Clarivate、HubSpot を含む組織で、AI をビジネス課題に適用することにほぼ 15 年取り組んできました。そして OptimizeRx では、データ製品のリーダーからチーフ AI オフィサーへと昇進しました。この経験は、ヘルスケアにおいて AI が実質的な価値を創出できる領域と、技術的には印象的でも最終的には表面的なものにとどまる応用との違いについて、どのように考えさせましたか？

私のキャリアを通じて得た重要な学びの一つは、AI がいかに「クール」であり、利用するのがいかに楽しいとしても、AI が顧客の課題に役立っていなければ全く意味がないということです。AI を出発点として使うことが目的ではなく、ヘルスケアにおける具体的な課題や非効率性に焦点を当て、改善できる点に取り組むことが重要です。

OptimizeRx では、単一の根本的な課題、すなわちブランド情報とコミュニケーションを患者のジャーニーにより密接に合わせ、ケアの意思決定をより適切に支援できるようにすることを解決しようとしています。これにより、広告が多く届き、必ずしも自分や患者に関連しない情報に悩まされている医師を支援します。また、ソーシャルメディアやその他の消費者チャネルで無関係または不正確な健康情報にさらされている患者を助けます。そして、商業目標達成のプレッシャーに常にさらされているライフサイエンスブランドも支援します。私たちの羅針盤は、ブランド対象となる患者です。

もし AI を使って彼らをより早く、より正確に、そして ちょうどブランドに適した時点で見つけることができれば、プロバイダーに対して価値の高い情報を提供し、より関連性の高い DTC 広告を配信し、ブランドがメディア予算をより効率的かつ効果的に使えるように支援できます。

最近のエンタープライズ AI の議論の多くは、生成的 AI とコンテンツ作成に焦点が当てられています。あなたは、組織が意思決定を行うのを支援する AI への移行を主張しています。真の「意思決定インテリジェンス」は、既存の分析の上に生成的 AI インターフェースを単に置くだけとは何が違うのでしょうか？

この違いは、AI が単に情報へのアクセスを支援するだけか、あるいは実際により良い意思決定を支援するかにあります。分析の上に生成的 AI インターフェースを置くことで、データのクエリや要約が容易になるかもしれませんが、根底にあるインテリジェンスは本質的に変わっていません。依然として、人が情報を解釈し、重要点を判断し、次に何をすべきか決定する必要があります。

真の意思決定インテリジェンスは、複数のシグナルを統合し、パターンとコンテキストを認識し、可能性の高い結果を予測し、これらの洞察を推奨アクションに変換することで、そのギャップを埋めます。同様に重要なのは、意思決定インテリジェンスが 学習し、そのアクションの結果からデータを活用して将来の推奨を継続的に改善する点です。例えばライフサイエンスマーケティングにおいては、キャンペーン実績の単なる報告を超えて、どのオーディエンスが最も反応しやすいか（どのチャネルか）を予測し、関連するメッセージを予測し、予測精度を測定することを意味します。価値はクローズド・ループインテリジェンスにあり、データを意思決定に変換し、時間とともにその意思決定を継続的に改善できる能力です。これこそが、マーケターがリソースを適切かつ効率的に配分する手助けをする本当のコツです。

OptimizeRxのダイナミック・オーディエンス・アクティベーション・プラットフォームは、AIと実世界データを活用して、対象となり得る患者を治療している医療提供者を特定し、エンゲージメントが最も適切になるタイミングを予測します。どのようなシグナルがこれらの予測モデルにとって最も価値があり、モデルが誤った相関ではなく有意義な臨床パターンを特定したかどうかをどのように判断しますか？

シグナルの価値はタイミングと実際の医療的関連性に依存し、正確性は明確な臨床ロジックと継続的なアウトカム追跡によって保たれます。私たちは、患者が薬剤を変更する必要がある時期、重要な検査結果、今後の診療予約といったシンプルな指標に注目しています。患者の健康履歴と診療時の適切なタイミングを組み合わせることが、アウトリーチを効果的にします。

モデルが誤ったパターン（たとえば、忙しい一般医と実際にその疾患を管理している専門医を混同するような）を追いかけないように、標準的な医療ガイドラインと現実的な治療タイムラインを用いて技術を導きます。その上で、実世界の処方データや比較群と照らし合わせて結果を二重チェックし、患者ケアに実際の変化をもたらす瞬間にのみ焦点を当てていることを確認します。

OptimizeRxは最近、Natural Language Audience Builderを発売しました。これにより、マーケターは自然言語でオーディエンスを記述し、その要求をブランド固有の統合されたHCPおよびコンシューマーオーディエンスに変換できます。最初のプロンプトから最終的なオーディエンスが生成されるまでに技術的に何が起こり、曖昧さやハルシネーションが実際の意思決定に影響を与えるのをどのように防止しますか？

このプロセスは、解釈に言語AIを使用し、最終的なNPIリストの出力には実世界の臨床データとEHRネットワークデータを、コンシューマーオーディエンスにはOptimizeRxのMicro‑Neighborhood® Targetingを活用することに要約されます。マーケターがプロンプトを入力すると、システムは要求を医療専門分野、患者数、処方行動などのターゲットパラメータに分解し、静的で事前構築されたオーディエンスセグメントに依存しません。

実世界の商業的意思決定が関わるため、ハルシネーションはAIモデルが認証されたプロバイダー登録情報と実世界の臨床データセットを照会するインタープリタとして機能することにより防止されます。プラットフォームはプロンプトの詳細を検証済みのNPIリストとMicro‑Neighborhoodオーディエンスに変換し、マーケターが対象オーディエンスを最終決定する前に、正確にマッチした医師プロファイルやコンシューマーセグメントを閲覧、順位付け、洗練できるようにします。

従来の医薬品マーケティングは、過去の処方行動に基づく比較的静的なセグメンテーションに依存することが多かったです。患者のジャーニーの変化や予測されるケアウィンドウに基づいてオーディエンスを継続的に再優先できるようになると、AIはそのモデルをどのように変えるのでしょうか？

AIはマーケターに、ケアジャーニーの変化にリアルタイムで対応する能力を提供します。処方行動、患者集団、HCPエンゲージメント、その他のコンテキストデータといったシグナルを統合することで、モデルはHCPとその患者が重要な意思決定点に近づいている時期を特定し、そのコンテキストに基づいてオーディエンスを継続的に再優先できます。

つまり、オーディエンスのアクティベーションはケアジャーニーと共に進化します。患者が特定のケア段階に入ると、ブランドはその患者および担当HCPに対してより関連性を持ち、タイミング、チャネル、メッセージはそのウィンドウの変化に合わせて調整すべきです。時間が経つにつれ、システムはこれらのインタラクションから学習し、処方行動に影響を与える可能性が高い患者、HCP、タイムフレームを特定する精度を向上させます。

医薬品マーケターにとって、これはHCPとコンシューマーのマーケティングをよりダイナミックかつ同期的に行うアプローチを生み出します。過去の行動とリアルタイムのシグナルを組み合わせて、誰に、いつ、どのような情報がその瞬間に最も関連性が高いかを判断します。

基盤モデルは言語処理に非常に強力ですが、専門的な予測モデルは構造化された医療データや限定的なアウトカムに適している場合があります。ヘルスケアAI製品を構築する際に、大規模言語モデルと従来の機械学習システムをどのように組み合わせるべきだと考えますか？

素晴らしい質問です！先ほどの会話でも触れましたが、目的は単に面白いからといってAI技術を任意に組み合わせることではありません。常に、特定の顧客課題をより良く解決できる、より正確な予測に到達することです。医療データの多くは構造化されており（汚染されていたり、部分的で遅延があることもありますが）、数値的・カテゴリカルな特徴を用いた予測に最適です。とはいえ、原始データパイプラインの一部（例：臨床ノート、クリエイティブコンテンツ／テキスト）では、基盤LLMを前処理として使用し、構造化予測問題に適用する前に特徴をエンコードできる場合があります。たとえば「この患者はブランドを切り替える準備ができているか？」といった判定です。

OptimizeRxは、HCPと直接コンシューマーのインテリジェンスをますます結びつけ、患者とプロバイダーとのエンゲージメントをより同期させようとしています。機密性の高い健康データを扱う際に必要なプライバシー境界を維持しながら、AIはヘルスケアジャーニーの両側をどのように接続できるでしょうか？

AI は、個々の人を追跡するのではなく、実世界の臨床シグナルを評価して共通のケアの瞬間を特定することで、患者と医療提供者のエンゲージメントを橋渡しします。この技術は、匿名化された患者集団のトレンドと医師の処方行動を分析することで、両者をつなげます。これにより、マーケティングチームはテレビ、デジタル、ソーシャル広告などの消費者教育を、医師の電子カルテシステム内の診療時点情報と合わせて調整でき、患者と医師の双方が同じ治療決定のタイミングで関連情報を受け取れるようになります。

厳格なプライバシー遵守を維持するため、AI は上記で述べた特許取得済みの Micro‑Neighborhood 技術を用いて、匿名化された集計データのみで完全に動作します。個々の患者を対象にしたり個人の健康追跡を行う代わりに、システムは地域レベルの臨床トレンドを分析し、そこから得られた傾向を地域の医師の活動と照合します。このアプローチにより、消費者のプライバシーを尊重しつつ、HIPAA および州のプライバシー法に完全に準拠した、タイムリーで調整されたケアメッセージングを提供する完全に同期したキャンペーンが実現します。

AI が単なる推奨生成から、誰に、いつ連絡し、次にどのようなアクションを取るべきかを左右する段階へと移行するにつれ、誤った予測の結果はより重大になります。人間の監視が必須であるべき領域はどこか、そして最終的に AI が自律的に判断できると考える決定は何か、という点について教えてください。

ライフサイエンス分野では、AI システムが教育メッセージに最も適したオーディエンスを特定することと、患者のケアに直接影響を与える決定を下すことの間には重要な違いがあります。AI 主導の決定が臨床判断や患者の適格性、その他高インパクトな結果に近づくほど、人間の説明責任がますます重要になります。

監視と介入の間にも区別があります。AI がすべての低リスクアクションに対して人間の承認を必要とするわけではありませんが、明確な境界線、監査可能性、そしてその行動が境界を超えたときに検知する仕組みが必要です。これにより、人間は責任を保持しつつ、オートメーションの価値を損なうボトルネックを作らずに済みます。

私は、AI が低リスクで高頻度な活動、たとえばオーディエンスの優先順位付け、チャネル選択、タイミングやシーケンスの決定などを、統治されたデータに基づき継続的にモニタリングしながら自律的に行えるようになると考えています。目的は、文脈や説明責任、結果が重要となる意思決定は人間の判断に委ねつつ、スケールで人間が管理できない運用上の複雑さは AI に任せることです。また、適切なチェックポイントでライセンスを持つ臨床医を「ヒューマン・イン・ザ・ループ」として残すことも有益だと考えます。さらに、医師を抱えるベンダーこそがスケールとコンプライアンスのバランスを取れるでしょう。

AI モデルが技術的指標では優秀でも、実際の世界で成果を向上させるかどうかにはギャップが生じがちです。ライフサイエンスの商業化において AI を評価する際に最も重要な指標は何か、そして最終的な目標が患者のアウトカム向上であるべきときに、エンゲージメントといった代理指標に最適化しないためにはどうすればよいでしょうか？

商業化における AI は、単一のインタラクションをどれだけ効率的に最適化できるかではなく、ケアジャーニー全体で創出する価値で最終的に評価されるべきです。つまり、エンゲージメントは手段であり、クリックや完了したインタラクション、あるいは高精度な予測でさえも、それがより適切な介入を生み出し、次に起こることに影響を与える場合にのみ意味があります。

ライフサイエンスにおいては、指標の進化を追うべきです――オーディエンスの質や介入のタイミングから、医師の処方行動といった HCP の行動変化、最終的には患者への下流効果へと移行します。課題は、下流に行くほど成果の測定と因果関係の特定が難しくなるため、捕捉しやすい指標に最適化したくなる点です。

ここで AI 戦略が重要になります。モデルのパフォーマンスとエンゲージメントシグナルを、意味のある行動変容や可能であれば臨床的アウトカムに結びつける測定フレームワークを設計する必要があります。OptimizeRx では、実世界の医療データを活用し、単に誰かにリーチしたかどうかだけでなく、ケアジャーニーの適切なタイミングで適切な人物にリーチできたか、そしてその介入が測定可能な差異を生んだかを評価しています。

今後 3〜5 年を見据えたとき、AI ネイティブなライフサイエンス商業化組織はどのような姿になると考えますか？自律エージェントが商業的意思決定ループの一部を自ら管理し始めると予想しますか、それとも AI が人間チームに継続的にインテリジェンスを提供し続けることがより重要な進化になると考えますか？

「エージェント」フレームワークは将来的にはあまり重要でなくなる可能性があると考えています。代わりに、ライフサイエンス企業がデータエコシステムとして再編成され、あらゆるAI技術が任意に利用できるようになることを想像しています。たとえ5年後であっても、多くの「ビジネス意思決定」がエージェントによって完全に自動化されるとは期待していません。その代わり、R&D側の実験規模が急速に拡大し、人間の商業的意思決定に投入されるインテリジェンスがはるかに強力になると予想しています。現在、ライフサイエンス企業は組織構造に基づいて運営方法が決定されており、これはコンウェイの法則を参照しています。そのため、HCPおよびDTCマーケティングは依然としてサイロ化されており、分析チームとマーケティングチームは完全に連携していません。基盤となるデータエコシステムが変化すれば、人間のチームもよりクロスファンクショナルに変わり、結果としてコンウェイの法則に沿った形になります。組織は、AIがすでに提供できるインサイトを迅速に実装できるようになり、さらにAIが今後ますます高度化するにつれて提供される新たなインサイトも活用できるようになるでしょう。

素晴らしいインタビューをありがとうございました。会社とそのヘルスケア技術ソリューションについて詳しく知りたい読者は、OptimizeRxをご覧ください。