Mike Rousselle, Chief AI Officer hos OptimizeRx – Intervjuserie

Mike Rousselle, Chief AI Officer hos OptimizeRx, er en leder innen kunstig intelligens og helseteknologi med nesten 15 år med erfaring i å bruke AI til å skape forretningsverdi. I sin nåværende rolle leder han utviklingen og anvendelsen av AI-drevne teknologier som er designet for å gjøre kommunikasjonen mellom livsvitenskapsselskaper, helsepersonell (HCP) og pasienter mer klinisk relevant og handlingsbar. Arbeidet hans spenner over prediktiv intelligens, atferds- og kliniske signaler, målretting av publikum, og AI-baserte verktøy som hjelper med å identifisere viktige behandlings- og reseptøyeblikk. Før han begynte i OptimizeRx, hadde Rousselle stillinger hos Athenahealth, Clarivate og HubSpot, og tok med seg erfaring fra helsevesen, data og bedrifts‑teknologi. Han har en bachelorgrad i økonomi og finans fra Rochester Institute of Technology.

OptimizeRx er et helseteknologiselskap som knytter livsvitenskapelige organisasjoner til helsepersonell og pasienter ved hjelp av data, kunstig intelligens og digitale engasjementsteknologier. Selskapet ble grunnlagt i 2006 og fokuserte i begynnelsen på å levere kuponger og egenandelsstøtte gjennom elektroniske pasientjournaler (EHR) og e‑resept‑plattformer, men har siden utvidet seg til en bredere plattform for helsemarkedsføring og pasientengasjement. Teknologien kombinerer virkelige helsesignaler, prediktiv intelligens, integrasjoner på behandlingsstedet og omnichannel‑aktivering for å hjelpe farmasøytiske selskaper med å identifisere relevante HCP‑ og pasientmålgrupper og engasjere dem i nøkkeløyeblikk i behandlingsforløpet. Nylig har OptimizeRx utvidet sine AI‑evner med verktøy som Natural Language Audience Builder, som gjør det mulig for helsemarkedsførere å lage HCP‑ og personvern‑sikre forbrukermålgrupper ved hjelp av naturlige språk‑spørsmål.

Du har brukt nesten 15 år på å anvende AI på forretningsproblemer i organisasjoner som Athenahealth, Clarivate og HubSpot, og i OptimizeRx har du gått fra å lede dataprodukter til å fungere som Chief AI Officer. Hvordan har den reisen påvirket ditt syn på hvor AI kan skape meningsfull verdi i helsesektoren, versus applikasjoner som kan være teknologisk imponerende, men til slutt overfladiske

En av mine viktigste lærdommer gjennom karrieren er at uansett hvor «kult» jeg synes AI er, og hvor gøy det er å bruke, så spiller det INGEN rolle om AI ikke brukes til å løse et kunders problem. Det handler ikke om å bruke AI som et utgangspunkt; det handler om å fokusere på de konkrete utfordringene og ineffektivitetene i helsesektoren som vi kan forbedre.

Hos OptimizeRx søker vi å løse én grunnleggende utfordring: å tilpasse merkevareinformasjon og kommunikasjon tettere til pasientreisen, slik at de bedre kan støtte omsorgsbeslutninger. Det hjelper leger som er oversvømt med reklame som kanskje ikke er relevant for dem og deres pasienter. Det hjelper pasienter som blir eksponert for irrelevant eller unøyaktig helseinformasjon på sosiale medier og andre forbrukerkkanaler.  Og det hjelper livsvitenskapsmerker som stadig er under press for å nå sine kommersielle mål. Vår ledestjerne for å løse disse utfordringene er den merkevare‑kvalifiserte pasienten.

Hvis vi bruker AI til å finne dem tidligere, mer presist, og bare på det tidspunktet de blir merkevareklare, kan vi levere informasjon med høyere nytteverdi til deres leverandør, tilby mer relevant DTC-reklame, og hjelpe merket med å bruke sine mediebudsjetter mer effektivt og med større påvirkning.

Mye av den nylige bedrifts‑AI‑diskusjonen har fokusert på generativ AI og innholdsproduksjon. Du har argumentert for å gå mot AI som hjelper organisasjoner med å ta beslutninger. Hva skiller ekte «decision intelligence» fra bare å legge et generativt AI‑grensesnitt på toppen av eksisterende analyser?

Forskjellen ligger i om AI bare hjelper deg med å få tilgang til informasjon, eller om den faktisk hjelper deg med å ta bedre beslutninger. Å legge et generativt AI‑grensesnitt på toppen av analyser kan gjøre data enklere å forespørre eller oppsummere, men den underliggende intelligensen har ikke endret seg grunnleggende. Du ber fortsatt en person om å tolke informasjonen, avgjøre hva som er viktig, og bestemme hva som skal gjøres videre.

Ekte decision intelligence lukker dette gapet ved å samle flere signaler, gjenkjenne mønstre og kontekst, forutsi sannsynlige utfall, og omsette disse innsiktene til anbefalte handlinger. Like viktig er at decision intelligence også lærer av resultatene av disse handlingene og bruker disse dataene til kontinuerlig å forbedre fremtidige anbefalinger. I livsvitenskapsmarkedsføring betyr dette for eksempel å gå utover kun å rapportere kampanjeresultater, til å forutsi hvilke målgrupper som mest sannsynlig vil reagere (og på hvilke kanaler), forutse hvilken melding som er relevant, og måle nøyaktigheten av disse spådommene. Verdien ligger i den lukkede sløyfen av intelligens, som betyr evnen til å omdanne data til beslutninger og kontinuerlig forbedre disse beslutningene over tid. Det er den virkelige triksingen som hjelper markedsførere med å fordele ressurser på en mer hensiktsmessig og effektiv måte.

OptimizeRx sin Dynamic Audience Activation Platform bruker AI og virkelige data for å identifisere helsepersonell som behandler potensielt kvalifiserte pasienter og forutsi når engasjement kan være mest relevant. Hvilke typer signaler er mest verdifulle for disse prediktive modellene, og hvordan avgjør du om modellen har identifisert et meningsfullt klinisk mønster i stedet for en misvisende korrelasjon?

Verdien av et signal avhenger av timing og praktisk medisinsk relevans, mens nøyaktigheten opprettholdes gjennom klar klinisk logikk og kontinuerlig resultatsporing. Vi fokuserer på enkle indikatorer som når en pasient trenger å bytte medikament, viktige laboratorieresultater og kommende legebesøk. Å kombinere en pasients helsehistorikk med riktig timing under et pasientbesøk er det som gjør outreach effektivt.

For å hindre at modellen jager misvisende mønstre, som å forveksle en travel allmennlege med en spesialist som faktisk håndterer tilstanden, veileder vi teknologien med standard medisinske retningslinjer og realistiske behandlingsplaner. Deretter dobbeltsjekker vi resultatene mot virkelige reseptdata og kontrollgrupper for å sikre at vi kun fokuserer på øyeblikk som fører til reelle endringer i pasientbehandlingen.

OptimizeRx lanserte nylig sin Natural Language Audience Builder, som gjør det mulig for markedsførere å beskrive et publikum med naturlig språk og omdanne forespørselen til merkevarespesifikke, koordinerte HCP- og forbrukerpublikum. Hva skjer teknisk mellom den første prompten og det endelige publikumet, og hvordan forhindrer du tvetydighet eller hallusinasjoner fra å påvirke noe som til slutt driver beslutninger i den virkelige verden?

Prosessen går ut på å bruke språk‑AI for tolkning, samtidig som man baserer den endelige NPI‑listen på virkelige kliniske og EHR‑nettverksdata, samt OptimizeRx sin Micro‑Neighborhood® Targeting for forbrukerpublikum. Når en markedsfører legger inn en prompt, deler systemet forespørselen opp i målparametere som medisinske spesialiteter, pasientvolumer og reseptatferd, uten å stole på statiske, forhåndsbygde publikumsegmenter.

Fordi virkelige kommersielle beslutninger står på spill, forhindres hallusinasjoner ved å sikre at AI‑modellen fungerer som en tolk som spør autoriserte leverandørregistre og virkelige kliniske datasett. Plattformen oversetter prompt‑detaljer til verifiserte NPI‑lister og Micro‑Neighborhood‑publikum, slik at markedsførere kan se, rangere og finjustere de eksakte matchende legeprofilene og/eller forbrukersegmentene før målpublikumet endelig fastsettes.

Tradisjonell farmasøytisk markedsføring har ofte vært basert på relativt statisk segmentering etter historisk reseptatferd. Hvordan endrer AI denne modellen når publikum i stedet kan bli kontinuerlig omprioritert basert på endrende pasientreiser og predikerte omsorgsvinduer?

AI gir markedsførere muligheten til å reagere på endringer i omsorgsreisen i sanntid. Ved å samle signaler som reseptatferd, pasientpopulasjoner, HCP‑engasjement og annen kontekstuell data, kan modeller identifisere når en HCP og deres pasient nærmer seg et meningsfullt beslutningspunkt og kontinuerlig omprioritere publikum basert på den konteksten.

Det betyr at publikumaktivering kan utvikle seg i takt med omsorgsreisen. Når pasienter går inn i et bestemt stadium av behandlingen, blir merket mer relevant for dem og deres behandlende HCP, og timing, kanal og budskap bør justeres etter hvert som vinduet endres. Over tid kan systemet lære av disse interaksjonene og forbedre hvordan det identifiserer pasientene, HCP‑ene og tidsrammene som mest sannsynlig påvirker reseptatferd.

For farmasøytiske markedsførere skaper dette en mer dynamisk, synkronisert tilnærming til HCP‑ og forbrukermarkedsføring, en som kombinerer historisk atferd med sanntidssignaler for å bestemme hvem som skal nås, når de skal nås, og hva som vil være mest relevant i det øyeblikket.

Fundamentale modeller er ekstremt kraftige når det gjelder språk, mens spesialiserte prediktive modeller kan være bedre egnet for strukturerte helsedata og snevert definerte utfall. Hvordan tenker du på å kombinere store språkmodeller med mer tradisjonelle maskinlæringssystemer når du bygger AI‑produkter for helsevesenet?

Flott spørsmål! Som jeg nevnte tidligere i samtalen, er målet ikke å kombinere disse AI‑teknikkene tilfeldig bare fordi det er gøy. Målet er alltid å oppnå en mer nøyaktig prediksjon som bedre kan løse et spesifikt kundebehov. Så mye av helsedata er strukturert (selv om det også kan være skittent, delvis og forsinket), noe som gjør det ideelt for prediksjon ved bruk av numeriske og kategoriske trekk. Når det er sagt, finnes det noen deler av den rå datapipelinen (f.eks. kliniske notater, kreativt innhold/tekst) som kan ha nytte av grunnleggende LLM‑er som forbehandler for å kode funksjonen før den brukes i et strukturert prediksjonsproblem – som «er denne pasienten klar til å bytte merke?»

OptimizeRx knytter i økende grad sammen HCP‑ og direkte‑til‑forbruker‑intelligens slik at engasjement med pasienter og leverandører kan synkroniseres bedre. Hvordan kan AI koble disse to sidene av helsereisen samtidig som personvern­grensene som kreves ved håndtering av sensitiv helsedata opprettholdes?

AI bygger bro mellom pasient- og leverandørengasjement ved å evaluere kliniske signaler fra virkeligheten for å identifisere felles omsorgsmomenter, i stedet for å spore enkeltpersoner. Teknologien kobler de to sidene ved å analysere anonymiserte pasientpopulasjonstrender sammen med legers reseptatferd. Dette gjør det mulig for markedsføringsteam å tilpasse forbrukerutdanning, som TV-, digitale eller sosiale annonser, med informasjon på behandlingspunktet i legens elektroniske pasientjournal, slik at både pasient og lege får relevant informasjon på samme behandlingsbeslutningspunkt.

For å opprettholde streng personvernsamsvar opererer AI fullt ut på anonymiserte, aggregerte data ved hjelp av vår patenterte Micro-Neighborhood-teknologi som jeg nevnte ovenfor. I stedet for å målrette enkeltpasienter eller bruke personlig helsesporing, analyserer systemet kliniske trender på et lokalt, geografisk nivå, og kryssrefererer disse trendene med legens aktivitet i området. Denne tilnærmingen skaper en fullt synkronisert kampanje som respekterer forbrukerens personvern, sikrer full overholdelse av HIPAA og statlige personvernlovgivninger, samtidig som den leverer tidsriktige, koordinerte meldinger om omsorg.

Etter hvert som AI går fra å generere anbefalinger til å påvirke hvem som kontaktes, når de kontaktes, og hvilken handling som bør skje neste, blir konsekvensene av en dårlig prediksjon mer betydningsfulle. Hvor bør menneskelig tilsyn forbli obligatorisk, og hvilke beslutninger tror du AI etter hvert kan ta autonomt?

Innen livsvitenskap er det en betydelig forskjell mellom et AI-system som bestemmer hvilken målgruppe som er mest relevant for et utdanningsbudskap, og et som tar en beslutning som kan påvirke en pasients behandling direkte. Jo nærmere en AI-drevet beslutning kommer klinisk skjønn, pasientkvalifisering eller andre høyvirkende resultater, desto viktigere blir menneskelig ansvarlighet.

Det er også en forskjell mellom tilsyn og intervensjon. AI trenger ikke nødvendigvis en person som godkjenner hver lavrisiko handling, men den trenger klare grenser, sporbarhet og mekanismer for å oppdage når atferden faller utenfor disse grensene. Dette gjør det mulig for mennesker å forbli ansvarlige uten å skape en flaskehals som undergraver verdien av automatisering.

Jeg tror AI i økende grad kan ta autonome beslutninger rundt lavrisiko, høyvolum aktiviteter, som prioritering av målgrupper, valg av kanaler, timing og sekvensering, når disse beslutningene er basert på styrt data og kontinuerlig overvåket. Målet bør være å reservere menneskelig skjønn for de beslutningene hvor kontekst, ansvarlighet og konsekvenser krever det, samtidig som AI håndterer den operative kompleksiteten som mennesker simpelthen ikke kan håndtere i skala. Jeg mener også at det er verdifullt å holde lisensierte klinikere som «mennesker i kretsen» ved de riktige kontrollpunktene. Og leverandører som har MD-er på stab er de som vil finne balansen mellom skala og samsvar.

Det er ofte et gap mellom at en AI-modell presterer godt i henhold til tekniske måleparametre og faktisk forbedrer resultater i den virkelige verden. Hvilke måleparametre er viktigst når man vurderer AI i kommersialisering av livsvitenskap, og hvordan unngår man å optimalisere for proxyer som engasjement når det endelige målet bør være bedre pasientresultater?

AI i kommersialisering bør til syvende og sist vurderes etter den verdien den skaper gjennom hele omsorgsreisen, ikke etter hvor effektivt den kan optimalisere en enkelt interaksjon. Dette krever at man anerkjenner at engasjement er et middel til et mål: et klikk, fullført interaksjon, eller selv en svært nøyaktig prediksjon betyr kun noe hvis det bidrar til å skape en mer relevant intervensjon som kan påvirke hva som skjer videre.

For livsvitenskap vil jeg se på utviklingen av måleparametre – fra kvaliteten på målgruppen og tidspunktet for intervensjonen, til endringer i HCP-atferd som reseptskriving, og til slutt den nedstrøms påvirkningen på pasienter. Utfordringen er at jo lenger nedstrøms man går, desto vanskeligere blir det å måle og tilskrive resultater, noe som gjør det fristende å optimalisere for de måleparametrene som er lettest å fange.

Det er her AI-strategi blir viktig. Vi må utforme målerammeverk som knytter modellens ytelse og engasjementsignaler til meningsfulle atferds- og, der det er mulig, kliniske resultater. Hos OptimizeRx betyr dette å bruke virkelige helsedata for å forstå ikke bare om vi nådde noen, men om vi nådde riktig person på riktig tidspunkt i omsorgsreisen, og om den intervensjonen førte til en målbar forskjell.

Ser vi tre til fem år fremover, hvordan ser en AI‑native organisasjon for kommersialisering av livsvitenskap ut? Forventer du at autonome agenter begynner å håndtere deler av den kommersielle beslutningsløkken selv, eller vil den viktigste utviklingen være at AI kontinuerlig leverer intelligens til menneskelige team?

Jeg tror at «agent»-rammeverket kanskje ikke vil være like relevant i fremtidige år. I stedet tenker jeg på at livsvitenskapsbedrifter omstrukturerer seg til datasystemer som enhver AI-teknologi kan bruke etter eget skjønn. Selv om 5 år forventer jeg ikke at mange «forretningsbeslutninger» blir fullstendig automatisert via agenter. I stedet forventer jeg at omfanget av eksperimenter på FoU‑siden øker raskt, og at intelligensen som går inn i en menneskelig kommersiell beslutningsprosess blir mye kraftigere. Akkurat nå er livsvitenskapsbedrifter organisert rundt organisasjonsstrukturer som deretter bestemmer hvordan de opererer, med referanse til Conways lov. Dermed ser vi at HCP- og DTC-markedsføring fortsatt utføres i siloer, og at analyse- og markedsføringsteamene ikke er fullt samkjørte. Etter hvert som det underliggende datasystemet endres, vil de menneskelige teamene endre seg selv, bli mer tverrfaglige, og dermed fortsatt i tråd med Conways lov. Organisasjoner vil være raskere til å implementere innsiktene som AI allerede kan levere, samt de nye innsiktene AI vil gi oss i fremtiden etter hvert som den blir stadig mer sofistikert.

Takk for det flotte intervjuet. Lesere som ønsker å lære mer om selskapet og dets helseteknologiløsninger kan besøke OptimizeRx.