Mike Rousselle, OptimizeRx Baş Yapay Zeka Sorumlusu – Röportaj Serisi

Mike Rousselle, OptimizeRx Baş Yapay Zeka Sorumlusu, yapay zeka ve sağlık teknolojileri alanında, AI’yı iş değerine dönüştürme konusunda neredeyse 15 yıllık deneyime sahip bir yöneticidir. Mevcut görevinde, yaşam bilimleri şirketleri, sağlık profesyonelleri (HCP’ler) ve hastalar arasındaki iletişimi daha klinik olarak ilgili ve eyleme geçirilebilir hâle getirmek üzere AI destekli teknolojilerin geliştirilmesi ve uygulanmasını yönetmektedir. Çalışmaları, öngörüsel zeka, davranışsal ve klinik sinyaller, hedef kitle belirleme ve önemli tedavi ve reçeteleme anlarını tanımlamaya yardımcı olan AI destekli araçları kapsamaktadır. OptimizeRx’e katılmadan önce Rousselle, Athenahealth, Clarivate ve HubSpot’ta görev almış, sağlık, veri ve kurumsal teknoloji alanlarında deneyim kazanmıştır. Rochester Institute of Technology’dan Ekonomi ve Finans alanlarında lisans derecelerine sahiptir.

OptimizeRx veri, yapay zeka ve dijital etkileşim teknolojilerini kullanarak yaşam bilimleri organizasyonlarını sağlık hizmeti sağlayıcıları ve hastalarla birleştiren bir sağlık teknolojisi şirketidir. 2006 yılında kurulan şirket, başlangıçta elektronik sağlık kaydı (EHR) ve e-reçete platformları aracılığıyla kupon ve ortak ödeme desteği sunmaya odaklanmış, ancak o zamandan beri daha geniş bir sağlık pazarlama ve hasta etkileşim platformuna dönüşmüştür. Teknolojisi, gerçek dünya sağlık sinyallerini, öngörüsel zekâyı, nokta‑bakım entegrasyonlarını ve çok kanallı aktivasyonu birleştirerek ilaç şirketlerinin ilgili HCP ve hasta hedef kitlelerini tanımlamasına ve tedavi yolculuğunun kritik anlarında onlarla etkileşime geçmesine yardımcı olur. Daha yakın zamanda OptimizeRx, Doğal Dil Hedef Kitle Oluşturucu gibi araçlarla AI yeteneklerini genişletti; bu araç, sağlık pazarlamacılarının sade dil komutlarıyla HCP ve gizlilik‑güvenli tüketici kitleleri oluşturmasını sağlar.

Neredeyse 15 yıldır Athenahealth, Clarivate ve HubSpot gibi kuruluşlarda AI’yı iş problemlerine uyguladınız ve OptimizeRx’te veri ürünlerini yönetmekten Baş Yapay Zeka Sorumlusu olarak görev almaya geçtiniz. Bu yolculuk, AI’nın sağlık hizmetlerinde anlamlı değer yaratabileceği alanları, teknolojik olarak etkileyici ancak sonunda yüzeysel olabilecek uygulamalardan nasıl ayırdığınız konusunda görüşlerinizi nasıl şekillendirdi?

Kariyerim boyunca edindiğim temel derslerden biri, AI’nın ne kadar “havalı” ve ne kadar eğlenceli olduğunu düşündüğüm halde, AI müşterinin sorununa hizmet etmiyorsa kesinlikle bir anlamı olmadığıdır. AI’yı bir başlangıç noktası olarak kullanmak değil; sağlık hizmetlerindeki somut zorluklara ve verimsizliklere odaklanmak ve bunları iyileştirmek önemlidir.

OptimizeRx’te tek, temel bir sorunu çözmeyi hedefliyoruz: marka bilgilerini ve iletişimini hasta yolculuğuna daha yakın hâle getirerek, bakım kararlarını daha iyi desteklemelerini sağlamak. Bu, kendileri ve hastaları için uygun olup olmayabilecek reklamlarla boğuşan hekimlere yardımcı olur. Ayrıca, sosyal medya ve diğer tüketici kanallarında alakasız veya hatalı sağlık bilgilerine maruz kalan hastalara da destek olur. Ve sürekli ticari hedeflerini karşılamak zorunda olan yaşam bilimleri markalarına da yardımcı olur. Bu zorlukları çözmemizin temel taşı, marka uygun hastasıdır.

Eğer AI’yı onları daha erken ve daha kesin bir şekilde bulmak için kullanırsak ve sadece marka için hazır hale geldikleri noktada, sağlayıcılarına daha yüksek faydalı bilgi sunabilir, daha ilgili doğrudan tüketici (DTC) reklamcılığı sağlayabilir ve markanın medya harcamalarını daha verimli ve etkili bir şekilde kullanmasına yardımcı olabiliriz.

Son zamanlarda kurumsal AI tartışmalarının çoğu üretken AI ve içerik oluşturma üzerine odaklanmıştır. Siz, organizasyonların karar almasına yardımcı olan AI’ya yönelmeyi savundunuz. Gerçek “karar zekâsını” mevcut analizlerin üzerine sadece bir üretken AI arayüzü yerleştirmekle ne ayırır?

Fark, AI’nın sadece bilgiye erişmenize yardımcı olup olmadığına ya da gerçekten daha iyi kararlar almanıza yardımcı olup olmadığına dayanır. Analitiklerin üzerine bir üretken AI arayüzü eklemek, verileri sorgulamayı veya özetlemeyi kolaylaştırabilir, ancak temel zekâ temelde değişmemiştir. Hâlâ bir kişiden bilgiyi yorumlamasını, neyin önemli olduğunu belirlemesini ve bir sonraki adımı karar vermesini istiyorsunuz.

Gerçek karar zekâsı, birden çok sinyali bir araya getirerek, kalıpları ve bağlamı tanıyarak, muhtemel sonuçları tahmin ederek ve bu içgörüleri önerilen eylemlere dönüştürerek bu boşluğu kapatır. Aynı derecede önemli olarak, karar zekâsı ayrıca öğrenir bu eylemlerin sonuçlarından ve bu verileri gelecekteki önerileri sürekli iyileştirmek için kullanır. Örneğin yaşam bilimleri pazarlamasında bu, kampanya performansını sadece raporlamanın ötesine geçerek, hangi hedef kitlelerin en çok yanıt vereceğini (ve hangi kanallarda) tahmin etmeyi, hangi mesajın ilgili olduğunu öngörmeyi ve bu tahminlerin doğruluğunu ölçmeyi ifade eder. Değer, kapalı döngü zekâsındadır; yani veriyi kararlara dönüştürme ve zaman içinde bu kararları sürekli iyileştirme yeteneğidir. Bu, pazarlamacıların kaynakları daha uygun ve verimli bir şekilde tahsis etmelerine yardımcı olmanın gerçek püf noktasıdır.

OptimizeRx’nin Dinamik Hedef Kitle Aktivasyon Platformu, AI ve gerçek dünya verilerini kullanarak potansiyel olarak uygun hastaları tedavi eden sağlık hizmeti sağlayıcılarını belirler ve etkileşimin en uygun olabileceği zamanı tahmin eder. Bu öngörü modelleri için en değerli sinyaller hangi türdendir ve modelin yanıltıcı bir korelasyon yerine anlamlı bir klinik modeli tanımladığını nasıl belirlersiniz?

Bir sinyalin değeri zamanlamaya ve pratik tıbbi alaka düzeyine dayanır; doğruluk ise net klinik mantık ve sürekli sonuç takibiyle korunur. İlaç değiştirme ihtiyacı, kritik laboratuvar sonuçları ve yaklaşan doktor randevuları gibi doğrudan göstergelere odaklanırız. Bir hastanın sağlık geçmişini, hasta ziyareti sırasında doğru zamanlamayla birleştirmek, ulaşımın etkili olmasını sağlar.

Modelin yanıltıcı kalıpları, örneğin yoğun bir genel doktoru aslında durumu yöneten bir uzmana karıştırmasını önlemek için, teknolojiyi standart tıbbi kılavuzlar ve gerçekçi tedavi zaman çizelgeleriyle yönlendiririz. Sonuçlarımızı gerçek dünya reçete verileri ve karşılaştırma gruplarıyla iki kez kontrol ederek yalnızca hasta bakımında gerçek değişikliklere yol açan anlara odaklandığımızdan emin oluruz.

OptimizeRx, pazarlamacıların doğal dil kullanarak bir hedef kitle tanımlamasına ve bu isteği marka‑özel, koordine HCP ve tüketici kitlelerine dönüştürmesine olanak tanıyan Natural Language Audience Builder’ı yeni başlattı. İlk istem ile nihai kitle arasında teknik olarak ne olur ve belirsizlik ya da halüsinasyonların gerçek dünya kararlarını etkileyen bir şeye yönlendirilmesini nasıl önlersiniz?

Süreç, yorumlama için dil AI’sı kullanırken, nihai NPI listesi çıktısı için gerçek dünya klinik ve EHR ağ verilerine ve tüketici kitleleri için OptimizeRx’nin Micro‑Neighborhood® Targeting’ine dayanır. Bir pazarlamacı bir istem girdiğinde sistem, talebi tıbbi uzmanlıklar, hasta hacmi ve reçete davranışları gibi hedef parametrelere ayırır; önceden oluşturulmuş statik kitle segmentlerine dayanmaz.

Gerçek dünya ticari kararlar söz konusu olduğundan, halüsinasyonlar, AI modelinin kimlik doğrulanmış sağlayıcı kayıtları ve gerçek dünya klinik veri setlerini sorgulayan bir yorumlayıcı olarak hareket etmesiyle önlenir. Platform, istem detaylarını doğrulanmış NPI listeleri ve Micro‑Neighborhood kitlelerine çevirir; pazarlamacıların hedef kitleyi kesinleştirmeden önce doktor profillerini ve/veya tüketici segmentlerini görüntülemesine, sıralamasına ve iyileştirmesine olanak tanır.

Geleneksel farmasötik pazarlama, tarihsel reçete davranışına dayalı nispeten statik segmentasyonlara sıkça dayanmıştır. AI, kitlelerin hasta yolculuklarındaki değişikliklere ve öngörülen bakım pencerelerine göre sürekli yeniden önceliklendirilmesi mümkün olduğunda bu modeli nasıl değiştiriyor?

AI, pazarlamacıların bakım yolculuğundaki değişikliklere anında yanıt vermesini sağlar. Reçete davranışı, hasta popülasyonları, HCP etkileşimi ve diğer bağlamsal veriler gibi sinyalleri bir araya getirerek modeller, bir HCP ve hastasının anlamlı bir karar noktasına yaklaştığını tespit eder ve bu bağlam üzerinden kitleyi sürekli yeniden önceliklendirir.

Bu, kitle aktivasyonunun bakım yolculuğu ile paralel olarak evrimleşebileceği anlamına gelir. Hastalar belirli bir bakım aşamasına girdikçe, marka onlara ve tedavi eden HCP’ye daha ilgili hâle gelir; zamanlama, kanal ve mesaj da bu pencere değiştikçe ayarlanmalıdır. Zamanla sistem, bu etkileşimlerden öğrenerek hastaları, HCP’leri ve reçete davranışını etkileme olasılığı en yüksek zaman dilimlerini daha iyi tanımlamayı geliştirir.

Farmasötik pazarlamacılar için bu, HCP ve tüketici pazarlamasına daha dinamik, senkronize bir yaklaşım getirir; tarihsel davranışı gerçek zamanlı sinyallerle birleştirerek kime, ne zaman ve o anda en ilgili neyin sunulacağını belirler.

Temel modeller dil ile çalışmada son derece güçlü iken, özel öngörü modelleri yapılandırılmış sağlık verileri ve dar kapsamlı sonuçlar için daha uygun olabilir. Sağlık AI ürünleri geliştirirken büyük dil modelleri ile daha geleneksel makine öğrenimi sistemlerini birleştirmeyi nasıl düşünüyorsunuz?

Harika bir soru! Konuşmanın başında da değindiğim gibi, amaç bu AI tekniklerini sadece eğlence için rastgele birleştirmek değil. Her zaman daha doğru bir tahmine ulaşmak ve belirli bir müşteri sorununu daha iyi çözmek hedeflenir. Sağlık verilerinin büyük bir kısmı yapılandırılmıştır (kirli, eksik ve gecikmeli olabilse de), bu da sayısal ve kategorik özelliklerle tahmin için mükemmeldir. Bununla birlikte, ham veri akışının bazı yönleri (örneğin klinik notlar, yaratıcı içerik/metin) temel LLM’lerin bir ön‑işlemci olarak kullanılmasıyla özellik kodlaması yapılabilir – örneğin “bu hasta marka değiştirmeye hazır mı?” sorusuna yanıt verirken.

OptimizeRx, HCP ve doğrudan tüketici zekâsını giderek daha fazla birleştirerek hasta ve sağlayıcılarla etkileşimin daha iyi senkronize edilmesini sağlıyor. AI, hassas sağlık verileriyle çalışırken gerekli gizlilik sınırlarını koruyarak bu iki tarafı nasıl birleştirebilir?

AI, bireysel kişileri izlemek yerine, ortak bakım anlarını belirlemek için gerçek dünya klinik sinyallerini değerlendirerek hasta ve hizmet sağlayıcı etkileşimini köprüler. Teknoloji, tanımlanmamış hasta popülasyonu trendlerini doktorların reçete davranışlarıyla birlikte analiz ederek iki tarafı bağlar. Bu, pazarlama ekiplerinin tüketici eğitimini, TV, dijital veya sosyal reklamlar gibi, doktorun elektronik sağlık kayıt sistemindeki bakım noktasındaki bilgilerle hizalamalarını sağlar ve hem hastanın hem de hekimin aynı tedavi karar noktasında ilgili bilgileri almasını temin eder.

Katı gizlilik uyumunu sürdürmek için AI, yukarıda bahsettiğim patentli Micro-Neighborhood teknolojisini kullanarak tamamen tanımlanmamış, toplu veriler üzerinde çalışır. Bireysel hastaları hedeflemek veya kişisel sağlık takibi yapmak yerine sistem, yerel coğrafi düzeyde klinik trendleri analiz eder ve bu trendleri bölgedeki doktor faaliyetleriyle karşılaştırır. Bu yaklaşım, tüketici gizliliğine saygı gösteren, HIPAA ve eyalet gizlilik yasalarına tam uyum sağlayan, aynı zamanda zamanında ve koordine edilmiş bakım mesajları sunan tamamen senkronize bir kampanya oluşturur.

AI, öneri üretmekten kime, ne zaman iletişime geçileceği ve bir sonraki adımın ne olacağına etki etmeye geçtikçe, hatalı bir tahminin sonuçları daha büyük önem kazanır. İnsan denetiminin zorunlu kalması gereken alanlar nereler olmalı ve AI’nın sonunda otonom olarak verebileceğini düşündüğünüz kararlar hangileridir?

Yaşam bilimlerinde, bir AI sisteminin eğitim mesajı için en ilgili hedef kitleyi belirlemesi ile hastanın bakımını doğrudan etkileyebilecek bir karar vermesi arasında anlamlı bir fark vardır. AI destekli bir karar klinik yargıya, hasta uygunluğuna veya diğer yüksek etkili sonuçlara ne kadar yaklaşırsa, insan sorumluluğu o kadar önemli hâle gelir.

Ayrıca denetim ile müdahale arasında bir ayrım da vardır. AI, her düşük riskli eylemi bir kişinin onaylamasını zorunlu kılmasa da, net sınırlar, denetlenebilirlik ve davranışının bu sınırların dışına çıktığını tespit edecek mekanizmalara ihtiyaç duyar. Bu, otomasyonun değerini azaltan bir darboğaz oluşturmadan insanların sorumlu kalmasını sağlar.

AI’nın, düşük riskli, yüksek hacimli faaliyetlerde—örneğin hedef kitle önceliklendirmesi, kanal seçimi, zamanlama ve sıralama—kararları, yönetişimli veriler üzerine inşa edilip sürekli izlenirken, giderek daha fazla otonom kararlar alabileceğine inanıyorum. Amaç, bağlam, sorumluluk ve sonuçların gerektiği durumlarda insan yargısını korumak, aynı zamanda AI’nın ölçeklenebilir bir şekilde yönetilemeyen operasyonel karmaşıklığı üstlenmesini sağlamaktır. Ayrıca, lisanslı klinisyenleri uygun kontrol noktalarında “döngüdeki insanlar” olarak tutmanın değerli olduğunu düşünüyorum.  Ve çalışanlarında doktor (MD) bulunduran satıcılar, ölçek ve uyum arasında dengeyi kurabileceklerdir.

AI modelinin teknik ölçütlerde iyi performans göstermesi ile gerçek dünyada sonuçları iyileştirmesi arasında sık sık bir boşluk vardır. Yaşam bilimleri ticarileştirmesinde AI’yı değerlendirirken en önemli ölçütler nelerdir ve nihai hedefin daha iyi hasta sonuçları olması gerektiğinde, etkileşim gibi vekil göstergeler için optimizasyon yapmaktan nasıl kaçınılır?

Ticarileştirmedeki AI, nihai olarak bakım yolculuğu boyunca yarattığı değerle değerlendirilmelidir, tek bir etkileşimi ne kadar verimli optimize edebildiğiyle değil. Bu, etkileşimin bir araç olduğunu kabul etmeyi gerektirir: bir tıklama, tamamlanan bir etkileşim ya da son derece doğru bir tahmin, yalnızca bir sonraki adımı etkileyebilecek daha ilgili bir müdahale yaratmaya yardımcı olduğunda anlam taşır.

Yaşam bilimlerinde, metriklerin ilerleyişine bakarım—hedef kitlenin kalitesi ve müdahale zamanlamasından, doktorların (HCP) reçete davranışı gibi değişikliklere ve nihayetinde hastalar üzerindeki aşağı akış etkisine. Zorluk, aşağı akışa ne kadar ilerlerseniz ilerleyin, sonuçları ölçmenin ve atıfta bulunmanın o kadar zorlaşmasıdır; bu da yakalanması en kolay metrikler için optimizasyon yapma cazibesini artırır.

İşte AI stratejisinin önemi burada ortaya çıkar. Model performansını ve etkileşim sinyallerini anlamlı davranışsal ve mümkünse klinik sonuçlarla bağlayan ölçüm çerçeveleri tasarlamalıyız. OptimizeRx’te bu, gerçek dünya sağlık verilerini kullanarak sadece birine ulaşıp ulaşmadığımızı değil, bakım yolculuğunda doğru kişiye doğru zamanda ulaşıp ulaşmadığımızı ve bu müdahalenin ölçülebilir bir fark yaratıp yaratmadığını anlamak demektir.

Önümüzdeki üç ila beş yılı düşündüğümüzde, AI‑yerli bir yaşam bilimleri ticarileştirme organizasyonu nasıl bir görünüme sahip olur? Otonom ajanların ticari karar döngüsünün bölümlerini kendi başlarına yönetmeye başlamasını mı bekliyorsunuz, yoksa daha önemli evrimin AI’nın insan ekiplerine sürekli zeka sunması olacağını mı düşünüyorsunuz?

“Agent” çerçevesinin gelecekteki yıllarda o kadar da ilgili olmayabileceğini düşünüyorum. Bunun yerine, yaşam bilimleri şirketlerinin kendilerini, herhangi bir AI teknolojisinin keyfi olarak kullanabileceği veri ekosistemleri olarak yeniden yapılandırmalarını düşünüyorum.  5 yıl içinde bile, birçok “business decisions” kararının ajanlar aracılığıyla tamamen otomatikleşmesini beklemiyorum.  Bunun yerine, Ar‑G tarafındaki deneylerin ölçeğinin hızla artacağını ve insanın ticari karar verme sürecine giren zekânın çok daha güçlü olacağını öngörüyorum.  Şu anda, yaşam bilimleri şirketleri, Conway’s Law’a atıfta bulunarak, operasyonlarını belirleyen organizasyon yapıları etrafında düzenlenmiştir. Bu yüzden, HCP ve DTC pazarlamasının hâlâ silolar içinde yapıldığını ve analiz ile pazarlama ekiplerinin tam olarak hizalanmadığını görüyoruz. Temel veri ekosistemi değiştikçe, insan ekipleri de kendilerini daha çok fonksiyonlararası hâle getirerek değişecek ve bu da Conway’s Law ile uyumlu kalacaktır.  Organizasyonlar, AI’nın şu anda sunabildiği içgörüleri ve gelecekte AI daha da sofistike oldukça bize sunacağı yeni içgörüleri uygulamaya daha hızlı geçecektir.

Harika röportaj için teşekkür ederiz. Şirket ve sağlık teknolojisi çözümleri hakkında daha fazla bilgi edinmek isteyen okuyucular OptimizeRx adresini ziyaret edebilir.