Mike Rousselle, Chief AI Officer at OptimizeRx – ซีรีส์สัมภาษณ์

Mike Rousselle, Chief AI Officer at OptimizeRx, เป็นผู้บริหารด้านปัญญาประดิษฐ์และเทคโนโลยีสุขภาพที่มีประสบการณ์ใกล้เคียง 15 ปีในการประยุกต์ AI เพื่อสร้างคุณค่าให้กับธุรกิจ ในบทบาทปัจจุบัน เขานำทีมพัฒนาและประยุกต์เทคโนโลยีที่ขับเคลื่อนด้วย AI เพื่อทำให้การสื่อสารระหว่างบริษัทด้านวิทยาศาสตร์ชีวิต, ผู้เชี่ยวชาญด้านสุขภาพ (HCPs) และผู้ป่วย มีความเกี่ยวข้องทางคลินิกและนำไปปฏิบัติได้มากขึ้น งานของเขาครอบคลุมการวิเคราะห์เชิงพยากรณ์, สัญญาณเชิงพฤติกรรมและคลินิก, การกำหนดกลุ่มเป้าหมาย, และเครื่องมือที่ใช้ AI เพื่อช่วยระบุช่วงเวลาที่สำคัญในการรักษาและการสั่งจ่ายยา ก่อนเข้าร่วม OptimizeRx, Rousselle เคยดำรงตำแหน่งที่ Athenahealth, Clarivate, และ HubSpot, นำประสบการณ์จากอุตสาหกรรมสุขภาพ, ข้อมูล, และเทคโนโลยีระดับองค์กร เขามีปริญญาตรีสาขาเศรษฐศาสตร์และการเงินจาก Rochester Institute of Technology.

OptimizeRx เป็นบริษัทเทคโนโลยีสุขภาพที่เชื่อมโยงองค์กรวิทยาศาสตร์ชีวิตกับผู้ให้บริการด้านสุขภาพและผู้ป่วยโดยใช้ข้อมูล, ปัญญาประดิษฐ์, และเทคโนโลยีการมีส่วนร่วมแบบดิจิทัล ก่อตั้งในปี 2006, บริษัทเริ่มต้นด้วยการให้คูปองและความช่วยเหลือค่าใช้จ่ายร่วมผ่านระบบบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) และแพลตฟอร์ม e‑prescribing, แต่ต่อมาขยายเป็นแพลตฟอร์มการตลาดสุขภาพและการมีส่วนร่วมของผู้ป่วยที่ครอบคลุมมากขึ้น เทคโนโลยีของบริษัทผสานสัญญาณสุขภาพจากโลกจริง, ปัญญาประดิษฐ์เชิงพยากรณ์, การบูรณาการจุดบริการ, และการเปิดใช้งานหลายช่องทางเพื่อช่วยบริษัทเภสัชกรรมระบุกลุ่ม HCP และผู้ป่วยที่เกี่ยวข้องและติดต่อกับพวกเขาในช่วงเวลาสำคัญของเส้นทางการรักษา เมื่อเร็ว ๆ นี้ OptimizeRx ได้ขยายความสามารถด้าน AI ด้วยเครื่องมือเช่น Natural Language Audience Builder ซึ่งอนุญาตให้ผู้ทำการตลาดด้านสุขภาพสร้างกลุ่มผู้เชี่ยวชาญด้านสุขภาพ (HCP) และกลุ่มผู้บริโภคที่ปลอดภัยต่อความเป็นส่วนตัวโดยใช้คำสั่งภาษาธรรมดา

คุณได้ใช้ AI เกือบ 15 ปีในการแก้ปัญหาทางธุรกิจในหลายองค์กรรวมถึง Athenahealth, Clarivate, และ HubSpot, และที่ OptimizeRx คุณได้ก้าวจากการเป็นผู้นำผลิตภัณฑ์ข้อมูลไปสู่ตำแหน่ง Chief AI Officer. การเดินทางนี้มีผลต่อมุมมองของคุณอย่างไรเกี่ยวกับที่ AI สามารถสร้างคุณค่าที่มีความหมายในด้านสุขภาพ, เทียบกับการประยุกต์ที่อาจดูน่าประทับใจทางเทคโนโลยีแต่ในที่สุดก็แค่ superfic

หนึ่งในบทเรียนสำคัญที่ฉันได้จากอาชีพของฉันคือ แม้ว่า AI จะดู “เจ๋ง” และสนุกในการใช้งาน, แต่หาก AI ไม่ได้ถูกใช้เพื่อแก้ปัญหาของลูกค้าเลยก็ไม่มีความหมายเลย ไม่ใช่เรื่องการใช้ AI เป็นจุดเริ่มต้น; แต่เป็นการมุ่งเน้นไปที่ความท้าทายและความไม่มีประสิทธิภาพที่เป็นรูปธรรมในด้านสุขภาพที่เราสามารถปรับปรุงได้

ที่ OptimizeRx เรามุ่งแก้ปัญหาเดียวที่พื้นฐานที่สุด: การทำให้ข้อมูลและการสื่อสารของแบรนด์สอดคล้องกับเส้นทางของผู้ป่วยมากขึ้น เพื่อให้พวกเขาสามารถสนับสนุนการตัดสินใจด้านการดูแลได้ดียิ่งขึ้น สิ่งนี้ช่วยแพทย์ที่ต้องเผชิญกับโฆษณาจำนวนมากซึ่งอาจเกี่ยวข้องหรือไม่เกี่ยวข้องกับพวกเขาและผู้ป่วยของพวกเขา มันช่วยผู้ป่วยที่เจอข้อมูลสุขภาพที่ไม่เกี่ยวข้องหรือไม่ถูกต้องบนโซเชียลมีเดียและช่องทางผู้บริโภคอื่น ๆ  และยังช่วยแบรนด์ในอุตสาหกรรมวิทยาศาสตร์ชีวิตที่ต้องเผชิญแรงกดดันอย่างต่อเนื่องในการบรรลุเป้าหมายเชิงพาณิชย์ หลักประกันของเราที่จะแก้ไขความท้าทายเหล่านี้คือผู้ป่วยที่มีคุณสมบัติเข้ากับแบรนด์

หากเราใช้ AI เพื่อค้นหาพวกเขาให้เร็วขึ้น, แม่นยำยิ่งขึ้น, และ เพียง ในจุดที่พวกเขาพร้อมสำหรับแบรนด์, เราสามารถมอบข้อมูลที่มีประโยชน์สูงให้กับผู้ให้บริการของพวกเขา, ให้บริการโฆษณา DTC ที่เกี่ยวข้องมากขึ้น, และช่วยให้แบรนด์ใช้เงินโฆษณาของตนได้อย่างมีประสิทธิภาพและส่งผลกระทบมากขึ้น

การสนทนาด้าน AI ระดับองค์กรในช่วงเวลาล่าสุดส่วนใหญ่มุ่งเน้นไปที่ Generative AI และการสร้างเนื้อหา คุณได้โต้แย้งให้มุ่งไปสู่ AI ที่ช่วยองค์กรทำการตัดสินใจ สิ่งที่ทำให้ “decision intelligence” ที่แท้จริงแตกต่างจากการเพียงแค่วางอินเทอร์เฟซ Generative AI ด้านบนของการวิเคราะห์ที่มีอยู่คืออะไร?

ความแตกต่างสรุปได้ว่า AI เพียงช่วยให้คุณเข้าถึงข้อมูลหรือว่ามันช่วยให้คุณทำการตัดสินใจที่ดียิ่งขึ้นจริง ๆ การวางอินเทอร์เฟซ Generative AI ด้านบนของการวิเคราะห์อาจทำให้ข้อมูลง่ายต่อการสืบค้นหรือสรุปผล, แต่สติปัญญาพื้นฐานไม่ได้เปลี่ยนแปลงอย่างมีนัยสำคัญ คุณยังคงต้องให้คนตีความข้อมูล, กำหนดสิ่งที่สำคัญ, และตัดสินใจว่าจะทำอย่างไรต่อไป

Decision intelligence ที่แท้จริงปิดช่องว่างนั้นโดยการรวมสัญญาณหลายประเภทเข้าด้วยกัน, ระบุรูปแบบและบริบท, ทำนายผลลัพธ์ที่เป็นไปได้, และแปลข้อมูลเชิงลึกเหล่านั้นเป็นการกระทำที่แนะนำ อย่างสำคัญไม่แพ้กัน, decision intelligence ยัง เรียนรู้ จากผลลัพธ์ของการกระทำนั้นและใช้ข้อมูลนั้นเพื่อปรับปรุงคำแนะนำในอนาคตอย่างต่อเนื่อง ตัวอย่างเช่นในการตลาดวิทยาศาสตร์ชีวิต หมายถึงการก้าวข้ามการรายงานผลการทำแคมเปญอย่างเดียวไปสู่การทำนายว่ากลุ่มเป้าหมายใดมีแนวโน้มจะตอบสนองมากที่สุด (และในช่องทางใด), คาดการณ์ว่าข้อความใดมีความเกี่ยวข้อง, และวัดความแม่นยำของการทำนายเหล่านั้น มูลค่าที่ได้อยู่ในระบบปัญญาปิดวงจร, หมายถึงความสามารถในการเปลี่ยนข้อมูลให้เป็นการตัดสินใจและปรับปรุงการตัดสินใจเหล่านั้นอย่างต่อเนื่องตามเวลา นั่นคือเคล็ดลับที่แท้จริงในการช่วยนักการตลาดจัดสรรทรัพยากรให้เหมาะสมและมีประสิทธิภาพมากขึ้น

แพลตฟอร์ม Dynamic Audience Activation ของ OptimizeRx ใช้ AI และข้อมูลจริงจากโลกเพื่อระบุผู้ให้บริการด้านสุขภาพที่รักษาผู้ป่วยที่อาจมีคุณสมบัติเหมาะสมและทำนายว่าเวลาที่การมีส่วนร่วมจะมีความสำคัญที่สุดคือเมื่อใด สัญญาณประเภทใดที่มีคุณค่ามากที่สุดต่อโมเดลพยากรณ์เหล่านี้ และคุณกำหนดอย่างไรว่าโมเดลได้ระบุรูปแบบทางคลินิกที่มีความหมายจริง ๆ ไม่ใช่ความสัมพันธ์ที่ทำให้เข้าใจผิด?

คุณค่าของสัญญาณขึ้นอยู่กับเวลาและความเกี่ยวข้องทางการแพทย์ในเชิงปฏิบัติ ในขณะที่ความแม่นยำถูกรักษาไว้ผ่านตรรกะคลินิกที่ชัดเจนและการติดตามผลลัพธ์อย่างต่อเนื่อง เรามุ่งเน้นที่ตัวบ่งชี้ที่เข้าใจง่าย เช่น เวลาที่ผู้ป่วยต้องเปลี่ยนยาตัวใหม่ ผลการตรวจห้องปฏิบัติการสำคัญ และการนัดหมายกับแพทย์ที่กำลังจะมาถึง การผสานประวัติสุขภาพของผู้ป่วยกับเวลาที่เหมาะสมระหว่างการเยี่ยมผู้ป่วยคือสิ่งที่ทำให้การติดต่อสื่อสารมีประสิทธิภาพ

เพื่อป้องกันไม่ให้โมเดลไล่ตามรูปแบบที่ทำให้เข้าใจผิด เช่น การสับสนระหว่างแพทย์ทั่วไปที่มีงานยุ่งกับผู้เชี่ยวชาญที่จริง ๆ แล้วดูแลสภาพนั้น เราใช้แนวทางการแพทย์มาตรฐานและไทม์ไลน์การรักษาที่เป็นจริงเป็นแนวทางให้เทคโนโลยี จากนั้นเราตรวจสอบผลลัพธ์ของเราเทียบกับข้อมูลการสั่งจ่ายยาจากโลกจริงและกลุ่มเปรียบเทียบ เพื่อให้มั่นใจว่าเรามุ่งเน้นเฉพาะช่วงเวลาที่นำไปสู่การเปลี่ยนแปลงที่แท้จริงในการดูแลผู้ป่วย

OptimizeRx เพิ่งเปิดตัว Natural Language Audience Builder ซึ่งช่วยให้ผู้ทำการตลาดอธิบายกลุ่มเป้าหมายด้วยภาษาธรรมชาติและแปลงคำขอนั้นเป็นกลุ่มผู้ให้บริการด้านสุขภาพ (HCP) และผู้บริโภคที่ประสานกันตามแบรนด์ สิ่งที่เกิดขึ้นทางเทคนิคระหว่างคำสั่งเริ่มต้นและกลุ่มเป้าหมายสุดท้ายคืออะไร และคุณป้องกันความคลุมเครือหรือการสร้างข้อมูลเท็จ (hallucinations) ที่อาจมีผลต่อการตัดสินใจในโลกจริงอย่างไร?

กระบวนการสรุปได้โดยการใช้ AI ด้านภาษาเพื่อการตีความ พร้อมอาศัยข้อมูลคลินิกและเครือข่าย EHR จากโลกจริงเพื่อสร้างรายการ NPI สุดท้าย และการกำหนดเป้าหมาย Micro‑Neighborhood® ของ OptimizeRx สำหรับกลุ่มผู้บริโภค เมื่อผู้ทำการตลาดป้อนคำสั่ง ระบบจะแยกคำขอออกเป็นพารามิเตอร์เป้าหมาย เช่น สาขาการแพทย์ ปริมาณผู้ป่วย และพฤติกรรมการสั่งจ่ายยา โดยไม่พึ่งพากลุ่มเป้าหมายที่สร้างไว้ล่วงหน้าแบบคงที่

เนื่องจากการตัดสินใจเชิงพาณิชย์จากโลกจริงอยู่ในความเสี่ยง การสร้างข้อมูลเท็จจึงถูกป้องกันโดยทำให้โมเดล AI ทำหน้าที่เป็นผู้ตีความที่สอบถามทะเบียนผู้ให้บริการที่ได้รับการรับรองและชุดข้อมูลคลินิกจากโลกจริง แพลตฟอร์มแปลงรายละเอียดคำสั่งเป็นรายการ NPI ที่ตรวจสอบได้และกลุ่ม Micro‑Neighborhood ทำให้ผู้ทำการตลาดสามารถดู จัดอันดับ และปรับแต่งโปรไฟล์แพทย์หรือกลุ่มผู้บริโภคที่ตรงกันอย่างแม่นยำก่อนสรุปกลุ่มเป้าหมายสุดท้าย

การตลาดเภสัชกรรมแบบดั้งเดิมมักพึ่งพาการแบ่งส่วนที่ค่อนข้างคงที่โดยอิงจากพฤติกรรมการสั่งจ่ายยาที่ผ่านมา AI จะเปลี่ยนโมเดลนั้นอย่างไรเมื่อกลุ่มเป้าหมายสามารถถูกจัดลำดับความสำคัญใหม่อย่างต่อเนื่องตามการเปลี่ยนแปลงของเส้นทางผู้ป่วยและหน้าต่างการดูแลที่คาดการณ์ได้?

AI มอบความสามารถให้ผู้ทำการตลาดตอบสนองต่อการเปลี่ยนแปลงในเส้นทางการดูแลได้ทันที โดยการรวมสัญญาณต่าง ๆ เช่น พฤติกรรมการสั่งจ่าย ยากลุ่มผู้ป่วย การมีส่วนร่วมของ HCP และข้อมูลเชิงบริบทอื่น ๆ โมเดลสามารถระบุได้ว่าเมื่อใด HCP และผู้ป่วยของเขากำลังเข้าสู่จุดตัดสินใจที่สำคัญและปรับลำดับความสำคัญของกลุ่มเป้าหมายอย่างต่อเนื่องตามบริบทนั้น

ซึ่งหมายความว่าการกระตุ้นกลุ่มเป้าหมายสามารถพัฒนาไปพร้อมกับเส้นทางการดูแล เมื่อผู้ป่วยเข้าสู่ขั้นตอนเฉพาะของการดูแล แบรนด์จะมีความเกี่ยวข้องมากขึ้นกับพวกเขาและ HCP ที่ดูแลพวกเขา และเวลา ช่องทาง และข้อความควรปรับเปลี่ยนตามหน้าต่างเวลานั้น ๆ เมื่อเวลาผ่านไป ระบบจะเรียนรู้จากการโต้ตอบเหล่านั้นและปรับปรุงวิธีการระบุผู้ป่วย HCP และช่วงเวลาที่มีแนวโน้มจะมีอิทธิพลต่อพฤติกรรมการสั่งจ่ายยา

สำหรับผู้ทำการตลาดด้านเภสัชกรรม สิ่งนี้สร้างแนวทางที่มีความไดนามิกและประสานกันมากขึ้นระหว่างการตลาดต่อ HCP และผู้บริโภค ซึ่งผสานพฤติกรรมในอดีตกับสัญญาณแบบเรียลไทม์เพื่อกำหนดว่าใครควรติดต่อ เมื่อไหร่ควรติดต่อ และสิ่งใดจะเป็นประโยชน์ที่สุดในขณะนั้น

โมเดลพื้นฐานมีความสามารถอันมหาศาลในการทำงานกับภาษา ในขณะที่โมเดลพยากรณ์เฉพาะด้านอาจเหมาะกับข้อมูลสุขภาพที่มีโครงสร้างและผลลัพธ์ที่จำกัดอย่างชัดเจน คุณคิดอย่างไรเกี่ยวกับการผสานโมเดลภาษาใหญ่กับระบบการเรียนรู้ของเครื่องแบบดั้งเดิมเมื่อสร้างผลิตภัณฑ์ AI ด้านสุขภาพ?

คำถามที่ดี! อย่างที่ได้กล่าวไว้ก่อนหน้านี้ เป้าหมายไม่ได้คือการผสานเทคนิค AI เหล่านี้โดยสุ่มเพียงเพราะสนุกสนาน แต่เพื่อให้ได้การพยากรณ์ที่แม่นยำยิ่งขึ้นซึ่งสามารถแก้ปัญหาลูกค้าเฉพาะได้ดียิ่งขึ้น ข้อมูลสุขภาพส่วนใหญ่เป็นข้อมูลที่มีโครงสร้าง (แม้ว่าบางครั้งอาจมีความสกปรก ไม่ครบถ้วน หรือมีความล่าช้า) ทำให้เหมาะอย่างยิ่งสำหรับการพยากรณ์โดยใช้คุณลักษณะเชิงตัวเลขและเชิงประเภท อย่างไรก็ตาม มีบางส่วนของกระบวนการข้อมูลดิบ (เช่น บันทึกคลินิก เนื้อหาเชิงสร้างสรรค์/ข้อความ) ที่อาจใช้ LLM พื้นฐานเป็นตัวประมวลผลล่วงหน้าเพื่อเข้ารหัสคุณลักษณะก่อนนำไปใช้กับปัญหาการพยากรณ์ที่มีโครงสร้าง – เช่น “ผู้ป่วยคนนี้พร้อมที่จะเปลี่ยนแบรนด์หรือไม่?”

OptimizeRx กำลังเชื่อมต่อข้อมูลเชิงลึกของ HCP และผู้บริโภคโดยตรงมากขึ้น เพื่อให้การมีส่วนร่วมกับผู้ป่วยและผู้ให้บริการสามารถประสานกันได้ดีขึ้น AI สามารถเชื่อมต่อสองด้านของเส้นทางการดูแลสุขภาพนี้ได้อย่างไรในขณะที่ยังคงรักษาขอบเขตความเป็นส่วนตัวที่จำเป็นเมื่อทำงานกับข้อมูลสุขภาพที่ละเอียดอ่อน?

AI เชื่อมโยงการมีส่วนร่วมของผู้ป่วยและผู้ให้บริการโดยประเมินสัญญาณคลินิกจากโลกจริงเพื่อระบุช่วงเวลาการดูแลร่วมกัน แทนการติดตามบุคคลแต่ละคน เทคโนโลยีเชื่อมสองด้านโดยวิเคราะห์แนวโน้มของประชากรผู้ป่วยที่ไม่มีข้อมูลระบุตัวตนพร้อมกับพฤติกรรมการสั่งจ่ายของแพทย์ สิ่งนี้ทำให้ทีมการตลาดสามารถปรับการให้ความรู้แก่ผู้บริโภค เช่น โฆษณาทางโทรทัศน์ ดิจิทัล หรือโซเชียล ให้สอดคล้องกับข้อมูลจุดดูแลในระบบบันทึกสุขภาพอิเล็กทรอนิกส์ของแพทย์ เพื่อให้ผู้ป่วยและแพทย์ได้รับข้อมูลที่เกี่ยวข้องในจุดตัดสินใจการรักษาเดียวกัน

เพื่อรักษาการปฏิบัติตามความเป็นส่วนตัวอย่างเข้มงวด AI ทำงานทั้งหมดบนข้อมูลที่ไม่มีการระบุตัวตนและรวมรวมโดยใช้เทคโนโลยี Micro-Neighborhood ที่ได้รับสิทธิบัตรซึ่งได้กล่าวถึงข้างต้น แทนการกำหนดเป้าหมายผู้ป่วยรายบุคคลหรือใช้การติดตามสุขภาพส่วนบุคคล ระบบวิเคราะห์แนวโน้มคลินิกในระดับภูมิศาสตร์ท้องถิ่นและอ้างอิงแนวโน้มเหล่านั้นกับกิจกรรมของแพทย์ในพื้นที่ วิธีการนี้สร้างแคมเปญที่ซิงโครไนซ์อย่างเต็มที่โดยเคารพความเป็นส่วนตัวของผู้บริโภค ทำให้สอดคล้องกับ HIPAA และกฎหมายความเป็นส่วนตัวของรัฐอย่างเต็มที่ในขณะเดียวกันยังส่งมอบข้อความการดูแลที่ตรงเวลาและประสานกัน

เมื่อ AI ย้ายจากการให้คำแนะนำไปสู่การกำหนดว่าติดต่อใคร เมื่อไหร่ และควรทำอะไรต่อไป ผลกระทบของการทำนายที่ผิดพลาดจะมีความสำคัญมากขึ้น ควรให้การควบคุมโดยมนุษย์ยังคงเป็นสิ่งบังคับในส่วนใดบ้าง และคุณเชื่อว่า AI สามารถทำการตัดสินใจโดยอัตโนมัติได้ในส่วนใดบ้างในที่สุด?

ในอุตสาหกรรมชีววิทยา มีความแตกต่างที่สำคัญระหว่างระบบ AI ที่กำหนดว่ากลุ่มเป้าหมายใดเหมาะสมที่สุดสำหรับข้อความการศึกษา กับระบบที่ทำการตัดสินใจที่อาจส่งผลโดยตรงต่อการดูแลผู้ป่วย ยิ่งการตัดสินใจที่ขับเคลื่อนด้วย AI ใกล้เคียงกับการตัดสินใจทางคลินิก การคัดเลือกผู้ป่วย หรือผลลัพธ์ที่มีผลกระทบสูงอื่น ๆ ความรับผิดชอบของมนุษย์ก็ยิ่งสำคัญยิ่งขึ้น

นอกจากนี้ยังมีความแตกต่างระหว่างการควบคุมและการแทรกแซง AI ไม่จำเป็นต้องมีคนอนุมัติการกระทำที่มีความเสี่ยงต่ำทุกครั้ง แต่ต้องมีขอบเขตที่ชัดเจน ความสามารถในการตรวจสอบ และกลไกเพื่อตรวจจับเมื่อพฤติกรรมของมันออกนอกขอบเขตนั้น ซึ่งทำให้มนุษย์ยังคงรับผิดชอบโดยไม่สร้างคอขวดที่ทำให้คุณค่าของการอัตโนมัติหายไป

ผมเชื่อว่า AI สามารถทำการตัดสินใจโดยอัตโนมัติได้เพิ่มขึ้นในกิจกรรมที่มีความเสี่ยงต่ำและปริมาณสูง เช่น การจัดลำดับความสำคัญของกลุ่มเป้าหมาย การเลือกช่องทาง การกำหนดเวลาและลำดับขั้น เมื่อการตัดสินใจเหล่านั้นอิงจากข้อมูลที่กำกับดูแลและได้รับการตรวจสอบอย่างต่อเนื่อง เป้าหมายควรเป็นการสงวนการตัดสินใจของมนุษย์ไว้สำหรับสถานการณ์ที่ต้องอาศัยบริบท ความรับผิดชอบ และผลลัพธ์ที่สำคัญ ในขณะเดียวกันให้ AI จัดการความซับซ้อนในการดำเนินงานที่มนุษย์ไม่สามารถจัดการได้ในระดับใหญ่ ผมยังเห็นว่าการมีผู้คลินิกที่ได้รับใบอนุญาตเป็น “มนุษย์ในวงจร” ที่จุดตรวจสอบที่เหมาะสมเป็นสิ่งมีค่า และผู้ให้บริการที่มีแพทย์ในทีมคือผู้ที่จะสร้างสมดุลระหว่างขนาดและการปฏิบัติตามกฎระเบียบ

มักมีช่องว่างระหว่างโมเดล AI ที่ทำงานได้ดีตามเมตริกทางเทคนิคและการปรับปรุงผลลัพธ์ในโลกจริง เมตริกใดที่สำคัญที่สุดเมื่อประเมิน AI ในการทำการค้าในอุตสาหกรรมชีววิทยา และเราจะหลีกเลี่ยงการปรับให้เหมาะกับตัวแทนอย่างการมีส่วนร่วมเมื่อเป้าหมายสุดท้ายควรเป็นผลลัพธ์ที่ดีขึ้นสำหรับผู้ป่วยอย่างไร?

AI ในการทำการค้าควรถูกประเมินโดยคุณค่าที่สร้างขึ้นตลอดเส้นทางการดูแล ไม่ใช่โดยความเร็วในการปรับให้เหมาะกับการโต้ตอบเดียว นั่นหมายถึงการยอมรับว่าการมีส่วนร่วมเป็นเพียงวิธีการเพื่อบรรลุเป้าหมาย: การคลิก การโต้ตอบที่เสร็จสมบูรณ์ หรือแม้แต่การทำนายที่แม่นยำสูง มีความหมายก็ต่อเมื่อช่วยสร้างการแทรกแซงที่เกี่ยวข้องมากขึ้นและสามารถส่งผลต่อสิ่งที่จะเกิดขึ้นต่อไป

สำหรับอุตสาหกรรมชีววิทยา ผมจะมองที่การพัฒนาเมตริกตั้งแต่คุณภาพของกลุ่มเป้าหมายและเวลาการแทรกแซง ไปจนถึงการเปลี่ยนแปลงพฤติกรรมของ HCP เช่น การสั่งจ่ายยา และสุดท้ายผลกระทบต่อผู้ป่วย ปัญหาคือยิ่งไปไกลลงตามลำดับ ผลลัพธ์ก็ยิ่งยากต่อการวัดและระบุสาเหตุ ทำให้คนมักอยากปรับให้เหมาะกับเมตริกที่จับได้ง่ายที่สุด

นี่คือจุดที่กลยุทธ์ AI มีความสำคัญ เราต้องออกแบบกรอบการวัดที่เชื่อมต่อประสิทธิภาพของโมเดลและสัญญาณการมีส่วนร่วมกับพฤติกรรมที่มีความหมายและเมื่อเป็นไปได้กับผลลัพธ์ทางคลินิก ที่ OptimizeRx นั่นหมายถึงการใช้ข้อมูลสุขภาพจากโลกจริงเพื่อเข้าใจไม่เพียงว่าเราถึงผู้ใด แต่เราถึงคนที่ถูกต้องในจุดที่เหมาะสมของเส้นทางการดูแล และการแทรกแซงนั้นทำให้เกิดความแตกต่างที่วัดได้หรือไม่

มองไปข้างหน้าในช่วงสามถึงห้าปี องค์กรการทำการค้าในอุตสาหกรรมชีววิทยาที่เป็น AI‑native จะมีลักษณะอย่างไร? คุณคาดว่าเอเจนต์อัตโนมัติจะเริ่มจัดการส่วนของวงจรการตัดสินใจเชิงพาณิชย์ด้วยตนเองหรือว่าการพัฒนาที่สำคัญกว่าจะเป็น AI ที่ให้ข้อมูลเชิงปัญญาต่อทีมมนุษย์อย่างต่อเนื่อง?

ผมคิดว่าแนวคิด “agent” อาจจะไม่เกี่ยวข้องมากในปีต่อ ๆ ไป แทนที่จะคิดแบบนั้น ผมมองว่าบริษัทด้านวิทยาศาสตร์ชีวิตกำลังปรับโครงสร้างเป็นระบบนิเวศข้อมูลที่เทคโนโลยี AI ใด ๆ ก็สามารถใช้ได้อย่างอิสระ แม้ในอีก 5 ปี ผมก็ไม่คาดหวังว่าการ “business decisions” จะถูกทำอัตโนมัติอย่างสมบูรณ์โดยเอเจนต์ แทนที่จะเป็นเช่นนั้น ผมคาดว่าขนาดของการทดลองในด้าน R&D จะเพิ่มขึ้นอย่างรวดเร็ว และคาดว่าปัญญาประดิษฐ์ที่นำเข้าสู่การตัดสินใจเชิงพาณิชย์ของมนุษย์จะมีความแข็งแกร่งมากขึ้น ในขณะนี้ บริษัทด้านวิทยาศาสตร์ชีวิตจัดระเบียบตามโครงสร้างองค์กรซึ่งกำหนดวิธีการทำงานของพวกเขา ตามกฎของ Conway ดังนั้น เราเห็นว่าการตลาด HCP และ DTC ยังทำแยกกันอยู่ และทีมวิเคราะห์และการตลาดยังไม่สอดคล้องกันอย่างเต็มที่ เมื่อระบบนิเวศข้อมูลพื้นฐานเปลี่ยนแปลง ทีมมนุษย์ก็จะเปลี่ยนแปลงตาม กลายเป็นทีมข้ามหน้าที่มากขึ้น และจึงยังสอดคล้องกับกฎของ Conway องค์กรจะสามารถนำข้อมูลเชิงลึกที่ AI สามารถให้ได้ในปัจจุบันไปใช้ได้เร็วขึ้น รวมถึงข้อมูลเชิงลึกใหม่ที่ AI จะมอบให้ในอนาคตเมื่อมันพัฒนาขึ้นเรื่อย ๆ

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับบริษัทและโซลูชันเทคโนโลยีด้านสุขภาพของมันสามารถเยี่ยมชม OptimizeRx.