Майк Руссель, главный офицер по искусственному интеллекту в OptimizeRx – серия интервью

Майк Руссель, главный офицер по искусственному интеллекту в OptimizeRx, является руководителем в области искусственного интеллекта и технологий здравоохранения с почти 15‑летним опытом применения ИИ для создания бизнес‑ценности. В своей текущей роли он возглавляет разработку и внедрение технологий, основанных на ИИ, предназначенных сделать коммуникацию между компаниями в сфере наук о жизни, медицинскими специалистами (HCP) и пациентами более клинически значимой и практичной. Его работа охватывает предиктивный интеллект, поведенческие и клинические сигналы, таргетинг аудиторий и инструменты на базе ИИ, помогающие выявлять важные моменты лечения и назначения препаратов. До прихода в OptimizeRx Руссель занимал должности в Athenahealth, Clarivate и HubSpot, получив опыт в сфере здравоохранения, данных и корпоративных технологий. Он имеет степени бакалавра в области экономики и финансов, полученные в Rochester Institute of Technology.

OptimizeRx — компания в сфере технологий здравоохранения, соединяющая организации наук о жизни с медицинскими провайдерами и пациентами с помощью данных, искусственного интеллекта и технологий цифрового взаимодействия. Основана в 2006 году, изначально компания сосредотачивалась на предоставлении купонов и помощи с соплатой через платформы электронных медицинских записей (EHR) и электронных рецептов, но с тех пор расширилась до более широкой платформы маркетинга в здравоохранении и взаимодействия с пациентами. Ее технология объединяет реальные сигналы здоровья, предиктивный интеллект, интеграции на точке обслуживания и омниканальную активацию, помогая фармацевтическим компаниям определять релевантные аудитории медицинских специалистов и пациентов и взаимодействовать с ними в ключевые моменты лечебного пути. В последнее время OptimizeRx расширила свои возможности ИИ инструментами, такими как Natural Language Audience Builder, который позволяет маркетологам в здравоохранении создавать аудитории медицинских специалистов и безопасные для конфиденциальности потребительские аудитории с помощью простых языковых запросов.

Вы провели почти 15 лет, применяя ИИ к бизнес‑проблемам в разных организациях, включая Athenahealth, Clarivate и HubSpot, и в OptimizeRx продвинулись от руководства продуктами данных до должности главного офицера по ИИ. Как этот путь сформировал ваше представление о том, где ИИ может создавать значимую ценность в здравоохранении, по сравнению с приложениями, которые могут быть технологически впечатляющими, но в конечном итоге поверхностн

Одно из ключевых уроков в моей карьере состоит в том, что насколько бы «крутым» я ни считал ИИ и насколько бы весело его ни использовать, это НЕ ИМЕЕТ ЗНАЧЕНИЯ, если ИИ не служит решению проблемы клиента. Дело не в том, чтобы использовать ИИ как отправную точку; дело в том, чтобы сосредоточиться на конкретных вызовах и неэффективностях в здравоохранении, которые мы можем улучшить.

В OptimizeRx мы стремимся решить одну, фундаментальную задачу: более тесно согласовать информацию о бренде и коммуникации с путешествием пациента, чтобы они могли лучше поддерживать решения по уходу. Это помогает врачам, которые завалены рекламой, которая может быть или не быть релевантной для них и их пациентов. Это помогает пациентам, сталкивающимся с нерелевантной или неточной медицинской информацией в социальных сетях и других потребительских каналах. И это помогает брендам в сфере наук о жизни, постоянно находящимся под давлением необходимости достигать коммерческих целей. Наш ориентир для решения этих задач — пациент, подходящий под критерии бренда.

Если мы используем ИИ, чтобы находить их раньше, точнее, и просто в тот момент, когда они становятся готовыми для бренда, мы можем предоставить их провайдеру более полезную информацию, предложить более релевантную DTC‑рекламу потребителям и помочь бренду тратить свои рекламные бюджеты более эффективно и с большим воздействием.

Большая часть недавних дискуссий об ИИ в корпоративном секторе была сосредоточена на генеративном ИИ и создании контента. Вы выступали за переход к ИИ, который помогает организациям принимать решения. Что отличает подлинный «интеллект принятия решений» от простого наложения генеративного ИИ‑интерфейса на существующую аналитику?

Различие сводится к тому, помогает ли ИИ просто получить доступ к информации или действительно помогает принимать более хорошие решения. Наложение генеративного ИИ‑интерфейса на аналитику может упростить запрос или суммирование данных, но базовый интеллект по сути не изменился. Вы всё равно просите человека интерпретировать информацию, определить, что важно, и решить, что делать дальше.

Подлинный интеллект принятия решений закрывает этот разрыв, объединяя множество сигналов, распознавая шаблоны и контекст, предсказывая вероятные результаты и преобразуя эти инсайты в рекомендованные действия. Не менее важно, что интеллект принятия решений также учится на результатах этих действий и использует эти данные для постоянного улучшения будущих рекомендаций. В маркетинге наук о жизни, например, это означает переход от простого отчёта о результатах кампании к предсказанию, какие аудитории с наибольшей вероятностью отреагируют (и через какие каналы), предвидению, какое сообщение будет релевантным, и измерению точности этих предсказаний. Ценность заключается в замкнутом цикле интеллекта, то есть в способности превращать данные в решения и постоянно совершенствовать эти решения со временем. Это настоящий приём, позволяющий маркетологам более эффективно и правильно распределять ресурсы.

Dynamic Audience Activation Platform от OptimizeRx использует ИИ и реальные данные, чтобы определить медицинских специалистов, лечащих потенциально подходящих пациентов, и предсказать, когда взаимодействие будет наиболее актуальным. Какие типы сигналов являются наиболее ценными для этих предиктивных моделей, и как вы определяете, выявила ли модель значимый клинический паттерн, а не вводящую в заблуждение корреляцию?

Ценность сигнала определяется временем и практической медицинской значимостью, при этом точность поддерживается за счёт чёткой клинической логики и непрерывного отслеживания результатов. Мы сосредотачиваемся на простых индикаторах, таких как необходимость смены лекарства пациентом, ключевые лабораторные результаты и предстоящие приёмы у врача. Сочетание истории болезни пациента с правильным моментом во время визита делает взаимодействие эффективным.

Чтобы модель не преследовала вводящие в заблуждение паттерны, например путала занятого терапевта с специалистом, который действительно управляет заболеванием, мы направляем технологию, используя стандартные медицинские рекомендации и реалистичные сроки лечения. Затем мы проверяем результаты с реальными данными о назначениях и контрольными группами, чтобы убедиться, что фокусируемся только на тех моментах, которые приводят к реальным изменениям в уходе за пациентом.

OptimizeRx недавно запустила Natural Language Audience Builder, который позволяет маркетологам описывать аудиторию с помощью естественного языка и преобразовывать запрос в бренд‑специфичные, скоординированные аудитории HCP и потребителей. Что происходит технически между исходным запросом и конечной аудиторией, и как вы предотвращаете неоднозначность или «галлюцинации», влияющие на решения, которые в конечном итоге влияют на реальный мир?

Процесс сводится к использованию языкового ИИ для интерпретации, при этом полагаясь на реальные клинические данные и данные сети ЭМК для окончательного вывода списка NPI, а также на Micro‑Neighborhood® Targeting от OptimizeRx для потребительских аудиторий. Когда маркетолог вводит запрос, система разбивает его на целевые параметры, такие как медицинские специализации, объёмы пациентов и модели назначения, без использования статических, заранее построенных сегментов аудитории.

Поскольку на кону стоят реальные коммерческие решения, «галлюцинации» предотвращаются за счёт того, что ИИ‑модель выступает в роли интерпретатора, запрашивая аутентифицированные реестры провайдеров и реальные клинические наборы данных. Платформа преобразует детали запроса в проверенные списки NPI и аудитории Micro‑Neighborhood, позволяя маркетологам просматривать, ранжировать и уточнять точные профили врачей и/или потребительские сегменты перед окончательной фиксацией целевой аудитории.

Традиционный фармацевтический маркетинг часто опирался на относительно статичную сегментацию, основанную на историческом поведении при назначениях. Как ИИ меняет эту модель, когда аудитории могут постоянно переоцениваться на основе изменяющихся путей пациентов и предсказанных окон ухода?

ИИ предоставляет маркетологам возможность реагировать на изменения в пути ухода в реальном времени. Объединяя сигналы, такие как поведение при назначениях, популяции пациентов, взаимодействие HCP и другие контекстные данные, модели могут определить, когда врач и его пациент приближаются к значимому решающему моменту, и постоянно переоценивать аудиторию на основе этого контекста.

Это означает, что активация аудитории может развиваться вместе с путём ухода. По мере того как пациенты переходят в определённую стадию ухода, бренд становится более релевантным для них и их лечащего врача, а время, канал и сообщение должны корректироваться по мере изменения этого окна. Со временем система может учиться на этих взаимодействиях и улучшать определение пациентов, врачей и временных рамок, наиболее вероятно влияющих на поведение при назначениях.

Для фармацевтических маркетологов это создает более динамичный, синхронный подход к маркетингу врачей и потребителей, который сочетает историческое поведение с сигналами в реальном времени, чтобы определить, кого привлекать, когда это делать и что будет наиболее актуально в данный момент.

Фундаментальные модели чрезвычайно эффективны в работе с языком, тогда как специализированные предиктивные модели могут лучше подходить к структурированным медицинским данным и узко определённым результатам. Как вы рассматриваете сочетание больших языковых моделей с более традиционными системами машинного обучения при создании продуктов ИИ для здравоохранения?

Отличный вопрос! Как я уже упоминал ранее в разговоре, цель не в том, чтобы произвольно сочетать эти ИИ‑техники просто потому, что это весело. Цель всегда — достичь более точного прогноза, который сможет лучше решить конкретную проблему клиента. Большая часть медицинских данных структурирована (хотя они могут быть также «грязными», частичными и отстающими), что делает их идеальными для предсказаний с использованием числовых и категориальных признаков. Тем не менее, некоторые аспекты конвейера необработанных данных (например, клинические заметки, креативный контент/текст) могут использовать фундаментальные LLM в качестве предобработчика для кодирования признака перед его применением к структурированной задаче предсказания — например, «готов ли этот пациент переключиться на другой бренд?»

OptimizeRx всё больше соединяет интеллект врачей (HCP) и прямой потребительский интеллект, чтобы взаимодействие с пациентами и провайдерами могло быть лучше синхронизировано. Как ИИ может соединить эти две стороны пути в здравоохранении, соблюдая при этом границы конфиденциальности, необходимые при работе с чувствительными данными о здоровье?

ИИ соединяет взаимодействие пациентов и поставщиков медицинских услуг, оценивая реальные клинические сигналы, чтобы выявлять общие моменты ухода, а не отслеживая отдельных людей. Технология соединяет обе стороны, анализируя анонимные тенденции популяции пациентов вместе с поведением врачей при назначении препаратов. Это позволяет маркетинговым командам согласовывать потребительское образование, например телевизионную, цифровую или социальную рекламу, с информацией в точке ухода, содержащейся в системе электронных медицинских записей врача, обеспечивая, чтобы и пациент, и врач получали релевантную информацию в один и тот же момент принятия решения о лечении.

Для поддержания строгого соответствия требованиям конфиденциальности ИИ работает полностью на анонимных, агрегированных данных, используя нашу запатентованную технологию Micro-Neighborhood, о которой я упоминал выше. Вместо того чтобы нацеливаться на отдельных пациентов или использовать персональное отслеживание здоровья, система анализирует клинические тенденции на локальном географическом уровне и сопоставляет их с активностью врачей в данном районе. Такой подход создает полностью синхронизированную кампанию, уважающую конфиденциальность потребителей, обеспечивая полное соответствие HIPAA и государственным законам о конфиденциальности, одновременно предоставляя своевременные, согласованные сообщения о уходе.

По мере того как ИИ переходит от генерации рекомендаций к влиянию на то, кто будет контактен, когда будет осуществлён контакт и какое действие должно последовать дальше, последствия неверного прогноза становятся более значимыми. Где человеческий надзор должен оставаться обязательным, а какие решения, по вашему мнению, ИИ в конечном итоге сможет принимать автономно?

В сфере наук о жизни существует существенная разница между системой ИИ, определяющей, какая аудитория наиболее релевантна для образовательного сообщения, и системой, принимающей решение, которое может напрямую влиять на уход за пациентом. Чем ближе решение, основанное на ИИ, подходит к клиническому суждению, определению правомочности пациента или другим результатам с высоким воздействием, тем важнее становится человеческая ответственность.

Существует также различие между надзором и вмешательством. ИИ не обязательно требует одобрения человека для каждого действия с низким риском, но ему нужны чёткие границы, возможность аудита и механизмы обнаружения, когда его поведение выходит за эти границы. Это позволяет людям оставаться ответственными, не создавая узкое место, подрывающее ценность автоматизации.

Я считаю, что ИИ может всё чаще принимать автономные решения в отношении низко‑рисковых, высоко‑объёмных задач, таких как приоритизация аудитории, выбор каналов, тайминг и последовательность, при условии, что эти решения основаны на управляемых данных и постоянно мониторятся. Цель должна заключаться в том, чтобы оставлять человеческое суждение для тех решений, где контекст, ответственность и последствия требуют этого, позволяя ИИ справляться с операционной сложностью, которую люди просто не могут управлять в масштабе. Я также считаю важным сохранять лицензированных клиницистов в роли «человеков в цепочке» на соответствующих контрольных точках. И поставщики, у которых в штате есть врачи, смогут найти баланс между масштабом и соблюдением требований.

Часто наблюдается разрыв между тем, как модель ИИ хорошо показывает себя по техническим метрикам, и тем, насколько она действительно улучшает результаты в реальном мире. Какие метрики имеют наибольшее значение при оценке ИИ в коммерциализации наук о жизни, и как избежать оптимизации под прокси‑метрики, такие как вовлечённость, когда конечная цель должна заключаться в улучшении исходов для пациентов?

ИИ в коммерциализации в конечном итоге должен оцениваться по ценности, которую он создаёт на протяжении всего пути ухода, а не по тому, насколько эффективно он может оптимизировать отдельное взаимодействие. Это требует признания того, что вовлечённость — лишь средство к цели: клик, завершённое взаимодействие или даже высокоточная предсказательная модель имеют смысл только в том случае, если они способствуют созданию более релевантного вмешательства, способного повлиять на последующие события.

Для наук о жизни я бы рассматривал прогрессию метрик — от качества аудитории и времени вмешательства до изменений в поведении врачей, таких как назначения, и, в конечном итоге, до downstream‑влияния на пациентов. Проблема в том, что чем дальше по цепочке вы продвигаетесь, тем сложнее измерять и приписывать результаты, что заставляет стремиться к оптимизации самых лёгких для захвата метрик.

Именно здесь важна стратегия ИИ. Нам необходимо разрабатывать рамки измерения, связывающие производительность модели и сигналы вовлечённости с значимыми поведенческими и, где возможно, клиническими результатами. В OptimizeRx это означает использование реальных данных здравоохранения, чтобы понять не только достигли ли мы кого‑то, но достигли ли мы нужного человека в нужный момент пути ухода, и привело ли это вмешательство к измеримому изменению.

Глядя вперёд на три‑пять лет, как будет выглядеть организация коммерциализации наук о жизни, построенная на ИИ? Ожидаете ли вы, что автономные агенты начнут самостоятельно управлять частями коммерческого цикла принятия решений, или более важной эволюцией будет постоянное предоставление ИИ интеллекта человеческим командам?

Я считаю, что концепция «агента» может стать менее актуальной в будущие годы. Вместо этого я представляю, как компании в сфере наук о жизни перестраивают себя в виде экосистем данных, которыми может произвольно пользоваться любая технология ИИ. Даже через 5 лет я не ожидаю, что многие «деловые решения» будут полностью автоматизированы с помощью агентов. Вместо этого я предвижу быстрый рост масштаба экспериментов в области НИОКР, а также то, что интеллект, влияющий на коммерческие решения человека, станет гораздо более мощным. В настоящее время компании в сфере наук о жизни организованы вокруг структур, которые затем определяют их способы работы, согласно закону Конвея. Поэтому мы видим, что маркетинг для медицинских специалистов (HCP) и прямой потребительский маркетинг (DTC) всё ещё ведётся в изоляции, а аналитические и маркетинговые команды не полностью согласованы. По мере изменения базовой экосистемы данных человеческие команды будут трансформироваться, становясь более кросс‑функциональными, и тем самым оставаясь в соответствии с законом Конвея. Организации будут быстрее внедрять уже доступные инсайты ИИ, а также новые инсайты, которые ИИ предложит в будущем по мере своего дальнейшего совершенствования.

Спасибо за отличное интервью. Читатели, желающие узнать больше о компании и её решениях в области медицинских технологий, могут посетить OptimizeRx.