Mike Rousselle, Director de Inteligență Artificială la OptimizeRx – Seria de interviuri

Mike Rousselle, Director de Inteligență Artificială la OptimizeRx, este un executiv în domeniul inteligenței artificiale și al tehnologiei pentru sănătate, cu aproape 15 ani de experiență în aplicarea IA pentru a crea valoare de afaceri. În rolul său actual, conduce dezvoltarea și aplicarea tehnologiilor bazate pe IA concepute pentru a face comunicațiile dintre companiile din științele vieții, profesioniștii din domeniul sănătății (HCP) și pacienți mai relevante clinic și mai acționabile. Munca sa acoperă inteligența predictivă, semnale comportamentale și clinice, țintirea audienței și instrumente alimentate de IA care ajută la identificarea momentelor importante de tratament și prescriere. Înainte de a se alătura OptimizeRx, Rousselle a deținut funcții la Athenahealth, Clarivate și HubSpot, aducând experiență în sănătate, date și tehnologie enterprise. Deține diplome de licență în Economie și Finanțe de la Rochester Institute of Technology.

OptimizeRx este o companie de tehnologie în domeniul sănătății care conectează organizațiile din științele vieții cu furnizorii de servicii medicale și pacienții utilizând date, inteligență artificială și tehnologii de implicare digitală. Fondată în 2006, compania s-a concentrat inițial pe furnizarea de cupoane și asistență la coplăți prin platforme de dosar electronic de sănătate (EHR) și e-prescriere, dar de atunci s-a extins într-o platformă mai largă de marketing în sănătate și implicare a pacienților. Tehnologia sa combină semnale de sănătate din viața reală, inteligență predictivă, integrări la punctul de îngrijire și activare omnicanal pentru a ajuta companiile farmaceutice să identifice audiențe relevante de HCP și pacienți și să le angajeze în momente cheie ale parcursului de tratament. Recent, OptimizeRx și-a extins capabilitățile de IA cu instrumente precum Natural Language Audience Builder, care permite specialiștilor în marketing din sănătate să creeze audiențe de HCP și consumatori protejate din punct de vedere al confidențialității utilizând comenzi în limbaj simplu.

Ați petrecut aproape 15 ani aplicând IA la probleme de afaceri în diverse organizații, inclusiv Athenahealth, Clarivate și HubSpot, și la OptimizeRx ați evoluat de la conducerea produselor de date la funcția de Director de Inteligență Artificială. Cum a modelat această călătorie viziunea dumneavoastră asupra locului în care IA poate crea valoare semnificativă în domeniul sănătății, în contrast cu aplicații care pot fi tehnologice impresionante, dar în final superficiale?

Una dintre principalele lecții pe care le-am învățat în cariera mea este că, oricât de „cool” consider IA și oricât de distractiv este să o utilizăm, nu contează NICIODAT dacă IA nu este folosită în slujba problemei unui client. Nu este vorba despre a folosi IA ca punct de plecare; este vorba despre a ne concentra pe provocările și ineficiențele concrete din domeniul sănătății pe care le putem îmbunătăți.

La OptimizeRx, căutăm să rezolvăm o singură provocare fundamentală: alinierea informațiilor și comunicațiilor de brand mai strâns cu parcursul pacientului, astfel încât acestea să poată sprijini mai bine deciziile de îngrijire. Acest lucru ajută medicii care sunt copleșiți de publicitate care poate sau nu să fie relevantă pentru ei și pacienții lor. Ajută pacienții expuși la informații de sănătate irelevante sau inexacte pe rețelele sociale și alte canale de consum. Și ajută brandurile din științele vieții care sunt constant sub presiune să își atingă obiectivele comerciale. Pilonul nostru pentru a rezolva aceste provocări este pacientul eligibil pentru brand.

Dacă folosim IA pentru a-i găsi mai devreme, mai precis și tocmai în momentul în care devin eligibili pentru brand, putem furniza informații cu utilitate mai mare furnizorului lor, să oferim publicitate DTC mai relevantă și să ajutăm brandul să își cheltuiască bugetul media mai eficient și cu impact.

Marea parte a discuțiilor recente despre IA în întreprinderi s-a concentrat pe IA generativă și crearea de conținut. Ați susținut trecerea la IA care ajută organizațiile să ia decizii. Ce diferențiază „inteligența decizională” autentică de simpla adăugare a unei interfețe de IA generativă peste analizele existente?

Distincția se rezumă la faptul dacă IA vă ajută pur și simplu să accesați informații sau dacă vă ajută cu adevărat să luați decizii mai bune. Adăugarea unei interfețe de IA generativă peste analize poate face datele mai ușor de interogat sau rezumat, dar inteligența de bază nu s-a schimbat fundamental. Încă cereți unei persoane să interpreteze informațiile, să determine ce este important și să decidă ce să facă în continuare.

Inteligența decizională autentică închide acel gol prin reunirea mai multor semnale, recunoașterea tiparelor și contextului, prezicerea rezultatelor probabile și transformarea acestor informații în acțiuni recomandate. La fel de important, inteligența decizională învață și din rezultatele acelor acțiuni și folosește acele date pentru a îmbunătăți continuu recomandările viitoare. În marketingul științelor vieții, de exemplu, aceasta înseamnă să trecem dincolo de simpla raportare a performanței campaniilor pentru a prezice care audiențe sunt cel mai probabil să răspundă (și pe ce canale), anticipând ce mesaj este relevant și măsurând acuratețea acelor predicții. Valoarea constă în inteligența în buclă închisă, adică capacitatea de a transforma datele în decizii și de a îmbunătăți continuu acele decizii în timp. Acesta este adevăratul truc pentru a ajuta marketerii să aloce resursele mai eficient și în mod adecvat.

Platforma Dynamic Audience Activation a OptimizeRx utilizează AI și date din lumea reală pentru a identifica furnizorii de servicii medicale care tratează pacienți potențial eligibili și pentru a prezice când angajamentul ar putea fi cel mai relevant. Ce tipuri de semnale sunt cele mai valoroase pentru aceste modele predictive și cum determinați dacă modelul a identificat un model clinic semnificativ, mai degrabă decât o corelație înșelătoare?

Valoarea unui semnal se reduce la momentul și relevanța medicală practică, în timp ce acuratețea este menținută prin logică clinică clară și monitorizare continuă a rezultatelor. Ne concentrăm pe indicatori simpli, cum ar fi momentul în care un pacient trebuie să schimbe medicamentele, rezultatele cheie ale analizelor de laborator și programările viitoare la medic. Combinarea istoricului medical al pacientului cu momentul potrivit în timpul vizitei este ceea ce face ca abordarea să fie eficientă.

Pentru a împiedica modelul să urmărească modele înșelătoare, cum ar fi confundarea unui medic generalist ocupat cu un specialist care într‑adevăr gestionează afecțiunea, ghidăm tehnologia folosind ghiduri medicale standard și cronologii de tratament realiste. Apoi verificăm de două ori rezultatele noastre în raport cu datele reale de prescripție și grupurile de comparație pentru a ne asigura că ne concentrăm doar pe momentele care conduc la schimbări reale în îngrijirea pacientului.

OptimizeRx a lansat recent Natural Language Audience Builder, care permite marketerilor să descrie un public utilizând limbaj natural și să transforme acea cerere în audiențe coordonate, specifice brandului, pentru HCP și consumatori. Ce se întâmplă tehnic între promptul inițial și audiența finală și cum preveniți ambiguitatea sau halucinațiile de la influențarea a ceva ce în final conduce la decizii din lumea reală?

Procesul se rezumă la utilizarea AI‑ului lingvistic pentru interpretare, în timp ce se bazează pe date clinice din lumea reală și pe rețeaua EHR pentru generarea finală a listei NPI, precum și pe Micro‑Neighborhood® Targeting de la OptimizeRx pentru audiențele de consumatori. Când un marketer introduce un prompt, sistemul descompune cererea în parametri țintă, cum ar fi specialitățile medicale, volumul de pacienți și comportamentele de prescriere, fără a se baza pe segmente de audiență statice, predefinite.

Deoarece deciziile comerciale din lumea reală sunt în joc, halucinațiile sunt prevenite prin asigurarea că modelul AI acționează ca un interpret care interoghează registrele de furnizori autentificate și seturile de date clinice din lumea reală. Platforma traduce detaliile promptului în liste NPI verificate și audiențe Micro‑Neighborhood, permițând marketerilor să vizualizeze, să prioritizeze și să rafineze profilurile de doctori și/sau segmentele de consumatori care se potrivesc exact înainte de a finaliza audiența țintă.

Marketingul farmaceutic tradițional s‑a bazat adesea pe segmentarea relativ statică, bazată pe comportamentul de prescriere istoric. Cum schimbă AI acest model când audiențele pot fi în schimb reprioritizate continuu pe baza parcursurilor de pacient în schimbare și a ferestrelor de îngrijire anticipate?

AI le oferă marketerilor capacitatea de a răspunde la schimbările din parcursul de îngrijire pe măsură ce acestea apar. Prin reunirea semnalelor precum comportamentul de prescriere, populațiile de pacienți, implicarea HCP și alte date contextuale, modelele pot identifica când un HCP și pacientul său se apropie de un punct de decizie semnificativ și pot reprioritiza continuu audiența pe baza acelui context.

Aceasta înseamnă că activarea audienței poate evolua alături de parcursul de îngrijire. Pe măsură ce pacienții intră într‑o anumită etapă a îngrijirii, brandul devine mai relevant pentru ei și pentru HCP‑ul care îi tratează, iar momentul, canalul și mesajul ar trebui să se ajusteze pe măsură ce acea fereastră se modifică. În timp, sistemul poate învăța din acele interacțiuni și poate îmbunătăți modul în care identifică pacienții, HCP‑urile și intervalele de timp cele mai susceptibile să influențeze comportamentul de prescriere.

Pentru marketerii farmaceutici, aceasta creează o abordare mai dinamică și sincronizată a marketingului către HCP și consumatori, una care combină comportamentul istoric cu semnalele în timp real pentru a determina pe cine să se ajungă, când să se ajungă la ei și ce va fi cel mai relevant în acel moment.

Modelele de bază sunt extrem de puternice în lucrul cu limbajul, în timp ce modelele predictive specializate pot fi mai potrivite pentru datele structurate din domeniul sănătății și pentru rezultate definite îndeaproape. Cum abordați combinarea modelelor mari de limbaj cu sistemele de învățare automată mai tradiționale atunci când construiți produse AI pentru sănătate?

Întrebare excelentă! Așa cum am menționat mai devreme în discuție, scopul nu este să combinăm arbitrar aceste tehnici AI doar pentru că este distractiv. Scopul este întotdeauna să ajungem la o predicție mai exactă care să poată rezolva mai bine o problemă specifică a clientului. O mare parte din datele din domeniul sănătății sunt structurate (deși pot fi și murdare, parțiale și întârziate), ceea ce le face perfecte pentru predicție utilizând caracteristici numerice și categorice. Totuși, există unele aspecte ale fluxului de date brute (de ex., note clinice, conținut creativ/text) care ar putea folosi LLM‑urile de bază ca pre‑procesor pentru a codifica caracteristica înainte de a fi aplicată unei probleme de predicție structurată – cum ar fi „este acest pacient pregătit să schimbe brandul?”

OptimizeRx conectează din ce în ce mai mult inteligența HCP și cea direct‑către‑consumator pentru ca implicarea cu pacienții și furnizorii să poată fi mai bine sincronizată. Cum poate AI să conecteze cele două părți ale parcursului de sănătate menținând în același timp limitele de confidențialitate necesare atunci când se lucrează cu date de sănătate sensibile?

AI leagă implicarea pacientului și a furnizorului prin evaluarea semnalelor clinice din lumea reală pentru a identifica momentele comune de îngrijire, în loc să urmărească persoane individuale. Tehnologia conectează cele două părți prin analizarea tendințelor populației de pacienți de‑identificate alături de comportamentele de prescriere ale medicilor. Aceasta permite echipelor de marketing să alinieze educația consumatorului, cum ar fi reclame TV, digitale sau pe rețelele sociale, cu informațiile la punctul de îngrijire din sistemul de dosar electronic al medicului, asigurând că atât pacientul, cât și medicul primesc informații relevante în jurul aceluiași punct de decizie privind tratamentul.

Pentru a menține o conformitate strictă a confidențialității, AI funcționează integral pe date de‑identificate și agregate, utilizând tehnologia noastră patentată Micro-Neighborhood pe care am menționat‑o mai sus. În loc să vizeze pacienți individuali sau să folosească monitorizarea sănătății personale, sistemul analizează tendințele clinice la nivel local, geografic, și le corelează cu activitatea medicilor din zonă. Această abordare creează o campanie complet sincronizată care respectă confidențialitatea consumatorului, asigurând conformitatea totală cu HIPAA și legile de confidențialitate ale statelor, în timp ce livrează mesaje de îngrijire în timp util și coordonate.

Pe măsură ce AI trece de la generarea de recomandări la influențarea persoanelor contactate, a momentului în care sunt contactate și a acțiunii care ar trebui să urmeze, consecințele unei predicții greșite devin mai semnificative. Unde ar trebui ca supravegherea umană să rămână obligatorie și ce decizii credeți că AI poate, în cele din urmă, să ia autonom?

În domeniul științelor vieții, există o diferență semnificativă între un sistem AI care determină care public este cel mai relevant pentru un mesaj educațional și unul care ia o decizie ce ar putea afecta direct îngrijirea unui pacient. Cu cât o decizie bazată pe AI se apropie mai mult de judecata clinică, eligibilitatea pacientului sau alte rezultate cu impact major, cu atât responsabilitatea umană devine mai importantă.

Există, de asemenea, o diferență între supraveghere și intervenție. AI nu are neapărat nevoie ca o persoană să aprobe fiecare acțiune cu risc scăzut, dar are nevoie de limite clare, auditabilitate și mecanisme pentru a detecta când comportamentul său depășește aceste limite. Acest lucru permite oamenilor să rămână responsabili fără a crea un blocaj care să submineze valoarea automatizării.

Cred că AI poate lua din ce în ce mai multe decizii autonome în privința activităților cu risc scăzut și volum mare, cum ar fi prioritizarea publicului, selecția canalelor, sincronizarea și secvențierea, atunci când aceste decizii se bazează pe date guvernate și sunt monitorizate continuu. Scopul ar trebui să fie să rezervăm judecata umană pentru deciziile în care contextul, responsabilitatea și consecințele o impun, permițând în același timp AI să gestioneze complexitatea operațională pe care oamenii pur și simplu nu o pot gestiona la scară. De asemenea, consider că este util să menținem clinicienii licențiați ca „humans in the loop” la punctele de control adecvate.  Iar furnizorii care au MDs în echipă sunt cei care vor găsi echilibrul între scară și conformitate.

Există adesea o diferență între un model AI care performează bine conform metricilor tehnice și îmbunătățirea efectivă a rezultatelor în lumea reală. Ce metrici sunt cei mai importanți atunci când se evaluează AI în comercializarea științelor vieții și cum se evită optimizarea pentru proxy‑uri precum implicarea atunci când obiectivul final ar trebui să fie rezultate mai bune pentru pacienți?

AI în comercializare ar trebui să fie evaluat în final în funcție de valoarea pe care o creează pe parcursul întregului parcurs de îngrijire, nu de cât de eficient poate optimiza o singură interacțiune. Aceasta necesită recunoașterea faptului că implicarea este un mijloc spre un scop: un click, o interacțiune finalizată sau chiar o predicție foarte precisă contează doar dacă ajută la crearea unei intervenții mai relevante care poate influența ce se întâmplă în continuare.

Pentru științele vieții, aș analiza evoluția metricilor – de la calitatea publicului și momentul intervenției, la schimbările în comportamentul profesioniștilor din domeniul sănătății (HCP) cum ar fi prescrierea, și în final impactul ulterior asupra pacienților. Provocarea este că, pe măsură ce te apropii de rezultate finale, devine tot mai dificil să măsori și să atribui rezultatele, ceea ce face tentantă optimizarea metricilor care sunt cele mai ușor de capturat.

Aici intervine strategia AI. Trebuie să concepem cadre de măsurare care să lege performanța modelului și semnalele de implicare de rezultate comportamentale semnificative și, acolo unde este posibil, de rezultate clinice. La OptimizeRx, aceasta înseamnă utilizarea datelor de sănătate din lumea reală pentru a înțelege nu doar dacă am ajuns la cineva, ci dacă am ajuns la persoana potrivită în momentul potrivit al parcursului de îngrijire și dacă acea intervenție a avut un impact măsurabil.

Privind la trei până la cinci ani în viitor, cum arată o organizație de comercializare a științelor vieții nativă AI? Vă așteptați ca agenții autonomi să înceapă să gestioneze părți ale buclei de decizie comercială în mod independent sau evoluția mai importantă va fi AI care furnizează continuu inteligență echipelor umane?

Cred că cadrul „agent” s‑ar putea să nu mai fie atât de relevant în anii viitori. În schimb, mă gândesc la companiile din domeniul ştiinţelor vieţii care se restructurează ca ecosisteme de date pe care orice tehnologie AI le poate utiliza arbitrar. Chiar şi peste 5 ani, nu mă aştept ca multe „decizii de afaceri” să fie complet automatizate prin agenţi. În schimb, aştept ca scala experimentelor din zona de cercetare‑dezvoltare (R&D) să crească rapid şi ca inteligenţa care intră în procesul decizional comercial al unei persoane să devină mult mai puternică. În prezent, companiile din ştiinţele vieţii sunt organizate în jurul structurilor organizaţionale care apoi dictează modul în care operează, conform Legii lui Conway. Astfel, vedem că marketingul HCP şi DTC este încă realizat în silozuri, iar echipele de analiză şi marketing nu sunt pe deplin aliniate. Pe măsură ce ecosistemul de date de bază se schimbă, echipele umane se vor schimba şi ele, devenind mai cross‑funcţionale şi, prin urmare, în continuare în conformitate cu Legea lui Conway. Organizaţiile vor fi mai rapide în implementarea insight‑urilor pe care AI le poate oferi deja, precum şi a noilor insight‑uri pe care AI ni le va oferi în viitor, pe măsură ce devine tot mai sofisticat.

Mulțumim pentru interviul excelent. Cititorii care doresc să afle mai multe despre companie și soluțiile sale tehnologice în domeniul sănătății pot vizita OptimizeRx.