Mike Rousselle, Dyrektor ds. Sztucznej Inteligencji w OptimizeRx – Seria wywiadów

Mike Rousselle, Dyrektor ds. Sztucznej Inteligencji w OptimizeRx, jest menedżerem w dziedzinie sztucznej inteligencji i technologii opieki zdrowotnej z prawie 15‑letnim doświadczeniem w wykorzystywaniu AI do tworzenia wartości biznesowej. W swojej obecnej roli kieruje rozwojem i wdrażaniem technologii opartych na AI, które mają na celu uczynienie komunikacji pomiędzy firmami z sektora nauk przyrodniczych, pracownikami służby zdrowia (HCP) oraz pacjentami bardziej klinicznie istotną i praktyczną. Jego praca obejmuje inteligencję predykcyjną, sygnały behawioralne i kliniczne, targetowanie odbiorców oraz narzędzia oparte na AI, które pomagają identyfikować ważne momenty leczenia i przepisywania leków. Przed dołączeniem do OptimizeRx Rousselle pełnił funkcje w firmach Athenahealth, Clarivate i HubSpot, zdobywając doświadczenie w obszarach opieki zdrowotnej, danych i technologii korporacyjnych. Ukończył studia licencjackie z ekonomii i finansów na Rochester Institute of Technology.

OptimizeRx jest firmą technologiczną w sektorze opieki zdrowotnej, która łączy organizacje nauk przyrodniczych z pracownikami służby zdrowia i pacjentami, wykorzystując dane, sztuczną inteligencję oraz technologie cyfrowego zaangażowania. Założona w 2006 roku, firma początkowo koncentrowała się na dostarczaniu kuponów i wsparcia współpłacenia poprzez platformy elektronicznej dokumentacji medycznej (EHR) i e-recept, ale od tego czasu rozwinęła się w szerszą platformę marketingu opieki zdrowotnej i zaangażowania pacjentów. Jej technologia łączy sygnały zdrowotne z rzeczywistego świata, inteligencję predykcyjną, integracje w miejscu opieki oraz aktywację wielokanałową, aby pomóc firmom farmaceutycznym identyfikować odpowiednie grupy odbiorców wśród HCP i pacjentów oraz angażować je w kluczowych momentach ścieżki leczenia. Ostatnio OptimizeRx rozszerzyło swoje możliwości AI o narzędzia takie jak Natural Language Audience Builder, które umożliwiają marketerom opieki zdrowotnej tworzyć grupy odbiorców wśród HCP oraz konsumentów chronionych prywatnością, używając prostych zapytań językowych.

Spędziłeś prawie 15 lat, stosując AI do rozwiązywania problemów biznesowych w organizacjach, w tym w Athenahealth, Clarivate i HubSpot, a w OptimizeRx awansowałeś od prowadzenia produktów danych do roli Dyrektor ds. Sztucznej Inteligencji. Jak ta droga ukształtowała twoje spojrzenie na to, gdzie AI może tworzyć znaczącą wartość w opiece zdrowotnej, w przeciwieństwie do zastosowań, które mogą być technologicznie imponujące, ale ostatecznie powierzchowne

Jedną z najważniejszych lekcji, które wyniosłem w trakcie mojej kariery, jest to, że choć AI wydaje się „fajna” i przyjemna w użyciu, nie ma to żadnego znaczenia, jeśli AI nie służy rozwiązaniu problemu klienta. Nie chodzi o używanie AI jako punktu wyjścia; chodzi o skoncentrowanie się na konkretnych wyzwaniach i nieefektywnościach w opiece zdrowotnej, które możemy usprawnić.

W OptimizeRx staramy się rozwiązać jedną, podstawową kwestię: dopasowanie informacji o marce i komunikacji ściślej do ścieżki pacjenta, aby mogły lepiej wspierać decyzje dotyczące opieki. To pomaga lekarzom, którzy są zasypywani reklamami, które mogą, ale nie muszą być dla nich i ich pacjentów istotne. Pomaga to pacjentom, którzy są narażeni na nieistotne lub nieprawdziwe informacje zdrowotne w mediach społecznościowych i innych kanałach konsumenckich.  A także pomaga markom z sektora nauk przyrodniczych, które stale są pod presją, aby osiągać swoje cele komercyjne. Naszym drogowskazem w rozwiązywaniu tych wyzwań jest pacjent kwalifikujący się do marki.

Jeśli użyjemy AI, aby znaleźć ich wcześniej, precyzyjniej i po prostu w momencie, gdy stają się gotowi na markę, możemy dostarczyć ich lekarzowi informacje o wyższej użyteczności, zapewnić bardziej istotną reklamę DTC i pomóc marce wydawać środki medialne bardziej efektywnie i skutecznie.

Wiele z ostatnich dyskusji na temat AI w przedsiębiorstwach koncentrowało się na generatywnej AI i tworzeniu treści. Argumentowałeś za przejściem do AI, która pomaga organizacjom podejmować decyzje. Co odróżnia prawdziwą „inteligencję decyzyjną” od po prostu umieszczenia interfejsu generatywnej AI na istniejących analizach?

Różnica sprowadza się do tego, czy AI po prostu pomaga ci uzyskać dostęp do informacji, czy naprawdę pomaga podejmować lepsze decyzje. Umieszczenie interfejsu generatywnej AI na analizach może ułatwić zapytania lub podsumowywanie danych, ale podstawowa inteligencja nie uległa zasadniczej zmianie. Nadal prosisz człowieka o interpretację informacji, określenie, co jest istotne, i podjęcie kolejnych działań.

Prawdziwa inteligencja decyzyjna zamyka tę lukę, łącząc wiele sygnałów, rozpoznając wzorce i kontekst, przewidując prawdopodobne wyniki oraz przekształcając te spostrzeżenia w zalecane działania. Równie ważne jest to, że inteligencja decyzyjna również uczy się na podstawie wyników tych działań i wykorzystuje te dane do ciągłego doskonalenia przyszłych rekomendacji. W marketingu nauk przyrodniczych oznacza to na przykład przejście od prostego raportowania wyników kampanii do prognozowania, które grupy odbiorców najprawdopodobniej zareagują (i na jakich kanałach), przewidywania, która wiadomość jest istotna, oraz pomiaru dokładności tych prognoz. Wartość tkwi w zamkniętej pętli inteligencji, czyli zdolności przekształcania danych w decyzje i ciągłego udoskonalania tych decyzji w czasie. To prawdziwy klucz do pomocy marketerom w lepszym, odpowiednim i efektywnym przydzielaniu zasobów.

Platforma Dynamic Audience Activation firmy OptimizeRx wykorzystuje sztuczną inteligencję i dane rzeczywiste do identyfikacji świadczeniodawców opieki zdrowotnej leczących potencjalnie kwalifikujących się pacjentów oraz przewidywania, kiedy zaangażowanie może być najbardziej istotne. Jakie rodzaje sygnałów są najcenniejsze dla tych modeli predykcyjnych i jak określić, czy model zidentyfikował znaczący wzorzec kliniczny, a nie mylący związek przyczynowo‑szczędny?

Wartość sygnału sprowadza się do momentu i praktycznej istotności medycznej, przy czym dokładność jest utrzymywana dzięki przejrzystej logice klinicznej i ciągłemu śledzeniu wyników. Skupiamy się na prostych wskaźnikach, takich jak moment, w którym pacjent musi zmienić leki, kluczowe wyniki badań laboratoryjnych oraz nadchodzące wizyty u lekarza. Połączenie historii zdrowia pacjenta z odpowiednim timingiem podczas wizyty to podstawa skutecznego dotarcia.

Aby zapobiec podążaniu modelu za mylnymi wzorcami, takimi jak mylenie zapracowanego lekarza ogólnego ze specjalistą, który faktycznie zarządza daną chorobą, kierujemy technologię przy użyciu standardowych wytycznych medycznych i realistycznych harmonogramów leczenia. Następnie weryfikujemy wyniki w oparciu o rzeczywiste dane o receptach oraz grupy kontrolne, aby mieć pewność, że koncentrujemy się wyłącznie na momentach prowadzących do rzeczywistych zmian w opiece nad pacjentem.

OptimizeRx niedawno wprowadziło Natural Language Audience Builder, które umożliwia marketerom opisanie grupy odbiorców przy użyciu języka naturalnego i przekształcenie tego zapytania w specyficzne dla marki, skoordynowane grupy HCP i konsumentów. Co dzieje się technicznie pomiędzy początkowym poleceniem a ostateczną grupą odbiorców i jak zapobiega się niejasnościom lub halucynacjom, które mogłyby wpływać na decyzje podejmowane w rzeczywistości?

Proces sprowadza się do wykorzystania sztucznej inteligencji językowej do interpretacji, przy jednoczesnym opieraniu się na rzeczywistych danych klinicznych i sieciowych danych EHR w celu wygenerowania ostatecznej listy NPI oraz na Micro‑Neighborhood® Targeting firmy OptimizeRx w odniesieniu do grup konsumenckich. Gdy marketer wprowadza zapytanie, system rozkłada je na parametry docelowe, takie jak specjalizacje medyczne, wolumeny pacjentów i zachowania w zakresie przepisywania leków, nie korzystając ze statycznych, wstępnie zbudowanych segmentów odbiorców.

Ponieważ w grę wchodzą rzeczywiste decyzje komercyjne, halucynacje są zapobiegane poprzez zapewnienie, że model AI działa jako interpreter, który odpyta autoryzowane rejestry świadczeniodawców oraz rzeczywiste zestawy danych klinicznych. Platforma przetwarza szczegóły zapytania na zweryfikowane listy NPI i grupy Micro‑Neighborhood, umożliwiając marketerom przeglądanie, ranking i dopracowywanie dokładnie dopasowanych profili lekarzy i/lub segmentów konsumenckich przed sfinalizowaniem docelowej grupy odbiorców.

Tradycyjny marketing farmaceutyczny często opierał się na stosunkowo statycznej segmentacji opartej na historycznych zachowaniach w zakresie przepisywania leków. Jak sztuczna inteligencja zmienia ten model, gdy grupy odbiorców mogą być ciągle przerynkowywane w oparciu o zmieniające się ścieżki pacjentów i prognozowane okna opieki?

Sztuczna inteligencja daje marketerom możliwość reagowania na zmiany w ścieżce opieki w czasie rzeczywistym. Łącząc sygnały takie jak zachowania w zakresie przepisywania leków, populacje pacjentów, zaangażowanie HCP oraz inne dane kontekstowe, modele mogą określić, kiedy lekarz i jego pacjent zbliżają się do istotnego punktu decyzyjnego i ciągle przerynkowywać grupę odbiorców w oparciu o ten kontekst.

Oznacza to, że aktywacja odbiorców może rozwijać się równolegle ze ścieżką opieki. Gdy pacjenci wchodzą w określony etap opieki, marka staje się dla nich i ich lekarza bardziej istotna, a timing, kanał i przekaz powinny dostosować się do zmieniającego się okna. Z czasem system może uczyć się na podstawie tych interakcji i udoskonalać sposób identyfikacji pacjentów, lekarzy oraz przedziałów czasowych, które najprawdopodobniej wpłyną na zachowania w zakresie przepisywania leków.

Dla marketerów farmaceutycznych tworzy to bardziej dynamiczne, zsynchronizowane podejście do marketingu skierowanego do lekarzy i konsumentów, które łączy zachowania historyczne z sygnałami w czasie rzeczywistym, aby określić, kogo dotrzeć, kiedy to zrobić i co będzie w danym momencie najbardziej istotne.

Modele bazowe są niezwykle potężne w pracy z językiem, podczas gdy wyspecjalizowane modele predykcyjne mogą lepiej nadawać się do strukturalnych danych medycznych i wąsko określonych rezultatów. Jak podchodzisz do łączenia dużych modeli językowych z bardziej tradycyjnymi systemami uczenia maszynowego przy tworzeniu produktów AI w opiece zdrowotnej?

Świetne pytanie! Jak wspomniałem wcześniej w rozmowie, celem nie jest arbitralne łączenie tych technik AI tylko dlatego, że jest to zabawne. Zawsze chodzi o uzyskanie dokładniejszej prognozy, która lepiej rozwiąże konkretny problem klienta. Duża część danych medycznych jest strukturalna (choć może być też niekompletna, częściowa i opóźniona), co czyni je idealnymi do prognozowania przy użyciu cech liczbowych i kategorycznych. Niemniej jednak niektóre elementy surowego potoku danych (np. notatki kliniczne, treści kreatywne/tekst) mogą korzystać z podstawowych modeli językowych jako przetwarzania wstępnego, aby zakodować cechę przed zastosowaniem jej w problemie strukturalnej prognozy – na przykład „czy ten pacjent jest gotowy zmienić markę?”.

OptimizeRx coraz częściej łączy inteligencję dotyczącą lekarzy i bezpośredniej komunikacji z konsumentem, aby zaangażowanie pacjentów i świadczeniodawców mogło być lepiej zsynchronizowane. Jak sztuczna inteligencja może połączyć te dwie strony ścieżki opieki zdrowotnej, zachowując jednocześnie wymagane granice prywatności przy pracy z wrażliwymi danymi zdrowotnymi?

Sztuczna inteligencja łączy zaangażowanie pacjentów i świadczeniodawców, oceniając rzeczywiste sygnały kliniczne w celu zidentyfikowania wspólnych momentów opieki, zamiast śledzenia poszczególnych osób. Technologia łączy obie strony, analizując zanonimizowane trendy populacji pacjentów wraz z zachowaniami lekarzy w zakresie przepisywania leków. Dzięki temu zespoły marketingowe mogą dopasować edukację konsumentów – taką jak reklamy telewizyjne, cyfrowe czy w mediach społecznościowych – do informacji dostępnych w miejscu opieki, zapisanych w elektronicznym systemie dokumentacji medycznej lekarza, zapewniając zarówno pacjentowi, jak i lekarzowi odpowiednie informacje w tym samym punkcie decyzji terapeutycznej.

Aby zachować ścisłą zgodność z przepisami dotyczącymi prywatności, sztuczna inteligencja działa wyłącznie na zanonimizowanych, zagregowanych danych, wykorzystując naszą opatentowaną technologię Micro-Neighborhood, o której wspominałem powyżej. Zamiast celować w poszczególnych pacjentów lub korzystać z indywidualnego monitorowania zdrowia, system analizuje trendy kliniczne na poziomie lokalnym, geograficznym, i zestawia je z aktywnością lekarzy w danym obszarze. Takie podejście tworzy w pełni zsynchronizowaną kampanię, szanującą prywatność konsumentów, zapewniającą pełną zgodność z HIPAA i stanowymi przepisami o ochronie danych, a jednocześnie dostarczającą terminowe, skoordynowane komunikaty opieki.

W miarę jak sztuczna inteligencja przechodzi od generowania rekomendacji do wpływania na to, kto jest kontaktowany, kiedy jest kontaktowany i jaka akcja powinna nastąpić jako następna, konsekwencje błędnej prognozy stają się bardziej istotne. Gdzie nadzór ludzki powinien pozostać obowiązkowy, a które decyzje Twoim zdaniem AI może w końcu podejmować autonomicznie?

W naukach przyrodniczych istnieje istotna różnica między systemem AI określającym, która grupa odbiorców jest najbardziej odpowiednia dla przekazu edukacyjnego, a systemem podejmującym decyzję, która może bezpośrednio wpływać na opiekę nad pacjentem. Im bliżej decyzja oparta na AI zbliża się do oceny klinicznej, kwalifikacji pacjenta lub innych wyników o dużym wpływie, tym ważniejsza staje się odpowiedzialność ludzka.

Istnieje również rozróżnienie między nadzorem a interwencją. AI nie musi koniecznie mieć osoby zatwierdzającej każde działanie niskiego ryzyka, ale potrzebuje wyraźnych granic, możliwości audytu oraz mechanizmów wykrywających, gdy jej zachowanie wykracza poza te granice. To pozwala ludziom zachować odpowiedzialność, nie tworząc jednocześnie wąskiego gardła, które podważałoby wartość automatyzacji.

Wierzę, że AI może coraz częściej podejmować autonomiczne decyzje w zakresie działań o niższym ryzyku i dużej skali, takich jak priorytetyzacja odbiorców, wybór kanałów, ustalanie terminów i sekwencji, pod warunkiem że decyzje te opierają się na zarządzanych danych i są ciągle monitorowane. Celem powinno być zarezerwowanie ludzkiego osądu dla decyzji, w których kontekst, odpowiedzialność i konsekwencje tego wymagają, jednocześnie pozwalając AI radzić sobie ze złożonością operacyjną, której ludzie nie są w stanie zarządzać na dużą skalę. Uważam również, że warto utrzymywać licencjonowanych klinicystów jako “ludzi w pętli” na odpowiednich punktach kontrolnych. Dostawcy, którzy mają w zespole lekarzy (MD), będą tymi, którzy osiągną równowagę między skalą a zgodnością.

Często istnieje luka między modelem AI, który dobrze wypada według technicznych metryk, a rzeczywistym poprawianiem wyników w praktyce. Jakie metryki są najważniejsze przy ocenie AI w komercjalizacji nauk przyrodniczych i jak uniknąć optymalizacji pod kątem wskaźników pośrednich, takich jak zaangażowanie, gdy ostatecznym celem powinny być lepsze wyniki pacjentów?

AI w komercjalizacji powinna ostatecznie być oceniana pod kątem wartości, jaką tworzy na całej ścieżce opieki, a nie pod kątem efektywności optymalizacji pojedynczej interakcji. Wymaga to uznania, że zaangażowanie jest środkiem do celu: kliknięcie, zakończona interakcja czy nawet bardzo dokładna prognoza mają znaczenie tylko wtedy, gdy przyczyniają się do stworzenia bardziej istotnej interwencji, która może wpłynąć na to, co nastąpi później.

W naukach przyrodniczych przyjrzałbym się postępowi metryk – od jakości odbiorców i momentu interwencji, po zmiany w zachowaniach HCP, takich jak przepisywanie leków, aż po ostateczny wpływ na pacjentów. Problem polega na tym, że im dalej w dół łańcucha, tym trudniej jest zmierzyć i przypisać wyniki, co skłania do optymalizacji pod kątem najłatwiejszych do zebrania metryk.

Właśnie tutaj strategia AI ma znaczenie. Musimy opracować ramy pomiarowe, które łączą wydajność modelu i sygnały zaangażowania z istotnymi zachowaniami oraz, tam gdzie to możliwe, wynikami klinicznymi. W OptimizeRx oznacza to wykorzystanie rzeczywistych danych opieki zdrowotnej, aby zrozumieć nie tylko, czy dotarliśmy do kogoś, ale czy dotarliśmy do właściwej osoby w odpowiednim momencie ścieżki opieki oraz czy ta interwencja przyniosła wymierną różnicę.

Patrząc trzy do pięciu lat w przód, jak wygląda organizacja komercjalizacji nauk przyrodniczych zrodzona z AI? Czy spodziewasz się, że autonomiczne agenty zaczną samodzielnie zarządzać częściami pętli decyzyjnej w handlu, czy ważniejszą ewolucją będzie ciągłe dostarczanie przez AI inteligencji zespołom ludzkim?

Uważam, że ramy „agenta” mogą w przyszłych latach nie być już tak istotne. Zamiast tego myślę o firmach z sektora nauk przyrodniczych, które przekształcają się w ekosystemy danych, z których dowolna technologia AI może dowolnie korzystać.  Nawet za 5 lat nie spodziewam się, aby wiele „decyzji biznesowych” było całkowicie zautomatyzowanych przez agentów.  Z kolei przewiduję, że skala eksperymentów po stronie R&D gwałtownie wzrośnie, a inteligencja wspierająca komercyjne podejmowanie decyzji przez człowieka będzie znacznie potężniejsza.  Obecnie firmy z sektora nauk przyrodniczych są zorganizowane wokół struktur organizacyjnych, które następnie określają sposób ich działania, nawiązując do prawa Conway’a. W związku z tym widzimy, że marketing skierowany do HCP i DTC nadal odbywa się w silosach, a zespoły analityczne i marketingowe nie są w pełni zgrane. W miarę zmiany podstawowego ekosystemu danych zespoły ludzkie będą się przekształcać, stając się bardziej wielofunkcyjne, i wciąż będą zgodne z prawem Conway’a.  Organizacje będą szybciej wdrażać wnioski, które AI już dziś dostarcza, a także nowe wnioski, które AI zaoferuje w przyszłości, gdy będzie coraz bardziej zaawansowana.

Dziękujemy za wspaniały wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej o firmie i jej rozwiązaniach technologii opieki zdrowotnej, mogą odwiedzić OptimizeRx.