Mike Rousselle, Chief AI Officer at OptimizeRx – Серія інтерв’ю

Mike Rousselle, Chief AI Officer у OptimizeRx, є керівником у сфері штучного інтелекту та технологій охорони здоров’я з майже 15‑річним досвідом застосування ШІ для створення бізнес‑цінності. У своїй нинішній ролі він очолює розробку та впровадження технологій, що працюють на базі ШІ, призначених для того, щоб комунікації між компаніями life sciences, медичними фахівцями (HCP) та пацієнтами були більш клінічно релевантними та практичними. Його робота охоплює предиктивний інтелект, поведінкові та клінічні сигнали, таргетинг аудиторій та інструменти на базі ШІ, які допомагають визначати важливі моменти лікування та призначення препаратів. До приєднання до OptimizeRx Роуселл працював у Athenahealth, Clarivate та HubSpot, здобувши досвід у галузі охорони здоров’я, даних та корпоративних технологій. Він має ступені бакалавра з економіки та фінансів, отримані в Rochester Institute of Technology.

OptimizeRx — це компанія з технологій охорони здоров’я, яка з’єднує організації life sciences з медичними провайдерами та пацієнтами, використовуючи дані, штучний інтелект та технології цифрового залучення. Заснована у 2006 році, компанія спочатку зосереджувалась на наданні купонів та допомоги у сплаті співплат через електронні медичні записи (EHR) та платформи електронного призначення, але з того часу розширилася до ширшої платформи маркетингу охорони здоров’я та залучення пацієнтів. Її технологія поєднує реальні сигнали здоров’я, предиктивний інтелект, інтеграції на точці догляду та омніканальну активацію, щоб допомогти фармацевтичним компаніям визначати релевантні аудиторії медичних фахівців та пацієнтів і взаємодіяти з ними під час ключових моментів лікувального шляху. Останнім часом OptimizeRx розширила свої можливості ШІ інструментами, такими як Natural Language Audience Builder, який дозволяє маркетологам охорони здоров’я створювати аудиторії медичних фахівців та захищені конфіденційністю споживчі аудиторії за допомогою простих мовних запитів.

Ви присвятили майже 15 років застосуванню ШІ до бізнес‑проблем у різних організаціях, включаючи Athenahealth, Clarivate та HubSpot, і в OptimizeRx перейшли від керівництва продуктовими даними до посади Chief AI Officer. Як цей шлях сформував ваш погляд на те, де ШІ може створювати значущу цінність у охороні здоров’я, порівняно з застосуваннями, які можуть бути технологічно вражаючими, але в кінцевому підсумку поверхневими

Одне з головних уроків, які я отримав за свою кар’єру, полягає в тому, що якими б «класними» не здавалися ШІ і яким би веселим не було його використання, це НЕ має жодного значення, якщо ШІ не використовується для вирішення проблеми клієнта. Справа не в тому, щоб використовувати ШІ як відправну точку; мова йде про те, щоб зосередитися на конкретних викликах та неефективностях у охороні здоров’я, які ми можемо покращити.

У OptimizeRx ми прагнемо вирішити одну фундаментальну задачу: узгодити інформацію про бренд та комунікації більш тісно з шляхом пацієнта, щоб вони могли краще підтримувати рішення щодо догляду. Це допомагає лікарям, які завалені рекламою, що може бути або не бути релевантною для них та їхніх пацієнтів. Це допомагає пацієнтам, які стикаються з нерелевантною або неточною медичною інформацією в соціальних мережах та інших споживчих каналах. І це допомагає брендам life sciences, які постійно перебувають під тиском досягнення комерційних цілей. Нашим орієнтиром у вирішенні цих викликів є пацієнт, придатний для бренду.

Якщо ми використовуємо ШІ, щоб знаходити їх раніше, точніше, і just у момент, коли вони стають готовими до бренду, ми можемо надати їхньому провайдеру інформацію вищої корисності, забезпечити більш релевантну DTC‑рекламу та допомогти бренду витрачати медійні бюджети більш ефективно та впливово.

Більша частина недавніх дискусій про корпоративний ШІ була зосереджена на генеративному ШІ та створенні контенту. Ви стверджували, що слід переходити до ШІ, який допомагає організаціям приймати рішення. Чим справжня «інтелектуальна підтримка рішень» відрізняється від простого накладання інтерфейсу генеративного ШІ на існуючу аналітику?

Різниця полягає в тому, чи ШІ просто допомагає вам отримати доступ до інформації, чи справді допомагає приймати кращі рішення. Накладання інтерфейсу генеративного ШІ на аналітику може спростити запитування чи підсумовування даних, але базовий інтелект суттєво не змінився. Ви все ще змушені просити людину інтерпретувати інформацію, визначати, що важливо, і вирішувати, що робити далі.

Справжня інтелектуальна підтримка рішень заповнює цю прогалину, об’єднуючи кілька сигналів, розпізнаючи патерни та контекст, прогнозуючи ймовірні результати та перетворюючи ці інсайти у рекомендовані дії. Не менш важливо, що інтелектуальна підтримка рішень також вчиться на результатах цих дій і використовує ці дані для постійного вдосконалення майбутніх рекомендацій. У маркетингу life sciences, наприклад, це означає перехід від простого звітування про ефективність кампаній до прогнозування, які аудиторії найімовірніше реагуватимуть (і на яких каналах), передбачення релевантного повідомлення та вимірювання точності цих прогнозів. Цінність полягає у замкнутому інтелекті, тобто в здатності перетворювати дані на рішення та постійно покращувати ці рішення з часом. Це справжній секрет допомоги маркетологам більш ефективно та раціонально розподіляти ресурси.

Платформа Dynamic Audience Activation від OptimizeRx використовує ШІ та реальні дані, щоб ідентифікувати медичних провайдерів, які лікують потенційно підходящих пацієнтів, і передбачати, коли взаємодія буде найбільш релевантною. Які типи сигналів є найціннішими для цих предиктивних моделей і як ви визначаєте, чи модель виявила значущий клінічний патерн, а не оманливу кореляцію?

Цінність сигналу зводиться до часу та практичної медичної релевантності, тоді як точність підтримується чіткою клінічною логікою та безперервним відстеженням результатів. Ми зосереджуємось на простих індикаторах, таких як момент, коли пацієнту потрібно змінити препарат, ключові лабораторні результати та майбутні візити до лікаря. Поєднання історії здоров’я пацієнта з правильним часом під час візиту робить outreach ефективним.

Щоб модель не переслідувала оманливі патерни, наприклад плутала зайнятого загального лікаря зі спеціалістом, який дійсно керує захворюванням, ми керуємо технологією, використовуючи стандартні медичні рекомендації та реалістичні терміни лікування. Потім ми перевіряємо наші результати проти реальних даних про призначення та контрольних груп, щоб переконатися, що зосереджуємось лише на моментах, які призводять до справжніх змін у догляді за пацієнтом.

Нещодавно OptimizeRx запустила Natural Language Audience Builder, який дозволяє маркетологам описувати аудиторію за допомогою природної мови та перетворювати цей запит у бренд‑специфічні, координовані аудиторії HCP та споживачів. Що відбувається технічно між початковим запитом і фінальною аудиторією, і як ви запобігаєте неоднозначності чи галюцинаціям, які можуть вплинути на рішення у реальному світі?

Процес зводиться до використання мовного ШІ для інтерпретації, при цьому остаточний список NPI формується на основі реальних клінічних та EHR‑мережевих даних, а також Micro‑Neighborhood® Targeting від OptimizeRx для споживчих аудиторій. Коли маркетолог вводить запит, система розбиває його на цільові параметри, такі як медичні спеціальності, обсяги пацієнтів та поведінка приписування, без використання статичних, заздалегідь створених сегментів аудиторії.

Оскільки на кону стоять реальні комерційні рішення, галюцинації запобігаються шляхом того, що модель ШІ діє як інтерпретатор, який запитує автентифіковані реєстри провайдерів та реальні клінічні набори даних. Платформа перетворює деталі запиту у верифіковані списки NPI та аудиторії Micro‑Neighborhood, дозволяючи маркетологам переглядати, ранжувати та уточнювати точні профілі лікарів і/або споживчі сегменти перед остаточним визначенням цільової аудиторії.

Традиційний фармацевтичний маркетинг часто спирався на відносно статичну сегментацію, засновану на історичній поведінці приписування. Як ШІ змінює цю модель, коли аудиторії можна безперервно переоцінювати на основі змінних шляхів пацієнтів та передбачуваних вікон догляду?

ШІ дає маркетологам можливість реагувати на зміни в шляху догляду в режимі реального часу. Об’єднуючи сигнали, такі як поведінка приписування, популяції пацієнтів, взаємодія HCP та інші контекстуальні дані, моделі можуть визначати, коли HCP і їх пацієнт наближаються до важливого рішення, і безперервно переоцінювати аудиторію на основі цього контексту.

Це означає, що активація аудиторії може розвиватися разом із шляхом догляду. Коли пацієнти входять у певну стадію догляду, бренд стає для них і їхнього лікувального HCP більш релевантним, і час, канал та повідомлення мають коригуватись у міру зміни цього вікна. З часом система може навчатися на цих взаємодіях і покращувати спосіб ідентифікації пацієнтів, HCP та часових рамок, які найімовірніше вплинуть на поведінку приписування.

Для фармацевтичних маркетологів це створює більш динамічний, синхронізований підхід до маркетингу HCP та споживачів, який поєднує історичну поведінку з сигналами в реальному часі, щоб визначити, кого залучати, коли це робити і що буде найбільш релевантним у цей момент.

Фундаментальні моделі надзвичайно потужні у роботі з мовою, тоді як спеціалізовані предиктивні моделі можуть краще підходити для структурованих даних охорони здоров’я та вузько визначених результатів. Як ви розглядаєте поєднання великих мовних моделей із більш традиційними системами машинного навчання при створенні продуктів ШІ для охорони здоров’я?

Чудове питання! Як я вже згадував раніше в розмові, мета не полягає в тому, щоб довільно комбінувати ці техніки ШІ просто заради розваги. Вона завжди спрямована на отримання більш точної прогнози, яка може краще вирішити конкретну проблему клієнта. Значна частина даних охорони здоров’я структурована (хоча вона може бути також «брудною», частковою та затриманою), що робить її ідеальною для прогнозування за допомогою числових та категоріальних ознак. Однак деякі аспекти конвеєра необроблених даних (наприклад, клінічні нотатки, креативний контент/текст) могли б використовувати фундаментальні LLM як попередній процесор для кодування ознаки перед її застосуванням до структурованої предиктивної задачі — наприклад, «чи готовий цей пацієнт перейти на інший бренд?»

OptimizeRx все більше поєднує інтелект HCP та прямий споживчий інтелект, щоб взаємодія з пацієнтами та провайдерами могла бути краще синхронізована. Як ШІ може з’єднати ці дві сторони шляху охорони здоров’я, зберігаючи при цьому межі конфіденційності, необхідні при роботі з чутливими даними про здоров’я?

ШІ поєднує взаємодію пацієнтів і постачальників медичних послуг, оцінюючи реальні клінічні сигнали для виявлення спільних моментів догляду, а не відстежуючи окремих людей. Технологія з’єднує дві сторони, аналізуючи анонімізовані тенденції популяції пацієнтів разом із поведінкою лікарів щодо призначень. Це дозволяє маркетинговим командам узгоджувати споживчу освіту, наприклад телевізійні, цифрові чи соціальні оголошення, з інформацією в точці надання допомоги в електронній медичній картці лікаря, забезпечуючи, щоб і пацієнт, і лікар отримували релевантну інформацію під час того самого рішення про лікування.

Для дотримання суворих вимог конфіденційності ШІ працює виключно з анонімізованими, агрегованими даними, використовуючи нашу запатентовану технологію Micro‑Neighborhood, про яку я згадував вище. Замість того, щоб орієнтуватися на окремих пацієнтів або використовувати персональне відстеження здоров’я, система аналізує клінічні тенденції на локальному, географічному рівні та перехресно порівнює їх з активністю лікарів у цьому районі. Такий підхід створює повністю синхронізовану кампанію, що поважає конфіденційність споживачів, забезпечуючи повну відповідність HIPAA та державним законам про конфіденційність, при цьому доставляючи своєчасні, координовані повідомлення про догляд.

У міру того, як ШІ переходить від генерування рекомендацій до впливу на те, кого контактувати, коли контактувати і яку дію слід виконати далі, наслідки помилкового прогнозу стають більш значущими. Де має залишатися обов’язковий людський контроль, і які рішення, на вашу думку, ШІ зможе зрештою приймати автономно?

У галузі наук про життя існує суттєва різниця між системою ШІ, яка визначає, яка аудиторія найбільш релевантна для освітнього повідомлення, і системою, яка приймає рішення, що можуть безпосередньо вплинути на догляд за пацієнтом. Чим ближче рішення, що базується на ШІ, підходить до клінічного судження, визначення пацієнтської придатності чи інших високовпливових результатів, тим важливішою стає людська відповідальність.

Існує також розрізнення між наглядом і втручанням. ШІ не обов’язково потребує схвалення людини для кожної дії низького ризику, проте йому потрібні чіткі межі, можливість аудиту та механізми виявлення, коли його поведінка виходить за межі цих меж. Це дозволяє людям залишатися відповідальними, не створюючи вузького місця, яке підриває цінність автоматизації.

Я вважаю, що ШІ може все частіше приймати автономні рішення щодо низькоризикових, високовольюмових активностей, таких як пріоритизація аудиторії, вибір каналів, таймінг і послідовність, коли ці рішення базуються на керованих даних і постійно моніторяться. Метою має бути залишення людського судження для рішень, де контекст, відповідальність і наслідки вимагають цього, дозволяючи ШІ справлятися з операційною складністю, яку люди просто не можуть масштабно керувати. Я також вважаю за важливе зберігати ліцензованих клініцистів у ролі «людей у циклі» на відповідних контрольних точках. І саме постачальники, у яких є лікарі‑медики в штаті, зможуть знайти баланс між масштабом і відповідністю.

Існує часто розрив між тим, як модель ШІ добре працює за технічними метриками, і тим, чи вона дійсно покращує результати у реальному світі. Які метрики мають найбільше значення при оцінці ШІ в комерціалізації наук про життя, і як уникнути оптимізації за проксі, такими як залученість, коли кінцева мета має бути кращі результати для пацієнтів?

ШІ у комерціалізації має оцінюватися в кінцевому підсумку за цінністю, яку він створює протягом усього шляху догляду, а не за тим, наскільки ефективно він може оптимізувати одну взаємодію. Це вимагає розуміння того, що залученість — це лише засіб до мети: клік, завершена взаємодія чи навіть дуже точний прогноз мають значення лише тоді, коли вони допомагають створити більш релевантне втручання, яке може вплинути на подальший розвиток подій.

Для наук про життя я б розглядав прогресію метрик — від якості аудиторії та часу втручання до змін у поведінці медичних працівників, таких як призначення, і, зрештою, до downstream‑впливу на пацієнтів. Проблема полягає в тому, що чим далі вниз по ланцюжку ви йдете, тим складніше виміряти та приписати результати, що спонукає оптимізувати метрики, які найпростіше збирати.

Саме тут важлива стратегія ШІ. Потрібно розробляти рамки вимірювання, які пов’язують продуктивність моделі та сигнали залученості з значущими поведінковими і, за можливості, клінічними результатами. У OptimizeRx це означає використання реальних даних охорони здоров’я, щоб зрозуміти не лише, чи ми досягли когось, а чи ми досягли правильної людини у правильний момент шляху догляду, і чи це втручання принесло вимірювану різницю.

Дивлячись на три‑п’ять років уперед, яким виглядатиме організація комерціалізації наук про життя, орієнтована на ШІ? Чи очікуєте ви, що автономні агенти почнуть самостійно керувати частинами комерційного циклу прийняття рішень, чи більш важливим буде еволюція, коли ШІ постійно надаватиме інтелектуальну підтримку людським командам?

Я вважаю, що концепція «агенту» може стати менш актуальною в майбутні роки. Натомість я уявляю, як компанії у сфері наук про життя перебудовують себе в екосистеми даних, якими будь‑яка технологія ШІ може довільно користуватися. Навіть через 5 років я не очікую, що багато «бізнес‑рішень» будуть повністю автоматизовані за допомогою агентів. Замість цього я передбачаю швидке зростання масштабу експериментів у сфері НДДКР і те, що інтелект, який впливає на комерційні рішення людей, стане значно потужнішим. Наразі компанії у галузі наук про життя організовані навколо структур, які визначають їхні способи роботи, згідно з законом Конвея. Тому ми спостерігаємо, що маркетинг для медичних працівників (HCP) та прямих споживачів (DTC) все ще ведеться у ізоляції, а команди аналітики та маркетингу не повністю узгоджені. Коли підґрунтова екосистема даних змінюється, людські команди також змінюються, стаючи більш крос‑функціональними, і, отже, залишаються у відповідності до закону Конвея. Організації швидше впроваджуватимуть інсайти, які ШІ вже може надати, а також нові інсайти, які ШІ запропонує в майбутньому, коли вона продовжуватиме ставати все більш складною.

Дякуємо за чудове інтерв’ю. Читачі, які хочуть дізнатися більше про компанію та її рішення в галузі медичних технологій, можуть відвідати OptimizeRx.