Mike Rousselle, Chief AI Officer bij OptimizeRx – Interviewreeks

Mike Rousselle, Chief AI Officer bij OptimizeRx, is een executive op het gebied van kunstmatige intelligentie en gezondheidstechnologie met bijna 15 jaar ervaring in het toepassen van AI om zakelijke waarde te creëren. In zijn huidige functie leidt hij de ontwikkeling en toepassing van AI-gedreven technologieën die zijn ontworpen om de communicatie tussen life sciences‑bedrijven, zorgprofessionals (HCP’s) en patiënten klinisch relevanter en actiegerichter te maken. Zijn werk omvat voorspellende intelligentie, gedrags- en klinische signalen, doelgroepgerichte targeting en AI‑aangedreven tools die helpen belangrijke behandel- en voorschrijfmomenten te identificeren. Voor zijn komst naar OptimizeRx bekleedde Rousselle functies bij Athenahealth, Clarivate en HubSpot, waarbij hij ervaring meebracht op het gebied van zorg, data en enterprise‑technologie. Hij heeft een bachelordiploma in Economie en Financiën van het Rochester Institute of Technology.

OptimizeRx is een gezondheids‑technologiebedrijf dat organisaties uit de life sciences verbindt met zorgverleners en patiënten door middel van data, kunstmatige intelligentie en digitale engagement‑technologieën. Opgericht in 2006 richtte het bedrijf zich aanvankelijk op het leveren van coupons en co‑pay‑ondersteuning via elektronische patiëntendossiers (EHR) en e‑prescriptieplatformen, maar is sindsdien uitgegroeid tot een breder platform voor gezondheids‑marketing en patiëntbetrokkenheid. De technologie combineert real‑world gezondheids‑signalen, voorspellende intelligentie, point‑of‑care‑integraties en omnichannel‑activatie om farmaceutische bedrijven te helpen relevante HCP‑ en patiëntdoelgroepen te identificeren en hen te betrekken tijdens cruciale momenten in het behandeltraject. Recentelijk heeft OptimizeRx haar AI‑mogelijkheden uitgebreid met tools zoals de Natural Language Audience Builder, die zorgmarketeers in staat stelt HCP‑ en privacy‑veilige consumenten‑doelgroepen te creëren met behulp van prompts in gewone taal.

Je hebt bijna 15 jaar AI toegepast op zakelijke vraagstukken bij organisaties waaronder Athenahealth, Clarivate en HubSpot, en bij OptimizeRx ben je van het leiden van dataproducten opgeklommen tot Chief AI Officer. Hoe heeft die reis je kijk op waar AI betekenisvolle waarde kan creëren in de gezondheidszorg gevormd, versus toepassingen die technologisch indrukwekkend kunnen zijn maar uiteindelijk oppervlakkig

Een van mijn belangrijkste inzichten gedurende mijn carrière is dat hoe “cool” ik AI ook vind, en hoe leuk het is om te gebruiken, het totaal niet uitmaakt als AI niet wordt ingezet ten behoeve van het probleem van de klant. Het gaat niet om AI als startpunt; het gaat om het richten op de concrete uitdagingen en inefficiënties in de gezondheidszorg die we kunnen verbeteren.

Bij OptimizeRx streven we ernaar één fundamentele uitdaging op te lossen: merk‑informatie en communicatie nauwer af te stemmen op de patiëntenreis, zodat zij beter zorgbeslissingen kunnen ondersteunen. Dat helpt artsen die overspoeld worden door reclame die al dan niet relevant is voor hen en hun patiënten. Het helpt patiënten die worden blootgesteld aan irrelevante of onnauwkeurige gezondheidsinformatie op sociale media en andere consumentenkanalen. En het helpt life sciences‑merken die voortdurend onder druk staan hun commerciële doelstellingen te behalen. Onze leidraad om deze uitdagingen op te lossen is de merk‑in aanmerking komende patiënt.

Als we AI gebruiken om hen eerder, nauwkeuriger te vinden, en gewoon op het moment dat ze merk‑klaar zijn, kunnen we informatie met hogere toegevoegde waarde aan hun zorgverlener leveren, relevantere DTC‑reclame bieden, en het merk helpen zijn mediabudget efficiënter en effectiever te besteden.

Veel van het recente gesprek over enterprise‑AI heeft zich gericht op generatieve AI en contentcreatie. Je hebt gepleit voor een verschuiving naar AI die organisaties helpt beslissingen te nemen. Wat onderscheidt echte “decision intelligence” van simpelweg een generatieve AI‑interface bovenop bestaande analytics te plaatsen?

Het verschil komt neer op de vraag of AI je simpelweg helpt informatie te verkrijgen, of dat het je daadwerkelijk helpt betere beslissingen te nemen. Het plaatsen van een generatieve AI‑interface bovenop analytics kan data gemakkelijker opvraagbaar of samenvattend maken, maar de onderliggende intelligentie is niet fundamenteel veranderd. Je vraagt nog steeds een persoon om de informatie te interpreteren, te bepalen wat belangrijk is, en te beslissen wat vervolgens te doen.

Echte decision intelligence overbrugt die kloof door meerdere signalen te combineren, patronen en context te herkennen, waarschijnlijke uitkomsten te voorspellen, en die inzichten om te zetten in aanbevolen acties. Net zo belangrijk leert decision intelligence ook leert van de resultaten van die acties en gebruikt die data om toekomstige aanbevelingen continu te verbeteren. In life sciences‑marketing betekent dat bijvoorbeeld dat men verder gaat dan alleen het rapporteren van campagneprestaties, door te voorspellen welke doelgroepen het meest waarschijnlijk zullen reageren (en op welke kanalen), te anticiperen op welke boodschap relevant is, en de nauwkeurigheid van die voorspellingen te meten. De waarde zit in de gesloten‑lus‑intelligentie, wat de mogelijkheid betekent om data om te zetten in beslissingen en die beslissingen in de loop van de tijd continu te verbeteren. Dat is de echte truc om marketeers te helpen middelen op een passende en efficiënte manier toe te wijzen.

Het Dynamic Audience Activation Platform van OptimizeRx gebruikt AI en real‑world data om zorgverleners te identificeren die potentieel in aanmerking komende patiënten behandelen en te voorspellen wanneer betrokkenheid het meest relevant kan zijn. Welke soorten signalen zijn het meest waardevol voor deze voorspellende modellen, en hoe bepaalt u of het model een betekenisvol klinisch patroon heeft geïdentificeerd in plaats van een misleidende correlatie?

De waarde van een signaal hangt af van timing en praktische medische relevantie, terwijl nauwkeurigheid wordt behouden door duidelijke klinische logica en continue uitkomstbewaking. We richten ons op eenvoudige indicatoren zoals wanneer een patiënt moet overschakelen naar een ander medicijn, belangrijke laboratoriumresultaten en aankomende doktersafspraken. Het combineren van de medische geschiedenis van een patiënt met de juiste timing tijdens een consult is wat outreach effectief maakt.

Om te voorkomen dat het model misleidende patronen volgt, zoals het verwarren van een drukke huisarts met een specialist die de aandoening daadwerkelijk beheert, sturen we de technologie aan met standaard medische richtlijnen en realistische behandel­tijdlijnen. Vervolgens controleren we onze resultaten tegen real‑world voorschrijvingsdata en vergelijkingsgroepen om er zeker van te zijn dat we ons alleen richten op momenten die leiden tot echte veranderingen in de patiëntenzorg.

OptimizeRx heeft onlangs zijn Natural Language Audience Builder gelanceerd, waarmee marketeers een doelgroep kunnen beschrijven met natuurlijke taal en die aanvraag kunnen omzetten in merk‑specifieke, gecoördineerde HCP‑ en consumenten‑doelgroepen. Wat gebeurt er technisch tussen de initiële prompt en de uiteindelijke doelgroep, en hoe voorkomt u ambiguïteit of hallucinaties die iets beïnvloeden dat uiteindelijk real‑world beslissingen stuurt?

Het proces draait om het inzetten van taal‑AI voor interpretatie, terwijl we vertrouwen op real‑world klinische en EHR‑netwerkdata voor de uiteindelijke NPI‑lijstoutput, en op OptimizeRx’s Micro‑Neighborhood® Targeting voor consumenten‑doelgroepen. Wanneer een marketeer een prompt invoert, splitst het systeem de aanvraag op in doelparameters, zoals medische specialismen, patiëntvolumes en voorschrijfgedrag, zonder afhankelijk te zijn van statische, vooraf gebouwde doelgroepsegmenten.

Aangezien real‑world commerciële beslissingen op het spel staan, worden hallucinaties voorkomen door ervoor te zorgen dat het AI‑model fungeert als een interpreter die geauthenticeerde zorgverlenersregisters en real‑world klinische datasets raadpleegt. Het platform zet promptdetails om in geverifieerde NPI‑lijsten en Micro‑Neighborhood‑doelgroepen, waardoor marketeers de exacte overeenkomende artsprofielen en/of consumentensegmenten kunnen bekijken, rangschikken en verfijnen voordat ze de doelgroep definitief vaststellen.

Traditionele farmaceutische marketing heeft vaak vertrouwd op relatief statische segmentatie op basis van historisch voorschrijfgedrag. Hoe verandert AI dat model wanneer doelgroepen continu kunnen worden herprioritiseerd op basis van veranderende patiëntreizen en voorspelde zorg‑vensters?

AI geeft marketeers de mogelijkheid om te reageren op veranderingen in de zorgreis terwijl ze zich voordoen. Door signalen zoals voorschrijfgedrag, patiëntpopulaties, HCP‑betrokkenheid en andere contextuele data te combineren, kunnen modellen identificeren wanneer een HCP en hun patiënt een betekenisvol beslissingsmoment naderen en de doelgroep continu herprioriteren op basis van die context.

Dat betekent dat doelgroep‑activatie kan evolueren parallel aan de zorgreis. Naarmate patiënten een bepaalde fase van de zorg betreden, wordt het merk relevanter voor hen en hun behandelende HCP, en moeten timing, kanaal en boodschap worden aangepast naarmate dat venster verandert. In de loop van de tijd kan het systeem leren van die interacties en verbeteren hoe het de patiënten, HCP’s en tijdschema’s identificeert die het meest waarschijnlijk het voorschrijfgedrag beïnvloeden.

Voor farmaceutische marketeers creëert dit een dynamischere, gesynchroniseerde aanpak van HCP‑ en consumentenmarketing, waarbij historisch gedrag wordt gecombineerd met real‑time signalen om te bepalen wie te benaderen, wanneer ze te benaderen en wat op dat moment het meest relevant zal zijn.

Foundation‑modellen zijn uiterst krachtig in het werken met taal, terwijl gespecialiseerde voorspellende modellen beter geschikt kunnen zijn voor gestructureerde gezondheidszorgdata en nauw gedefinieerde uitkomsten. Hoe denkt u over het combineren van grote taalmodellen met meer traditionele machine‑learning‑systemen bij het bouwen van AI‑producten voor de gezondheidszorg?

Goede vraag! Zoals ik eerder in het gesprek al aangaf, is het doel niet om deze AI‑technieken willekeurig te combineren alleen omdat het leuk is. Het gaat er altijd om tot een nauwkeurigere voorspelling te komen die een specifiek klantprobleem beter kan oplossen. Een groot deel van de gezondheidszorgdata is gestructureerd (ook al kan het vuil, onvolledig en vertraagd zijn), wat het perfect maakt voor voorspellingen met numerieke en categorische kenmerken. Dat gezegd hebbende, zijn er enkele aspecten van de ruwe datastroom (bijv. klinische notities, creatieve content/tekst) die baat zouden hebben bij foundation‑LLM’s als pre‑processor om de eigenschap te coderen voordat deze wordt toegepast op een gestructureerd voorspellingsprobleem – zoals “is deze patiënt klaar om van merk te wisselen?”.

OptimizeRx verbindt steeds meer HCP‑ en direct‑to‑consumer‑intelligentie zodat de betrokkenheid bij patiënten en zorgverleners beter kan worden gesynchroniseerd. Hoe kan AI die twee kanten van de zorgreis verbinden terwijl de privacy‑grenzen die vereist zijn bij het werken met gevoelige gezondheidsdata worden gehandhaafd?

AI overbrugt de betrokkenheid van patiënten en zorgverleners door real‑world klinische signalen te evalueren om gedeelde zorgmomenten te identificeren, in plaats van individuele personen te volgen. De technologie verbindt beide kanten door de trends van geanonimiseerde patiëntpopulaties te analyseren naast het voorschrijfgedrag van artsen. Dit stelt marketingteams in staat om consumentenvoorlichting, zoals tv‑, digitale of sociale advertenties, af te stemmen op point‑of‑care‑informatie in het elektronische patiëntendossier van de arts, zodat zowel patiënt als arts relevante informatie ontvangen rond hetzelfde besluitpunt van de behandeling.

Om strikte privacy‑naleving te waarborgen, werkt de AI volledig op geanonimiseerde, geaggregeerde gegevens met behulp van onze gepatenteerde Micro‑Neighborhood‑technologie die ik hierboven noemde. In plaats van individuele patiënten te targeten of persoonlijke gezondheidsmonitoring te gebruiken, analyseert het systeem klinische trends op een gelokaliseerd geografisch niveau en koppelt die trends aan de activiteiten van artsen in het gebied. Deze aanpak creëert een volledig gesynchroniseerde campagne die de privacy van de consument respecteert, volledige naleving van HIPAA en staatsprivacywetten garandeert, terwijl toch tijdige, gecoördineerde zorgboodschappen worden geleverd.

Naarmate AI verschuift van het genereren van aanbevelingen naar het beïnvloeden van wie er wordt gecontacteerd, wanneer ze worden gecontacteerd en welke actie vervolgens moet plaatsvinden, worden de gevolgen van een slechte voorspelling aanzienlijk. Waar moet menselijk toezicht verplicht blijven, en welke beslissingen denk je dat AI uiteindelijk autonoom kan nemen?

In de life sciences is er een wezenlijk verschil tussen een AI‑systeem dat bepaalt welke doelgroep het meest relevant is voor een educatieve boodschap en een systeem dat een beslissing neemt die direct de zorg voor een patiënt kan beïnvloeden. Hoe dichter een AI‑gedreven beslissing bij klinisch oordeel, patiënt‑eligibiliteit of andere resultaten met hoge impact komt, hoe belangrijker menselijke verantwoordelijkheid wordt.

Er is ook een onderscheid tussen toezicht en interventie. AI heeft niet per se een persoon nodig die elke laag‑risico‑actie goedkeurt, maar het heeft wel duidelijke grenzen, controleerbaarheid en mechanismen nodig om te detecteren wanneer het gedrag buiten die grenzen treedt. Dat stelt mensen in staat om verantwoordelijk te blijven zonder een knelpunt te creëren dat de waarde van automatisering ondermijnt.

Ik geloof dat AI steeds vaker autonome beslissingen kan nemen rond laag‑risico, hoge‑volume activiteiten, zoals prioritering van doelgroepen, kanaalselectie, timing en volgorde, mits die beslissingen gebaseerd zijn op beheerde data en continu worden gemonitord. Het doel moet zijn om menselijk oordeel te reserveren voor de beslissingen waarbij context, verantwoordelijkheid en consequenties dat vereisen, terwijl AI de operationele complexiteit afhandelt die mensen simpelweg niet op schaal kunnen beheren. Ik vind het ook waardevol om bevoegde clinici als “humans in the loop” te behouden bij de juiste controlepunten. En leveranciers die artsen in dienst hebben, zijn degenen die de balans tussen schaal en naleving zullen vinden.

Er bestaat vaak een kloof tussen een AI‑model dat goed presteert volgens technische metrics en daadwerkelijk de resultaten in de praktijk verbetert. Welke metrics zijn het belangrijkst bij het evalueren van AI in de commercialisering van life sciences, en hoe voorkom je dat je optimaliseert voor proxy‑variabelen zoals engagement terwijl het uiteindelijke doel betere patiëntresultaten moet zijn?

AI in commercialisering moet uiteindelijk worden beoordeeld op de waarde die het creëert gedurende de zorgreis, niet op hoe efficiënt het een enkele interactie kan optimaliseren. Dat vereist het erkennen dat engagement een middel tot een doel is: een klik, voltooide interactie of zelfs een zeer nauwkeurige voorspelling is alleen relevant als het helpt een meer relevante interventie te creëren die kan beïnvloeden wat vervolgens gebeurt.

Voor life sciences zou ik kijken naar de voortgang van metrics – van de kwaliteit van de doelgroep en timing van de interventie, tot veranderingen in het gedrag van zorgprofessionals, zoals voorschrijven, en uiteindelijk de downstream‑impact op patiënten. De uitdaging is dat hoe verder stroomafwaarts je gaat, hoe moeilijker de uitkomsten te meten en toe te wijzen zijn, wat het verleidelijk maakt om te optimaliseren voor de metrics die het gemakkelijkst te verzamelen zijn.

Daar komt de AI‑strategie om de hoek kijken. We moeten meetraamwerken ontwerpen die modelprestaties en engagement‑signalen verbinden met betekenisvol gedrag en, waar mogelijk, klinische uitkomsten. Bij OptimizeRx betekent dit het gebruik van real‑world zorggegevens om niet alleen te begrijpen of we iemand hebben bereikt, maar of we de juiste persoon op het juiste moment in de zorgreis hebben bereikt, en of die interventie een meetbaar verschil heeft gemaakt.

Kijkend drie tot vijf jaar vooruit, hoe ziet een AI‑native life sciences‑commercialiseringsorganisatie eruit? Verwacht je dat autonome agents zelf delen van de commerciële beslissingslus gaan beheren, of zal de belangrijkere evolutie zijn dat AI continu intelligentie levert aan menselijke teams?

Ik denk dat het “agent”-kader in de komende jaren mogelijk minder relevant zal zijn. In plaats daarvan denk ik aan levenswetenschappenbedrijven die zich herstructureren tot data‑ecosystemen die elke AI‑technologie willekeurig kan gebruiken. Zelfs over 5 jaar verwacht ik niet dat veel “zakelijke beslissingen” volledig geautomatiseerd zullen worden via agents. In plaats daarvan verwacht ik dat de schaal van experimenten aan de R&D‑kant snel zal toenemen, en dat de intelligentie die in de commerciële besluitvorming van een mens wordt ingebracht veel krachtiger zal zijn. Op dit moment zijn levenswetenschappenbedrijven georganiseerd rond organisatiestructuren die vervolgens de manier waarop ze opereren bepalen, volgens Conway’s Law. Daardoor zien we dat HCP‑ en DTC‑marketing nog steeds in silo’s plaatsvinden, en dat analytics‑ en marketingteams niet volledig op één lijn zitten. Naarmate het onderliggende data‑ecosysteem verandert, zullen de menselijke teams zich zelf aanpassen, meer cross‑functioneel worden en dus nog steeds in overeenstemming met Conway’s Law. Organisaties zullen sneller de inzichten implementeren die AI nu al kan leveren, evenals de nieuwe inzichten die AI ons in de toekomst zal bieden naarmate het steeds geavanceerder wordt.

Bedankt voor het geweldige interview. Lezers die meer willen weten over het bedrijf en zijn oplossingen voor zorgtechnologie kunnen OptimizeRx bezoeken.