Mike Rousselle, Diretor de IA da OptimizeRx – Série de Entrevistas

Mike Rousselle, Diretor de IA da OptimizeRx, é um executivo de inteligência artificial e tecnologia em saúde com quase 15 anos de experiência aplicando IA para gerar valor de negócios. Em sua função atual, lidera o desenvolvimento e a aplicação de tecnologias impulsionadas por IA projetadas para tornar as comunicações entre empresas de ciências da vida, profissionais de saúde (HCPs) e pacientes mais clinicamente relevantes e acionáveis. Seu trabalho abrange inteligência preditiva, sinais comportamentais e clínicos, segmentação de público e ferramentas alimentadas por IA que ajudam a identificar momentos importantes de tratamento e prescrição. Antes de ingressar na OptimizeRx, Rousselle ocupou cargos na Athenahealth, Clarivate e HubSpot, trazendo experiência em saúde, dados e tecnologia empresarial. Ele possui diplomas de bacharel em Economia e Finanças pelo Rochester Institute of Technology.

OptimizeRx é uma empresa de tecnologia em saúde que conecta organizações de ciências da vida a profissionais de saúde e pacientes usando dados, inteligência artificial e tecnologias de engajamento digital. Fundada em 2006, a empresa inicialmente se concentrou em oferecer cupons e assistência de copagamento por meio de prontuários eletrônicos (EHR) e plataformas de prescrição eletrônica, mas desde então expandiu para uma plataforma mais ampla de marketing em saúde e engajamento de pacientes. Sua tecnologia combina sinais de saúde do mundo real, inteligência preditiva, integrações no ponto de atenção e ativação omnicanal para ajudar as empresas farmacêuticas a identificar públicos relevantes de HCPs e pacientes e engajá‑los nos momentos críticos da jornada de tratamento. Mais recentemente, a OptimizeRx ampliou suas capacidades de IA com ferramentas como o Natural Language Audience Builder, que permite que profissionais de marketing em saúde criem públicos de HCPs e consumidores com privacidade segura usando prompts em linguagem natural

Você passou quase 15 anos aplicando IA a problemas de negócios em organizações como Athenahealth, Clarivate e HubSpot, e na OptimizeRx progrediu de liderar produtos de dados a atuar como Chief AI Officer. Como essa jornada moldou sua visão sobre onde a IA pode criar valor significativo na saúde, em comparação com aplicações que podem ser tecnologicamente impressionantes, mas que acabam sendo superfic

Um dos principais aprendizados ao longo da minha carreira é que, por mais “legal” que eu ache a IA, e por mais divertida que seja utilizá‑la, não importa DE NADA se a IA não for usada a serviço do problema do cliente. Não se trata de usar a IA como ponto de partida; trata‑se de focar nos desafios concretos e nas ineficiências na saúde que podemos melhorar.

Na OptimizeRx, buscamos resolver um único desafio fundamental: alinhar as informações e comunicações da marca mais estreitamente ao percurso do paciente, para que possam apoiar melhor as decisões de cuidados. Isso ajuda os médicos, que são inundados com publicidade que pode ou não ser pertinente a eles e a seus pacientes. Também ajuda os pacientes, que são expostos a informações de saúde irrelevantes ou imprecisas nas redes sociais e em outros canais de consumo. E ajuda as marcas de ciências da vida, que estão constantemente sob pressão para atingir suas metas comerciais. Nosso farol para resolver esses desafios é o paciente elegível para a marca.

Se usarmos IA para encontrá‑los mais cedo, com mais precisão, e apenas no momento em que se tornam prontos para a marca, podemos fornecer informações de maior utilidade ao seu provedor, oferecer publicidade DTC mais relevante e ajudar a marca a gastar seus dólares de mídia de forma mais eficiente e impactante.

Grande parte da conversa recente sobre IA empresarial tem se concentrado em IA generativa e criação de conteúdo. Você defendeu a transição para IA que ajuda as organizações a tomar decisões. O que diferencia a verdadeira “inteligência de decisão” de simplesmente colocar uma interface de IA generativa sobre análises existentes?

A distinção reside em saber se a IA está simplesmente ajudando você a acessar informações, ou se está realmente ajudando a tomar decisões melhores. Colocar uma interface de IA generativa sobre análises pode tornar os dados mais fáceis de consultar ou resumir, mas a inteligência subjacente não mudou fundamentalmente. Você ainda está pedindo a uma pessoa que interprete as informações, determine o que é relevante e decida o que fazer a seguir.

A verdadeira inteligência de decisão preenche essa lacuna ao reunir múltiplos sinais, reconhecer padrões e contextos, prever resultados prováveis e traduzir esses insights em ações recomendadas. Assim como importante, a inteligência de decisão também aprende com os resultados dessas ações e usa esses dados para melhorar continuamente as recomendações futuras. No marketing de ciências da vida, por exemplo, isso significa ir além de simplesmente relatar o desempenho de campanhas para prever quais públicos têm maior probabilidade de responder (e em quais canais), antecipar qual mensagem é relevante e medir a precisão dessas previsões. O valor está na inteligência de ciclo fechado, ou seja, a capacidade de transformar dados em decisões e melhorar continuamente essas decisões ao longo do tempo. Esse é o verdadeiro truque para ajudar os profissionais de marketing a alocar recursos de forma mais adequada e eficiente.

A Plataforma de Ativação Dinâmica de Audiência da OptimizeRx usa IA e dados do mundo real para identificar profissionais de saúde que tratam pacientes potencialmente elegíveis e prever quando o engajamento pode ser mais relevante. Que tipos de sinais são mais valiosos para esses modelos preditivos, e como você determina se o modelo identificou um padrão clínico significativo em vez de uma correlação enganosa?

O valor de um sinal depende do timing e da relevância médica prática, enquanto a precisão é mantida por meio de lógica clínica clara e acompanhamento contínuo de resultados. Focamos em indicadores simples, como quando um paciente precisa trocar de medicação, resultados laboratoriais chave e consultas médicas próximas. Combinar o histórico de saúde de um paciente com o timing adequado durante a visita do paciente é o que torna a abordagem eficaz.

Para evitar que o modelo persiga padrões enganosos, como confundir um médico geral ocupado com um especialista que realmente trata a condição, orientamos a tecnologia usando diretrizes médicas padrão e cronogramas de tratamento realistas. Em seguida, verificamos nossos resultados contra dados de prescrições do mundo real e grupos de comparação para garantir que estamos focando apenas em momentos que conduzem a mudanças reais no cuidado ao paciente.

A OptimizeRx lançou recentemente seu Natural Language Audience Builder, que permite que os profissionais de marketing descrevam uma audiência usando linguagem natural e transformem essa solicitação em audiências coordenadas e específicas de marca para profissionais de saúde (HCP) e consumidores. O que acontece tecnicamente entre o prompt inicial e a audiência final, e como você impede que ambiguidades ou alucinações influenciem algo que, em última instância, dirige decisões no mundo real?

O processo consiste em usar IA de linguagem para interpretação, ao mesmo tempo em que se baseia em dados clínicos do mundo real e de redes de prontuário eletrônico (EHR) para a geração da lista final de NPI, e no Micro‑Neighborhood® Targeting da OptimizeRx para audiências de consumidores. Quando um profissional de marketing insere um prompt, o sistema decompõe a solicitação em parâmetros‑alvo, como especialidades médicas, volumes de pacientes e comportamentos de prescrição, sem depender de segmentos de audiência estáticos e pré‑construídos.

Como decisões comerciais do mundo real estão em jogo, as alucinações são evitadas garantindo que o modelo de IA atue como um intérprete que consulta registros autenticados de provedores e conjuntos de dados clínicos reais. A plataforma traduz os detalhes do prompt em listas de NPI verificadas e em audiências Micro‑Neighborhood, permitindo que os profissionais de marketing visualizem, classifiquem e refinem os perfis de médicos e/ou segmentos de consumidores que correspondem exatamente antes de finalizar a audiência‑alvo.

O marketing farmacêutico tradicional costuma depender de segmentação relativamente estática baseada no comportamento histórico de prescrição. Como a IA altera esse modelo quando as audiências podem ser continuamente re‑priorizadas com base nas jornadas de pacientes em mudança e nas janelas de cuidado previstas?

A IA oferece aos profissionais de marketing a capacidade de responder às mudanças na jornada de cuidado à medida que ocorrem. Ao reunir sinais como comportamento de prescrição, populações de pacientes, engajamento de HCP e outros dados contextuais, os modelos podem identificar quando um HCP e seu paciente estão se aproximando de um ponto de decisão significativo e re‑priorizar continuamente a audiência com base nesse contexto.

Isso significa que a ativação de audiência pode evoluir junto com a jornada de cuidado. À medida que os pacientes entram em uma fase específica de tratamento, a marca se torna mais relevante para eles e para o HCP responsável, e o timing, o canal e a mensagem devem se ajustar conforme essa janela muda. Com o tempo, o sistema pode aprender com essas interações e aprimorar a forma como identifica os pacientes, HCPs e períodos mais propensos a influenciar o comportamento de prescrição.

Para os profissionais de marketing farmacêutico, isso cria uma abordagem mais dinâmica e sincronizada ao marketing de HCPs e consumidores, que combina o comportamento histórico com sinais em tempo real para determinar quem alcançar, quando alcançá‑los e o que será mais relevante naquele momento.

Os modelos de base são extremamente poderosos ao lidar com linguagem, enquanto modelos preditivos especializados podem ser mais adequados a dados estruturados de saúde e resultados estreitamente definidos. Como você pensa em combinar grandes modelos de linguagem com sistemas de aprendizado de máquina mais tradicionais ao desenvolver produtos de IA para a área da saúde?

Ótima pergunta! Como mencionei anteriormente na conversa, o objetivo não é combinar arbitrariamente essas técnicas de IA apenas porque é divertido. É sempre chegar a uma previsão mais precisa que possa resolver melhor um problema específico do cliente. Grande parte dos dados de saúde é estruturada (mesmo que possa estar suja, parcial e atrasada), o que a torna ideal para previsões usando recursos numéricos e categóricos. Dito isso, há alguns aspectos do fluxo de dados brutos (por exemplo, notas clínicas, conteúdo criativo/texto) que poderiam usar LLMs fundamentais como pré‑processador para codificar o recurso antes de aplicá‑lo a um problema de previsão estruturada – como “este paciente está pronto para mudar de marca?”.

A OptimizeRx está cada vez mais conectando a inteligência de HCPs e de consumo direto para que o engajamento com pacientes e provedores possa ser melhor sincronizado. Como a IA pode conectar esses dois lados da jornada de saúde enquanto mantém as fronteiras de privacidade exigidas ao lidar com dados de saúde sensíveis?

A IA conecta o engajamento entre pacientes e provedores ao avaliar sinais clínicos do mundo real para identificar momentos compartilhados de cuidado, em vez de rastrear indivíduos. A tecnologia une os dois lados ao analisar tendências de populações de pacientes desidentificadas juntamente com os comportamentos de prescrição dos médicos. Isso permite que as equipes de marketing alinhem a educação do consumidor, como anúncios de TV, digitais ou em redes sociais, com as informações no ponto de cuidado registradas no prontuário eletrônico do médico, garantindo que tanto o paciente quanto o médico recebam informações relevantes no mesmo ponto de decisão de tratamento.

Para manter estrita conformidade com a privacidade, a IA opera totalmente sobre dados agregados e desidentificados usando nossa tecnologia patenteada Micro-Neighborhood que mencionei acima. Em vez de direcionar pacientes individuais ou usar rastreamento de saúde pessoal, o sistema analisa tendências clínicas em nível geográfico localizado e cruza essas tendências com a atividade dos médicos na região. Essa abordagem cria uma campanha totalmente sincronizada que respeita a privacidade do consumidor, assegurando plena conformidade com HIPAA e leis estaduais de privacidade, ao mesmo tempo em que entrega mensagens de cuidado coordenadas e oportunas.

À medida que a IA passa de gerar recomendações para influenciar quem é contatado, quando é contatado e qual ação deve ocorrer a seguir, as consequências de uma previsão errada se tornam mais significativas. Onde a supervisão humana deve permanecer obrigatória e quais decisões você acredita que a IA poderá eventualmente tomar de forma autônoma?

Nas ciências da vida, há uma diferença importante entre um sistema de IA que determina qual público é mais relevante para uma mensagem educativa e um que toma uma decisão que pode afetar diretamente o cuidado de um paciente. Quanto mais a decisão impulsionada por IA se aproxima do julgamento clínico, da elegibilidade do paciente ou de outros resultados de alto impacto, maior se torna a necessidade de responsabilidade humana.

Há também uma distinção entre supervisão e intervenção. A IA não precisa necessariamente de uma pessoa aprovando cada ação de baixo risco, mas requer limites claros, auditabilidade e mecanismos para detectar quando seu comportamento sai desses limites. Isso permite que os humanos permaneçam responsáveis sem criar um gargalo que comprometa o valor da automação.

Acredito que a IA pode, cada vez mais, tomar decisões autônomas em atividades de baixo risco e alto volume, como priorização de público, seleção de canais, cronograma e sequenciamento, quando essas decisões são baseadas em dados governados e monitorados continuamente. O objetivo deve ser reservar o julgamento humano para as decisões em que o contexto, a responsabilidade e as consequências exigem isso, permitindo que a IA lide com a complexidade operacional que os humanos simplesmente não conseguem gerenciar em escala. Também considero valioso manter clínicos licenciados como “humanos no loop” nos pontos de verificação adequados. E os fornecedores que têm médicos em sua equipe são os que conseguirão equilibrar escala e conformidade.

Frequentemente há uma lacuna entre um modelo de IA que apresenta bom desempenho segundo métricas técnicas e a real melhoria de resultados no mundo real. Quais métricas são mais importantes ao avaliar IA na comercialização de ciências da vida, e como evitar otimizar por proxies como engajamento quando o objetivo final deveria ser melhorar os resultados dos pacientes?

A IA na comercialização deve ser julgada, em última análise, pelo valor que cria ao longo da jornada de cuidado, não pela eficiência em otimizar uma única interação. Isso requer reconhecer que o engajamento é um meio para um fim: um clique, uma interação concluída ou até mesmo uma previsão altamente precisa só importa se contribuir para criar uma intervenção mais relevante que possa influenciar o que acontecerá a seguir.

Para as ciências da vida, eu observaria a progressão das métricas – da qualidade do público e do timing da intervenção, às mudanças no comportamento dos profissionais de saúde, como prescrições, e, finalmente, ao impacto downstream nos pacientes. O desafio é que, quanto mais a jusante se vai, mais difíceis se tornam de medir e atribuir os resultados, o que tende a levar à otimização das métricas mais fáceis de capturar.

É aí que a estratégia de IA se torna crucial. Precisamos projetar estruturas de medição que conectem o desempenho do modelo e os sinais de engajamento a resultados comportamentais e, quando possível, clínicos significativos. Na OptimizeRx, isso significa usar dados de saúde do mundo real para entender não apenas se alcançamos alguém, mas se alcançamos a pessoa certa no ponto certo da jornada de cuidado, e se essa intervenção gerou uma diferença mensurável.

Olhando de três a cinco anos à frente, como seria uma organização de comercialização de ciências da vida nativa em IA? Você espera que agentes autônomos comecem a gerenciar partes do ciclo de decisão comercial por conta própria, ou a evolução mais importante será a IA fornecendo continuamente inteligência às equipes humanas?

Acho que a estrutura de “agente” pode não ser tão relevante nos próximos anos. Em vez disso, penso nas empresas de ciências da vida se reestruturando como ecossistemas de dados que qualquer tecnologia de IA pode usar arbitrariamente. Mesmo em 5 anos, não espero que muitas “decisões de negócios” sejam totalmente automatizadas por agentes. Em vez disso, espero que a escala dos experimentos na área de P&D aumente rapidamente, e que a inteligência incorporada à decisão comercial de um ser humano seja muito mais poderosa. Atualmente, as empresas de ciências da vida estão organizadas em torno de estruturas organizacionais que então determinam suas formas de operação, conforme a Lei de Conway. Por isso, vemos o marketing para profissionais de saúde (HCP) e direto ao consumidor (DTC) ainda sendo realizado em silos, e as equipes de análise e marketing não estão totalmente alinhadas. À medida que o ecossistema de dados subjacente muda, as equipes humanas mudarão também, tornando‑se mais multifuncionais e, portanto, ainda em conformidade com a Lei de Conway. As organizações serão mais rápidas em implementar os insights que a IA já pode oferecer, bem como os novos insights que a IA nos proporcionará no futuro, à medida que continua a se tornar mais sofisticada.

Obrigado pela ótima entrevista. Os leitores que desejam saber mais sobre a empresa e suas soluções de tecnologia em saúde podem visitar OptimizeRx.