Mike Rousselle, Chief AI Officer på OptimizeRx – Intervjuserie

Mike Rousselle, Chief AI Officer på OptimizeRx, är en verkställande inom artificiell intelligens och hälsoteknik med nästan 15 års erfarenhet av att tillämpa AI för att skapa affärsvärde. I sin nuvarande roll leder han utvecklingen och tillämpningen av AI‑drivna teknologier som är avsedda att göra kommunikationen mellan life science‑företag, vårdpersonal (HCP) och patienter mer kliniskt relevant och handlingsbar. Hans arbete omfattar prediktiv intelligens, beteende‑ och kliniska signaler, målgruppsinriktning samt AI‑baserade verktyg som hjälper till att identifiera viktiga behandlings‑ och förskrivningsögonblick. Innan han började på OptimizeRx hade Rousselle roller på Athenahealth, Clarivate och HubSpot, vilket gav honom erfarenhet inom vård, data och företags‑teknik. Han har en kandidatexamen i ekonomi och finans från Rochester Institute of Technology.

OptimizeRx är ett hälsoteknologiföretag som kopplar life science‑organisationer till vårdgivare och patienter med hjälp av data, artificiell intelligens och digitala engagemangsteknologier. Företaget grundades 2006 och fokuserade initialt på att leverera kuponger och medbetalningsstöd via elektroniska patientjournaler (EHR) och e‑preskriptionsplattformar, men har sedan dess utvecklats till en bredare plattform för hälso‑marknadsföring och patientengagemang. Dess teknik kombinerar verkliga hälsosignaler, prediktiv intelligens, point‑of‑care‑integrationer och omnichannel‑aktivering för att hjälpa läkemedelsföretag att identifiera relevanta HCP‑ och patientmålgrupper och engagera dem under nyckelmoment i behandlingsresan. På senare tid har OptimizeRx utökat sina AI‑möjligheter med verktyg som Natural Language Audience Builder, som gör det möjligt för marknadsförare inom hälsovården att skapa HCP‑ och integritetssäkra konsumentmålgrupper med enkla språkpromptar.

Du har tillbringat nästan 15 år med att tillämpa AI på affärsproblem i organisationer inklusive Athenahealth, Clarivate och HubSpot, och på OptimizeRx har du gått från att leda dataprodukter till att fungera som Chief AI Officer. Hur har den resan format din syn på var AI kan skapa meningsfullt värde inom hälso‑vården, jämfört med tillämpningar som kan vara tekniskt imponerande men i slutändan ytliga

En av mina viktigaste insikter under min karriär är att hur ”cool” jag än finner AI, och hur roligt det än är att använda den, spelar det INTE någon roll om AI inte används för att lösa ett kundproblem. Det handlar inte om att använda AI som en startpunkt; det handlar om att fokusera på de konkreta utmaningarna och ineffektiviteten inom hälso‑vården som vi kan förbättra.

På OptimizeRx försöker vi lösa en enda, grundläggande utmaning: att anpassa varumärkesinformation och kommunikation närmare patientresan, så att de bättre kan stödja vårdbeslut. Det hjälper läkare som översvämmas av reklam som kanske inte är relevant för dem och deras patienter. Det hjälper patienter som utsätts för irrelevant eller felaktig hälsoinformation på sociala medier och andra konsumentkanaler.  Och det hjälper life science‑varumärken som ständigt är under press att nå sina kommersiella mål. Vår ledstjärna för att lösa dessa utmaningar är den varumärkesbehöriga patienten.

Om vi använder AI för att hitta dem tidigare, mer exakt, och just i det ögonblick de blir varumärkesklara, kan vi leverera information med högre nytta till deras vårdgivare, erbjuda mer relevant DTC‑reklam och hjälpa varumärket att spendera sina mediepengar mer effektivt och med större genomslag.

Mycket av den senaste diskussionen om AI i företag har fokuserat på generativ AI och innehållsskapande. Du har förespråkat att gå mot AI som hjälper organisationer att fatta beslut. Vad skiljer äkta ”beslutsintelligens” från att bara lägga ett generativt AI‑gränssnitt ovanpå befintlig analys?

Skillnaden ligger i huruvida AI bara hjälper dig att få tillgång till information, eller om den faktiskt hjälper dig att fatta bättre beslut. Att lägga ett generativt AI‑gränssnitt ovanpå analys kan göra data enklare att fråga efter eller sammanfatta, men den underliggande intelligensen har inte förändrats i grunden. Du ber fortfarande en person att tolka informationen, avgöra vad som är viktigt och besluta vad som ska göras härnäst.

Äkta beslutsintelligens överbryggar den klyftan genom att samla flera signaler, känna igen mönster och sammanhang, förutsäga sannolika resultat och översätta dessa insikter till rekommenderade åtgärder. Lika viktigt är att beslutsintelligens också lär sig av resultaten av dessa åtgärder och använder den datan för att kontinuerligt förbättra framtida rekommendationer. Inom life science‑marknadsföring betyder det till exempel att gå bortom att bara rapportera kampanjresultat och istället förutsäga vilka målgrupper som sannolikt kommer att svara (och på vilka kanaler), förutse vilket budskap som är relevant och mäta noggrannheten i dessa förutsägelser. Värdet ligger i den sluta‑loop‑intelligensen, dvs förmågan att omvandla data till beslut och ständigt förbättra dessa beslut över tid. Det är den verkliga nyckeln till att hjälpa marknadsförare att fördela resurser på ett mer korrekt och effektivt sätt.

OptimizeRx:s Dynamic Audience Activation Platform använder AI och verkliga data för att identifiera vårdgivare som behandlar potentiellt berättigade patienter och förutsäga när engagemang kan vara mest relevant. Vilka typer av signaler är mest värdefulla för dessa prediktiva modeller, och hur avgör du om modellen har identifierat ett meningsfullt kliniskt mönster snarare än en vilseledande korrelation?

Värdet av en signal beror på timing och praktisk medicinsk relevans, medan noggrannheten upprätthålls genom tydlig klinisk logik och kontinuerlig resultatspårning. Vi fokuserar på enkla indikatorer som när en patient behöver byta medicin, viktiga laboratorieresultat och kommande läkarbesök. Att kombinera en patients sjukdomshistoria med rätt timing under ett patientbesök är vad som gör outreach effektiv.

För att förhindra att modellen jagar vilseledande mönster, som att förväxla en upptagen allmänläkare med en specialist som faktiskt hanterar tillståndet, styr vi tekniken med hjälp av standardiserade medicinska riktlinjer och realistiska behandlingsplaner. Därefter dubbelkollar vi våra resultat mot verkliga förskrivningsdata och jämförelsegrupper för att säkerställa att vi enbart fokuserar på ögonblick som leder till verkliga förändringar i patientvården.

OptimizeRx lanserade nyligen sin Natural Language Audience Builder, som låter marknadsförare beskriva en målgrupp med naturligt språk och omvandla begäran till varumärkesspecifika, koordinerade HCP‑ och konsumentmålgrupper. Vad händer tekniskt mellan den initiala prompten och den slutgiltiga målgruppen, och hur förhindrar du tvetydighet eller hallucinationer från att påverka något som i slutändan driver beslut i verkligheten?

Processen bygger på att använda språk‑AI för tolkning, samtidigt som man förlitar sig på verkliga kliniska data och EHR‑nätverksdata för den slutgiltiga NPI‑listan, samt OptimizeRx:s Micro‑Neighborhood® Targeting för konsumentmålgrupper. När en marknadsförare anger en prompt delar systemet upp begäran i målparametrar, såsom medicinska specialiteter, patientvolymer och förskrivningsbeteenden, utan att förlita sig på statiska, förbyggda målgruppssegment.

Eftersom verkliga kommersiella beslut står på spel förhindras hallucinationer genom att säkerställa att AI‑modellen fungerar som en tolk som frågar autentiserade leverantörsregister och verkliga kliniska datamängder. Plattformen omvandlar prompt‑detaljer till verifierade NPI‑listor och Micro‑Neighborhood‑målgrupper, vilket gör det möjligt för marknadsförare att visa, rangordna och förfina de exakt matchande läkarprofilerna och/eller konsumentsegmenten innan den slutgiltiga målgruppen fastställs.

Traditionell läkemedelsmarknadsföring har ofta förlitat sig på relativt statisk segmentering baserad på historiskt förskrivningsbeteende. Hur förändrar AI den modellen när målgrupper istället kan omprioriteras kontinuerligt baserat på föränderliga patientresor och förutsagda vårdfönster?

AI ger marknadsförare möjlighet att svara på förändringar i vårdresan i realtid. Genom att samla signaler såsom förskrivningsbeteende, patientpopulationer, HCP‑engagemang och annan kontextuell data kan modeller identifiera när en HCP och deras patient närmar sig en meningsfull beslutspunkt och kontinuerligt omprioritera målgruppen baserat på den kontexten.

Det betyder att målgruppsaktivering kan utvecklas i takt med vårdresan. När patienter går in i ett specifikt skede av vården blir varumärket mer relevant för dem och deras behandlande HCP, och timing, kanal och budskap bör anpassas när det fönstret förändras. Med tiden kan systemet lära sig av dessa interaktioner och förbättra hur det identifierar de patienter, HCP‑er och tidsramar som mest sannolikt påverkar förskrivningsbeteende.

För läkemedelsmarknadsförare skapar detta ett mer dynamiskt, synkroniserat tillvägagångssätt för HCP‑ och konsumentmarknadsföring, där historiskt beteende kombineras med realtids‑signaler för att avgöra vem som ska nås, när de ska nås och vad som är mest relevant i det ögonblicket.

Fundamentala modeller är extremt kraftfulla när det gäller språk, medan specialiserade prediktiva modeller kan vara bättre lämpade för strukturerad hälso‑ och sjukvårdsdata och snävt definierade resultat. Hur tänker du kring att kombinera stora språkmodeller med mer traditionella maskininlärningssystem när du bygger AI‑produkter för hälso‑ och sjukvården?

Bra fråga! Som jag nämnde tidigare i samtalet är målet inte att godtyckligt kombinera dessa AI‑tekniker bara för att det är roligt. Målet är alltid att nå en mer exakt förutsägelse som bättre kan lösa ett specifikt kundproblem. Så mycket hälso‑ och sjukvårdsdata är strukturerad (även om den kan vara smutsig, partiell och fördröjd), vilket gör den idealisk för prediktion med numeriska och kategoriska egenskaper. Det sagt, finns det vissa delar av den råa datapipelinen (t.ex. kliniska anteckningar, kreativt innehåll/texter) som skulle kunna använda grundläggande LLM‑er som förprocess för att koda funktionen innan den appliceras på ett strukturerat prediktionsproblem – som ”är den här patienten redo att byta märke?”.

OptimizeRx kopplar i allt högre grad ihop HCP‑ och direkt‑till‑konsument‑intelligens så att engagemanget med patienter och vårdgivare kan synkroniseras bättre. Hur kan AI förena dessa två sidor av vårdresan samtidigt som de integritetsskydd som krävs vid hantering av känslig hälsodata upprätthålls?

AI förenar patient- och leverantörsengagemang genom att utvärdera kliniska signaler från verkligheten för att identifiera gemensamma vårdmoment, snarare än att spåra enskilda personer. Tekniken kopplar ihop de två sidorna genom att analysera avidentifierade trender i patientpopulationer tillsammans med läkarnas förskrivningsbeteenden. Detta gör det möjligt för marknadsföringsteam att anpassa konsumentutbildning, såsom TV-, digitala eller sociala annonser, med information i vårdpunkten i läkarens elektroniska journal, så att både patient och läkare får relevant information vid samma behandlingsbeslutspunkt.

För att upprätthålla strikt integritetsskydd kör AI:n helt på avidentifierade, aggregerade data med vår patenterade Micro-Neighborhood-teknik som jag nämnde ovan. Istället för att rikta in sig på enskilda patienter eller använda personlig hälsospårning analyserar systemet kliniska trender på en lokal, geografisk nivå och korsrefererar dessa trender med läkaraktivitet i området. Detta tillvägagångssätt skapar en fullt synkroniserad kampanj som respekterar konsumenternas integritet, säkerställer full efterlevnad av HIPAA och statliga integritetslagar samtidigt som den levererar tidsenlig, koordinerad vårdkommunikation.

Allteftersom AI går från att generera rekommendationer till att påverka vem som kontaktas, när de kontaktas och vilken åtgärd som ska vidtas härnäst, blir konsekvenserna av en felaktig förutsägelse mer betydande. Var bör mänsklig tillsyn förbli obligatorisk, och vilka beslut tror du att AI så småningom kan fatta autonomt?

Inom life sciences finns en betydande skillnad mellan ett AI‑system som avgör vilken målgrupp som är mest relevant för ett utbildningsmeddelande och ett system som fattar ett beslut som kan påverka en patients vård direkt. Ju närmare ett AI‑drivet beslut kommer kliniskt omdöme, patientbehörighet eller andra högpåverkande resultat, desto viktigare blir mänskligt ansvar.

Det finns också en skillnad mellan tillsyn och ingripande. AI behöver inte nödvändigtvis en person som godkänner varje låg‑riskåtgärd, men den kräver tydliga gränser, spårbarhet och mekanismer för att upptäcka när dess beteende avviker från dessa gränser. Det gör det möjligt för människor att förbli ansvariga utan att skapa en flaskhals som undergräver automatiseringens värde.

Jag tror att AI i allt högre grad kan fatta autonoma beslut kring låg‑risk, högvolym‑aktiviteter, såsom prioritering av målgrupp, kanalval, tidpunkt och sekvensering, när dessa beslut är baserade på styrda data och kontinuerligt övervakas. Målet bör vara att reservera mänskligt omdöme för de beslut där kontext, ansvar och konsekvenser kräver det, samtidigt som AI får hantera den operativa komplexitet som människor helt enkelt inte kan skala. Jag anser också att det är värdefullt att behålla licensierade kliniker som ”människor i loopen” vid lämpliga kontrollpunkter. Och leverantörer som har läkare på personal är de som kommer att hitta balansen mellan skala och efterlevnad.

Det finns ofta ett gap mellan att en AI‑modell presterar bra enligt tekniska mått och att den faktiskt förbättrar resultat i verkligheten. Vilka mått är viktigast när man utvärderar AI inom kommersialisering av life sciences, och hur undviker man att optimera för proxy‑mått som engagemang när det slutgiltiga målet bör vara bättre patientresultat?

AI i kommersialisering bör i slutändan bedömas utifrån det värde den skapar längs vårdresan, inte hur effektivt den kan optimera en enskild interaktion. Det kräver att man inser att engagemang är ett medel för ett mål: ett klick, en slutförd interaktion eller till och med en mycket exakt förutsägelse är bara meningsfull om det bidrar till en mer relevant insats som kan påverka vad som händer härnäst.

För life sciences skulle jag titta på en utveckling av mått – från kvaliteten på målgruppen och tidpunkten för insatsen, till förändringar i HCP‑beteende såsom förskrivning, och slutligen den nedströms påverkan på patienter. Utmaningen är att ju längre nedströms man går, desto svårare blir det att mäta och tillskriva resultat, vilket gör det frestande att optimera för de mått som är enklast att fånga.

Det är här AI‑strategi blir avgörande. Vi måste utforma mätningsramverk som kopplar modellprestanda och engagemangssignaler till meningsfullt beteende och, där det är möjligt, kliniska resultat. På OptimizeRx innebär det att använda verkliga vårddata för att förstå inte bara om vi nådde någon, utan om vi nådde rätt person vid rätt tidpunkt i vårdresan, och om den insatsen gjorde en mätbar skillnad.

Om tre till fem år framåt, hur ser en AI‑native organisation för kommersialisering inom life sciences ut? Förväntar du dig att autonoma agenter börjar hantera delar av den kommersiella beslutsprocessen själva, eller blir den viktigare utvecklingen att AI kontinuerligt förser mänskliga team med intelligens?

Jag tror att ”agent”-ramverket kanske inte blir lika relevant under kommande år. Istället tänker jag på att life science-företag omstrukturerar sig själva till dataekosystem som vilken AI-teknik som helst kan använda godtyckligt. Även om fem år framåt förväntar jag mig inte att många ”affärsbeslut” blir helt automatiserade via agenter. Istället tror jag att skalan på experiment på FoU‑sidan kommer att öka snabbt, och att intelligensen som matas in i en människas kommersiella beslutsfattande blir mycket kraftfullare. Just nu är life science‑företag organiserade kring organisationsstrukturer som sedan bestämmer hur de arbetar, med hänvisning till Conways lag. Därför ser vi fortfarande HCP‑ och DTC‑marknadsföring göras i silos, och analys‑ och marknadsföringsteam är inte fullt samordnade. När det underliggande dataekosystemet förändras kommer de mänskliga teamen att förändras själva, bli mer tvärfunktionella och därmed fortfarande i linje med Conways lag. Organisationer kommer att snabbare implementera de insikter som AI redan kan leverera, liksom de nya insikter som AI kommer att erbjuda oss i framtiden när den fortsätter att bli mer sofistikerad.

Tack för den fantastiska intervjun. Läsare som vill lära sig mer om företaget och dess hälso‑teknologilösningar kan besöka OptimizeRx.