Mike Rousselle, OptimizeRx 최고 AI 책임자 – 인터뷰 시리즈

Mike Rousselle는 OptimizeRx의 최고 AI 책임자로, 인공지능을 활용해 비즈니스 가치를 창출한 경험이 거의 15년에 달하는 인공지능 및 헬스케어 기술 임원입니다. 현재 역할에서는 생명과학 기업, 의료 전문가(HCP) 및 환자 간의 커뮤니케이션을 보다 임상적으로 관련성 높고 실행 가능하도록 설계된 AI 기반 기술의 개발 및 적용을 이끌고 있습니다. 그의 업무는 예측 인텔리전스, 행동 및 임상 신호, 대상 타겟팅, 그리고 중요한 치료 및 처방 시점을 식별하는 AI 기반 도구들을 포괄합니다. OptimizeRx에 합류하기 전, Rousselle는 Athenahealth, Clarivate, HubSpot에서 근무하며 헬스케어, 데이터 및 엔터프라이즈 기술 전반에 걸친 경험을 쌓았습니다. 그는 Rochester Institute of Technology에서 경제학 및 재무학 학사 학위를 받았습니다.

OptimizeRx는 데이터, 인공지능 및 디지털 참여 기술을 활용해 생명과학 조직과 의료 제공자 및 환자를 연결하는 헬스케어 기술 회사입니다. 2006년에 설립된 이 회사는 처음에 전자 건강 기록(EHR) 및 전자 처방 플랫폼을 통해 쿠폰과 공동 부담금 지원을 제공하는 데 집중했지만, 이후 보다 포괄적인 헬스케어 마케팅 및 환자 참여 플랫폼으로 확장되었습니다. 이 기술은 실제 건강 신호, 예측 인텔리전스, 현장 통합 및 옴니채널 활성화를 결합하여 제약사가 관련 의료 전문가(HCP)와 환자 청중을 식별하고 치료 여정의 주요 순간에 이들과 소통하도록 돕습니다. 최근에는 OptimizeRx가 자연어 청중 구축기(Natural Language Audience Builder)와 같은 도구를 통해 AI 역량을 확대했으며, 이를 통해 헬스케어 마케터가 평이한 언어 프롬프트를 사용해 의료 전문가 및 개인 정보 보호가 보장된 소비자 청중을 생성할 수 있습니다.

당신은 Athenahealth, Clarivate, HubSpot 등 조직에서 AI를 비즈니스 문제에 적용해 거의 15년을 보냈으며, OptimizeRx에서는 데이터 제품을 이끌다 최고 AI 책임자로 진급했습니다. 이 여정이 헬스케어에서 AI가 의미 있는 가치를 창출할 수 있는 영역과 기술적으로 인상적이지만 궁극적으로 피상적인 적용 사이에 대한 당신의 관점을 어떻게 형성했나요

제 경력에서 얻은 주요 교훈 중 하나는 AI가 얼마나 ‘멋지게’ 느껴지고 활용이 얼마나 즐겁든, AI가 고객 문제를 해결하는 데 사용되지 않는다면 전혀 의미가 없다는 것입니다. AI를 시작점으로 삼는 것이 아니라, 우리가 개선할 수 있는 헬스케어 분야의 구체적인 과제와 비효율성에 집중하는 것이 중요합니다.

OptimizeRx에서는 단일하고 근본적인 과제, 즉 브랜드 정보와 커뮤니케이션을 환자 여정에 보다 밀접하게 맞추어 치료 결정을 더 잘 지원하도록 하는 문제를 해결하고자 합니다. 이는 자신과 환자에게 적절하지 않을 수 있는 광고에 압도당한 의료진을 돕고, 소셜 미디어 및 기타 소비자 채널에서 관련 없거나 부정확한 건강 정보를 접하는 환자를 지원하며, 상업 목표 달성에 지속적인 압박을 받는 생명과학 브랜드에도 도움이 됩니다. 이러한 과제를 해결하기 위한 우리의 핵심은 브랜드 대상이 될 수 있는 환자입니다.

AI를 사용해 그들을 더 일찍, 더 정확하게 찾고, just 브랜드가 준비되는 시점에 도달하면, 우리는 제공자에게 보다 높은 효용의 정보를 전달하고, 더 관련성 높은 DTC 광고를 제공하며, 브랜드가 미디어 비용을 보다 효율적이고 효과적으로 사용할 수 있도록 도울 수 있습니다.

최근 기업 AI 논의 대부분이 생성형 AI와 콘텐츠 제작에 초점을 맞추고 있습니다. 당신은 조직이 의사결정을 내리는 데 도움이 되는 AI로 전환할 것을 주장했습니다. 진정한 “의사결정 인텔리전스”가 기존 분석 위에 생성형 AI 인터페이스를 단순히 얹는 것과 구별되는 점은 무엇인가요?

구분은 AI가 단순히 정보를 접근하도록 돕는가, 아니면 실제로 의사결정을 지원하는가에 달려 있습니다. 생성형 AI 인터페이스를 분석 위에 얹는 것은 데이터를 더 쉽게 조회하거나 요약할 수 있게 만들지만, 근본적인 인텔리전스는 크게 변하지 않았습니다. 여전히 사람에게 정보를 해석하고, 무엇이 중요한지 판단하며, 다음에 무엇을 할지 결정하도록 요청하고 있습니다.

진정한 의사결정 인텔리전스는 여러 신호를 결합하고, 패턴과 맥락을 인식하며, 가능한 결과를 예측하고, 이러한 통찰을 권장 행동으로 전환함으로써 그 격차를 메웁니다. 또한 의사결정 인텔리전스는 learns그 행동의 결과로부터 학습하고, 해당 데이터를 활용해 미래 권장 사항을 지속적으로 개선합니다. 예를 들어 생명과학 마케팅에서는 캠페인 성과를 단순히 보고하는 것을 넘어, 어떤 청중이 가장 반응할 가능성이 높은지(그리고 어떤 채널에서) 예측하고, 어떤 메시지가 적절한지 예상하며, 이러한 예측의 정확성을 측정하는 것을 의미합니다. 가치가 있는 것은 폐쇄 루프 인텔리전스로, 데이터를 의사결정으로 전환하고 시간이 지남에 따라 그 의사결정을 지속적으로 개선할 수 있는 능력입니다. 이것이 마케터가 자원을 보다 적절하고 효율적으로 배분하도록 돕는 진정한 요령입니다.

OptimizeRx의 Dynamic Audience Activation Platform은 AI와 실제 데이터를 활용해 잠재적으로 적격 환자를 치료하는 의료 제공자를 식별하고, 참여가 가장 적절할 시점을 예측합니다. 이러한 예측 모델에 가장 가치 있는 신호 유형은 무엇이며, 모델이 의미 있는 임상 패턴을 식별했는지 아니면 오해를 일으키는 상관관계인지 어떻게 판단합니까?

신호의 가치는 타이밍과 실질적인 의료 관련성에 달려 있으며, 정확성은 명확한 임상 논리와 지속적인 결과 추적을 통해 유지됩니다. 우리는 환자가 약물을 전환해야 할 시점, 주요 검사 결과, 다가오는 진료 예약과 같은 직관적인 지표에 집중합니다. 환자의 건강 이력을 방문 시점의 적절한 타이밍과 결합하는 것이 효과적인 outreach를 가능하게 합니다.

모델이 바쁜 일반의를 실제로 해당 질환을 관리하는 전문의와 혼동하는 등 오해를 일으키는 패턴을 추적하지 않도록, 우리는 표준 의료 지침과 현실적인 치료 일정으로 기술을 안내합니다. 이후 실제 처방 데이터와 비교군을 통해 결과를 재검증하여 환자 치료에 실질적인 변화를 가져오는 순간에만 집중하고 있음을 확인합니다.

OptimizeRx는 최근 Natural Language Audience Builder를 출시했으며, 이를 통해 마케터가 자연어로 청중을 설명하면 해당 요청을 브랜드별로 조정된 HCP 및 소비자 청중으로 변환할 수 있습니다. 초기 프롬프트와 최종 청중 사이에 기술적으로 어떤 과정이 이루어지며, 모호성이나 환각이 실제 의사결정에 영향을 미치지 않도록 어떻게 방지합니까?

이 과정은 해석을 위해 언어 AI를 활용하고, 최종 NPI 목록 출력에는 실제 임상 및 EHR 네트워크 데이터를, 소비자 청중에는 OptimizeRx의 Micro‑Neighborhood® Targeting을 활용하는 것으로 요약됩니다. 마케터가 프롬프트를 입력하면 시스템은 해당 요청을 의료 전문 분야, 환자 규모, 처방 행동 등 목표 매개변수로 분해하며, 정적인 사전 구축 청중 세그먼트에 의존하지 않습니다.

실제 상업적 결정이 걸려 있기 때문에, AI 모델이 인증된 제공자 레지스트리와 실제 임상 데이터셋을 조회하는 해석자 역할을 수행하도록 함으로써 환각을 방지합니다. 플랫폼은 프롬프트 세부 정보를 검증된 NPI 목록 및 Micro‑Neighborhood 청중으로 변환하여 마케터가 목표 청중을 최종 확정하기 전에 정확히 일치하는 의사 프로필 및/또는 소비자 세그먼트를 확인, 순위 지정 및 정교화할 수 있게 합니다.

전통적인 제약 마케팅은 종종 과거 처방 행동을 기반으로 한 비교적 정적인 세분화에 의존해 왔습니다. 환자 여정의 변화와 예측된 치료 시점에 따라 청중을 지속적으로 재우선순위화할 수 있게 되면 AI는 이 모델을 어떻게 변화시킬까요?

AI는 마케터가 치료 여정의 변화를 실시간으로 대응할 수 있게 합니다. 처방 행동, 환자 집단, HCP 참여 및 기타 상황 데이터와 같은 신호를 결합함으로써 모델은 HCP와 환자가 의미 있는 의사결정 지점에 가까워지는 시점을 파악하고, 해당 상황에 따라 청중을 지속적으로 재우선순위화합니다.

이는 청중 활성화가 치료 여정과 함께 진화할 수 있음을 의미합니다. 환자가 특정 치료 단계에 진입하면 브랜드는 해당 환자와 담당 HCP에게 더 관련성이 높아지며, 그 시점에 맞춰 타이밍, 채널, 메시지를 조정해야 합니다. 시간이 지나면서 시스템은 이러한 상호작용을 학습해 처방 행동에 가장 큰 영향을 미칠 가능성이 높은 환자, HCP 및 시점을 보다 정확히 식별하도록 개선됩니다.

제약 마케터에게 이는 HCP와 소비자 마케팅을 보다 역동적이고 동기화된 방식으로 전환시킵니다. 과거 행동과 실시간 신호를 결합해 누구에게, 언제, 그리고 그 순간 가장 관련성 높은 내용이 무엇인지를 결정합니다.

기초 모델은 언어 작업에 매우 강력하지만, 특화된 예측 모델은 구조화된 의료 데이터와 좁게 정의된 결과에 더 적합할 수 있습니다. 의료 AI 제품을 구축할 때 대형 언어 모델과 보다 전통적인 머신러닝 시스템을 어떻게 결합하는 것이 좋다고 생각하십니까?

좋은 질문입니다! 앞서 대화에서 언급했듯이, 목표는 단순히 재미를 위해 AI 기술을 무작위로 결합하는 것이 아니라, 특정 고객 문제를 더 잘 해결할 수 있는 보다 정확한 예측을 얻는 것입니다. 많은 의료 데이터가 구조화되어 있기 때문에(비록 잡음이 있거나 부분적이며 지연될 수 있지만) 수치 및 범주형 특성을 활용한 예측에 적합합니다. 다만, 원시 데이터 파이프라인의 일부(예: 임상 메모, 창의적 콘텐츠/텍스트)는 기초 LLM을 전처리기로 사용해 특성을 인코딩한 뒤 구조화된 예측 문제에 적용할 수 있습니다—예를 들어 “이 환자가 브랜드를 교체할 준비가 되었는가?”와 같은 경우입니다.

OptimizeRx는 HCP와 직접 소비자 인텔리전스를 점점 더 연결하여 환자와 제공자와의 참여를 보다 동기화하고 있습니다. 민감한 건강 데이터를 다룰 때 요구되는 개인정보 보호 경계를 유지하면서 AI가 의료 여정의 양측을 어떻게 연결할 수 있을까요?

AI는 개별 사람을 추적하기보다 실제 임상 신호를 평가하여 공유된 치료 순간을 식별함으로써 환자와 제공자 간의 참여를 연결합니다. 이 기술은 익명화된 환자 집단 추세와 의사의 처방 행동을 함께 분석하여 양쪽을 연결합니다. 이를 통해 마케팅 팀은 TV, 디지털, 소셜 광고와 같은 소비자 교육을 의사의 전자 건강 기록 시스템에 있는 현장 치료 정보와 일치시켜, 환자와 의사가 동일한 치료 결정 시점에 관련 정보를 받을 수 있도록 합니다.

엄격한 개인정보 보호 규정을 유지하기 위해 AI는 앞서 언급한 특허받은 마이크로-네이버후드 기술을 활용하여 익명화된 집계 데이터를 전적으로 사용합니다. 개별 환자를 대상으로 하거나 개인 건강 추적을 이용하는 대신, 시스템은 지역별 지리적 수준에서 임상 추세를 분석하고 해당 추세를 해당 지역의 의사 활동과 교차 검증합니다. 이러한 접근 방식은 소비자 프라이버시를 존중하면서도 HIPAA 및 주 개인정보 보호법을 완전히 준수하고, 시기적절하고 조정된 치료 메시지를 제공하는 완전 동기화된 캠페인을 만듭니다.

AI가 권고를 생성하는 단계에서 누가 연락을 받고, 언제 연락을 받으며, 다음에 어떤 행동을 취해야 하는지를 영향을 미치는 단계로 이동함에 따라, 잘못된 예측의 결과가 더욱 중요해집니다. 인간의 감독이 반드시 유지되어야 하는 영역은 어디이며, 어떤 결정들을 AI가 궁극적으로 자율적으로 내릴 수 있다고 보십니까?

생명과학 분야에서는 AI 시스템이 교육 메시지에 가장 적합한 청중을 결정하는 것과 환자 치료에 직접적인 영향을 미칠 수 있는 결정을 내리는 것 사이에 의미 있는 차이가 있습니다. AI 기반 결정이 임상 판단, 환자 적격성 또는 기타 고영향 결과에 가까워질수록 인간의 책임이 더욱 중요해집니다.

감독과 개입 사이에도 구분이 있습니다. AI가 모든 저위험 행동에 대해 사람의 승인을 반드시 필요로 하는 것은 아니지만, 명확한 경계, 감사 가능성 및 그 행동이 경계를 벗어났을 때 이를 감지하는 메커니즘이 필요합니다. 이는 자동화의 가치를 저해하지 않으면서 인간이 책임을 유지하도록 합니다.

저는 AI가 관리된 데이터에 기반하고 지속적으로 모니터링되는 한, 청중 우선순위 지정, 채널 선택, 시기 및 순서 지정과 같은 저위험·고볼륨 활동에 대해 점점 더 자율적인 결정을 내릴 수 있다고 믿습니다. 목표는 상황, 책임 및 결과가 요구되는 결정에 대해 인간의 판단을 보류하고, AI가 인간이 규모로 관리할 수 없는 운영 복잡성을 처리하도록 하는 것입니다. 또한 적절한 검증 지점에서 면허가 있는 임상의들을 “humans in the loop”으로 유지하는 것이 가치 있다고 생각합니다. 그리고 직원에 의사가 있는 공급업체가 규모와 규정 준수 사이의 균형을 맞출 수 있을 것입니다.

AI 모델이 기술 지표상으로는 우수하게 수행되지만 실제 세계에서 결과를 개선하는 데는 차이가 있는 경우가 종종 있습니다. 생명과학 상업화에서 AI를 평가할 때 가장 중요한 지표는 무엇이며, 궁극적인 목표가 더 나은 환자 결과가 되어야 함에도 불구하고 참여와 같은 대리 지표에 최적화되는 것을 어떻게 방지합니까?

상업화에서 AI는 단일 상호작용을 얼마나 효율적으로 최적화하느냐가 아니라 치료 여정 전반에 걸쳐 창출하는 가치로 최종 평가되어야 합니다. 이는 참여가 목적을 달성하기 위한 수단임을 인식해야 함을 의미합니다. 클릭, 완료된 상호작용, 혹은 매우 정확한 예측도 다음에 일어나는 일을 영향을 줄 수 있는 보다 관련성 높은 개입을 만드는 데 도움이 될 때만 의미가 있습니다.

생명과학 분야에서는 청중의 품질과 개입 시점에서부터 의사의 처방 행동과 같은 HCP 행동 변화, 궁극적으로 환자에게 미치는 하위 영향을 아우르는 지표의 진행을 살펴볼 것입니다. 문제는 하위 단계로 갈수록 결과를 측정하고 귀속시키기가 어려워져, 가장 쉽게 포착할 수 있는 지표에 최적화하고 싶어지는 유혹이 생긴다는 점입니다.

이때 AI 전략이 중요해집니다. 모델 성능과 참여 신호를 의미 있는 행동 및 가능한 경우 임상 결과와 연결하는 측정 프레임워크를 설계해야 합니다. OptimizeRx에서는 실제 의료 데이터를 활용해 단순히 누군가에게 도달했는지 여부가 아니라, 치료 여정의 적절한 시점에 올바른 사람에게 도달했는지, 그리고 그 개입이 측정 가능한 차이를 만들었는지를 이해하는 것을 의미합니다.

앞으로 3~5년을 내다볼 때, AI 기반 생명과학 상업화 조직은 어떤 모습일까요? 자율 에이전트가 상업적 의사결정 루프의 일부를 스스로 관리하기 시작할 것으로 예상하십니까, 아니면 보다 중요한 진화는 AI가 인간 팀에 지속적으로 인텔리전스를 제공하는 것이 될까요?

나는 “agent” 프레임워크가 앞으로 몇 년간은 그다지 중요하지 않을 수도 있다고 생각합니다. 대신, 나는 생명과학 기업들이 모든 AI 기술이 자유롭게 활용할 수 있는 데이터 생태계로 재구성되는 모습을 생각합니다. 5년 후에도 많은 “비즈니스 의사결정”이 에이전트를 통해 완전히 자동화될 것이라고 기대하지 않습니다. 대신, 나는 R&D 측면에서 실험 규모가 급격히 증가할 것이며, 인간의 상업적 의사결정에 투입되는 인텔리전스가 훨씬 더 강력해질 것으로 기대합니다. 현재, 생명과학 기업들은 조직 구조를 중심으로 조직되어 있으며, 이는 Conway’s Law를 참고하여 그들의 운영 방식을 결정합니다. 따라서 우리는 HCP와 DTC 마케팅이 여전히 사일로 형태로 진행되고 있으며, 분석팀과 마케팅팀이 완전히 정렬되지 않은 것을 봅니다. 기본 데이터 생태계가 변화함에 따라 인간 팀도 스스로 변화하여 보다 교차 기능적으로 되고, 따라서 여전히 Conway’s Law에 부합합니다. 조직은 AI가 이미 제공할 수 있는 인사이트를 더 빠르게 구현할 것이며, AI가 계속해서 정교해짐에 따라 앞으로 제공할 새로운 인사이트도 신속히 적용할 것입니다.

멋진 인터뷰에 감사드립니다. 회사와 그 의료 기술 솔루션에 대해 더 알고 싶은 독자들은 OptimizeRx를 방문할 수 있습니다.