Mike Rousselle, Giám đốc Trí tuệ Nhân tạo tại OptimizeRx – Chuỗi Phỏng vấn

Mike Rousselle, Giám đốc Trí tuệ Nhân tạo tại OptimizeRx, là một giám đốc điều hành trong lĩnh vực trí tuệ nhân tạo và công nghệ chăm sóc sức khỏe với gần 15 năm kinh nghiệm áp dụng AI để tạo ra giá trị kinh doanh. Trong vai trò hiện tại, ông dẫn dắt việc phát triển và ứng dụng các công nghệ dựa trên AI nhằm làm cho giao tiếp giữa các công ty khoa học đời sống, các chuyên gia chăm sóc sức khỏe (HCP) và bệnh nhân trở nên có liên quan lâm sàng hơn và có thể hành động được. Công việc của ông bao gồm trí tuệ dự đoán, các tín hiệu hành vi và lâm sàng, việc nhắm mục tiêu khán giả, và các công cụ hỗ trợ AI giúp xác định các thời điểm quan trọng trong điều trị và kê đơn. Trước khi gia nhập OptimizeRx, Rousselle đã giữ các vị trí tại Athenahealth, Clarivate và HubSpot, mang lại kinh nghiệm trong lĩnh vực chăm sóc sức khỏe, dữ liệu và công nghệ doanh nghiệp. Ông có bằng cử nhân Kinh tế và Tài chính từ Rochester Institute of Technology.

OptimizeRx là một công ty công nghệ chăm sóc sức khỏe kết nối các tổ chức khoa học đời sống với các nhà cung cấp dịch vụ y tế và bệnh nhân bằng cách sử dụng dữ liệu, trí tuệ nhân tạo và các công nghệ tương tác kỹ thuật số. Được thành lập vào năm 2006, công ty ban đầu tập trung vào việc cung cấp phiếu giảm giá và hỗ trợ đồng chi trả thông qua hệ thống hồ sơ sức khỏe điện tử (EHR) và nền tảng kê đơn điện tử, nhưng sau đó đã mở rộng thành một nền tảng tiếp thị chăm sóc sức khỏe và tương tác với bệnh nhân rộng hơn. Công nghệ của công ty kết hợp các tín hiệu sức khỏe thực tế, trí tuệ dự đoán, tích hợp tại điểm chăm sóc, và kích hoạt đa kênh để giúp các công ty dược phẩm xác định các khán giả HCP và bệnh nhân có liên quan và tương tác với họ trong những thời điểm then chốt của hành trình điều trị. Gần đây, OptimizeRx đã mở rộng khả năng AI với các công cụ như Natural Language Audience Builder, cho phép các nhà tiếp thị chăm sóc sức khỏe tạo ra các khán giả HCP và người tiêu dùng bảo mật quyền riêng tư bằng các lời nhắc bằng ngôn ngữ tự nhiên.

Bạn đã dành gần 15 năm áp dụng AI vào các vấn đề kinh doanh trên nhiều tổ chức, bao gồm Athenahealth, Clarivate và HubSpot, và tại OptimizeRx bạn đã tiến từ việc dẫn dắt các sản phẩm dữ liệu đến vị trí Giám đốc Trí tuệ Nhân tạo. Hành trình đó đã hình thành quan điểm của bạn như thế nào về nơi AI có thể tạo ra giá trị thực sự trong chăm sóc sức khỏe, so với những ứng dụng có thể ấn tượng về công nghệ nhưng cuối cùng lại hời hợt

Một trong những bài học quan trọng nhất trong sự nghiệp của tôi là dù AI có “ngầu” đến đâu và dù việc sử dụng nó có thú vị như thế nào, thì cũng không quan trọng LÚC NÀO nếu AI không được dùng để giải quyết vấn đề của khách hàng. Không phải là sử dụng AI như một điểm khởi đầu; mà là tập trung vào những thách thức và bất cập cụ thể trong chăm sóc sức khỏe mà chúng ta có thể cải thiện.

Tại OptimizeRx, chúng tôi hướng tới giải quyết một thách thức cơ bản duy nhất: đồng bộ thông tin và truyền thông thương hiệu chặt chẽ hơn với hành trình của bệnh nhân, để họ có thể hỗ trợ quyết định chăm sóc tốt hơn. Điều này giúp các bác sĩ, những người bị ngập tràn quảng cáo có thể phù hợp hoặc không phù hợp với họ và bệnh nhân của họ. Nó giúp bệnh nhân, những người tiếp xúc với thông tin sức khỏe không liên quan hoặc không chính xác trên mạng xã hội và các kênh tiêu dùng khác.  Và nó giúp các thương hiệu khoa học đời sống, những người luôn chịu áp lực phải đạt mục tiêu thương mại. Ngọn đèn dẫn của chúng tôi để giải quyết những thách thức này là bệnh nhân đủ tiêu chuẩn cho thương hiệu.

Nếu chúng ta sử dụng AI để tìm họ sớm hơn, chính xác hơn, và chỉ ở thời điểm họ trở nên sẵn sàng cho thương hiệu, chúng ta có thể cung cấp thông tin có giá trị cao hơn cho nhà cung cấp của họ, đưa ra quảng cáo DTC (trực tiếp tới người tiêu dùng) phù hợp hơn, và giúp thương hiệu chi tiêu ngân sách truyền thông một cách hiệu quả và có tác động hơn.

Phần lớn các cuộc trò chuyện về AI doanh nghiệp gần đây đã tập trung vào AI sinh ra và tạo nội dung. Bạn đã lập luận cho việc chuyển sang AI giúp các tổ chức đưa ra quyết định. Điều gì làm nên sự khác biệt của “trí tuệ quyết định” thực sự so với việc chỉ đơn giản đặt một giao diện AI sinh ra lên trên các phân tích hiện có?

Sự khác biệt phụ thuộc vào việc AI chỉ giúp bạn truy cập thông tin, hay thực sự giúp bạn đưa ra quyết định tốt hơn. Việc đặt một giao diện AI sinh ra lên trên phân tích có thể làm cho dữ liệu dễ truy vấn hoặc tóm tắt hơn, nhưng trí tuệ nền tảng vẫn chưa thay đổi cơ bản. Bạn vẫn đang yêu cầu một người để diễn giải thông tin, xác định những gì quan trọng, và quyết định bước tiếp theo.

Trí tuệ quyết định thực sự lấp đầy khoảng cách đó bằng cách kết hợp nhiều tín hiệu, nhận dạng mẫu và ngữ cảnh, dự đoán các kết quả có khả năng xảy ra, và chuyển đổi những hiểu biết thành các hành động đề xuất. Cũng quan trọng không kém, trí tuệ quyết định cũng học từ kết quả của những hành động đó và sử dụng dữ liệu để liên tục cải thiện các đề xuất trong tương lai. Trong tiếp thị khoa học đời sống, ví dụ, điều này có nghĩa là vượt ra ngoài việc chỉ báo cáo hiệu suất chiến dịch để dự đoán những khán giả có khả năng phản hồi cao nhất (và trên những kênh nào), dự đoán thông điệp nào là phù hợp, và đo lường độ chính xác của những dự đoán đó. Giá trị nằm ở trí tuệ vòng khép kín, tức là khả năng biến dữ liệu thành quyết định và liên tục cải thiện những quyết định đó theo thời gian. Đó là bí quyết thực sự giúp các nhà tiếp thị phân bổ nguồn lực một cách thích hợp và hiệu quả hơn.

Nền tảng Kích hoạt Khán giả Động của OptimizeRx sử dụng AI và dữ liệu thực tế để xác định các nhà cung cấp dịch vụ y tế đang điều trị những bệnh nhân có khả năng đủ tiêu chuẩn và dự đoán thời điểm tương tác có thể mang lại hiệu quả nhất. Những loại tín hiệu nào là có giá trị nhất cho các mô hình dự đoán này, và làm thế nào bạn xác định liệu mô hình đã phát hiện ra một mẫu lâm sàng có ý nghĩa hay chỉ là một mối tương quan gây hiểu lầm?

Giá trị của một tín hiệu phụ thuộc vào thời điểm và tính thực tiễn y tế, trong khi độ chính xác được duy trì nhờ logic lâm sàng rõ ràng và việc theo dõi kết quả liên tục. Chúng tôi tập trung vào các chỉ báo đơn giản như khi bệnh nhân cần chuyển đổi thuốc, các kết quả xét nghiệm quan trọng, và các cuộc hẹn khám sắp tới. Kết hợp lịch sử sức khỏe của bệnh nhân với thời điểm phù hợp trong lần thăm khám là yếu tố tạo nên hiệu quả của chiến dịch tiếp cận.

Để ngăn mô hình rượt đuổi những mẫu sai lệch, chẳng hạn nhầm lẫn giữa bác sĩ đa khoa bận rộn và chuyên gia thực sự quản lý bệnh, chúng tôi hướng dẫn công nghệ dựa trên các hướng dẫn y tế tiêu chuẩn và các khung thời gian điều trị thực tế. Sau đó, chúng tôi kiểm tra lại kết quả bằng dữ liệu kê đơn thực tế và các nhóm so sánh để đảm bảo chỉ tập trung vào những thời điểm dẫn đến thay đổi thực sự trong chăm sóc bệnh nhân.

OptimizeRx gần đây đã ra mắt Trình xây dựng Khán giả Ngôn ngữ Tự nhiên, cho phép các nhà tiếp thị mô tả một khán giả bằng ngôn ngữ tự nhiên và chuyển yêu cầu đó thành các khán giả HCP và người tiêu dùng được phối hợp, gắn thương hiệu. Điều gì xảy ra về mặt kỹ thuật giữa lời nhắc ban đầu và khán giả cuối cùng, và làm sao bạn ngăn ngừa sự mơ hồ hoặc ảo tưởng ảnh hưởng đến quyết định thực tế?

Quá trình dựa vào AI ngôn ngữ để diễn giải, đồng thời dựa vào dữ liệu lâm sàng thực tế và mạng lưới EHR để tạo ra danh sách NPI cuối cùng, cùng với tính năng Micro-Neighborhood® Targeting của OptimizeRx cho các khán giả người tiêu dùng. Khi nhà tiếp thị nhập một lời nhắc, hệ thống sẽ phân tách yêu cầu thành các tham số mục tiêu, chẳng hạn như chuyên ngành y tế, khối lượng bệnh nhân và hành vi kê đơn, mà không dựa vào các phân khúc khán giả tĩnh, đã được xây dựng sẵn.

Vì các quyết định thương mại thực tế đang đặt cược, các ảo tưởng được ngăn chặn bằng cách đảm bảo mô hình AI hoạt động như một bộ diễn giải, truy vấn các danh bạ nhà cung cấp đã xác thực và các bộ dữ liệu lâm sàng thực tế. Nền tảng chuyển đổi chi tiết lời nhắc thành danh sách NPI đã được xác minh và các khán giả Micro-Neighborhood, cho phép nhà tiếp thị xem, xếp hạng và tinh chỉnh các hồ sơ bác sĩ và/hoặc phân khúc người tiêu dùng phù hợp trước khi hoàn thiện khán giả mục tiêu.

Tiếp thị dược phẩm truyền thống thường dựa vào phân khúc tương đối tĩnh dựa trên hành vi kê đơn trong quá khứ. AI thay đổi mô hình này như thế nào khi các khán giả có thể được ưu tiên lại liên tục dựa trên hành trình bệnh nhân thay đổi và các cửa sổ chăm sóc dự đoán?

AI cung cấp cho các nhà tiếp thị khả năng phản hồi nhanh với những thay đổi trong hành trình chăm sóc ngay khi chúng xảy ra. Bằng cách tổng hợp các tín hiệu như hành vi kê đơn, quần thể bệnh nhân, tương tác HCP và các dữ liệu ngữ cảnh khác, các mô hình có thể xác định khi một HCP và bệnh nhân của họ đang tiến tới một điểm quyết định quan trọng và liên tục ưu tiên lại khán giả dựa trên ngữ cảnh đó.

Điều đó có nghĩa là việc kích hoạt khán giả có thể phát triển đồng hành cùng hành trình chăm sóc. Khi bệnh nhân bước vào một giai đoạn cụ thể của quá trình điều trị, thương hiệu trở nên phù hợp hơn với họ và HCP đang điều trị, và thời gian, kênh, cũng như thông điệp cần được điều chỉnh theo cửa sổ đó. Theo thời gian, hệ thống có thể học từ những tương tác này và cải thiện cách xác định những bệnh nhân, HCP và khung thời gian có khả năng ảnh hưởng đến hành vi kê đơn nhất.

Đối với các nhà tiếp thị dược phẩm, điều này tạo ra một cách tiếp cận năng động, đồng bộ hơn đối với tiếp thị HCP và người tiêu dùng, kết hợp hành vi lịch sử với các tín hiệu thời gian thực để xác định ai cần tiếp cận, khi nào nên tiếp cận và nội dung nào sẽ mang lại sự phù hợp nhất tại thời điểm đó.

Các mô hình nền tảng rất mạnh trong việc xử lý ngôn ngữ, trong khi các mô hình dự đoán chuyên biệt có thể phù hợp hơn với dữ liệu y tế có cấu trúc và các kết quả được định nghĩa hẹp. Bạn nghĩ sao về việc kết hợp các mô hình ngôn ngữ lớn với các hệ thống học máy truyền thống khi xây dựng các sản phẩm AI trong lĩnh vực y tế?

Câu hỏi tuyệt vời! Như tôi đã đề cập ở đầu cuộc trò chuyện, mục tiêu không phải là kết hợp tùy tiện các kỹ thuật AI chỉ vì nó thú vị. Mục tiêu luôn là đạt được dự đoán chính xác hơn, giúp giải quyết tốt hơn một vấn đề cụ thể của khách hàng. Rất nhiều dữ liệu y tế có cấu trúc (mặc dù đôi khi chúng cũng có thể bẩn, không đầy đủ và chậm trễ), điều này khiến chúng rất phù hợp cho việc dự đoán bằng các đặc trưng số và phân loại. Tuy nhiên, một số khía cạnh của quy trình dữ liệu thô (ví dụ: ghi chú lâm sàng, nội dung sáng tạo/ văn bản) có thể sử dụng các mô hình ngôn ngữ nền tảng làm bộ tiền xử lý để mã hoá đặc trưng trước khi áp dụng vào vấn đề dự đoán có cấu trúc – như “bệnh nhân này đã sẵn sàng chuyển sang thương hiệu khác chưa?”.

OptimizeRx đang ngày càng kết nối trí tuệ HCP và người tiêu dùng trực tiếp để việc tương tác với bệnh nhân và nhà cung cấp có thể được đồng bộ tốt hơn. AI có thể kết nối hai phía của hành trình chăm sóc sức khỏe như thế nào trong khi vẫn duy trì các ranh giới riêng tư cần thiết khi làm việc với dữ liệu sức khỏe nhạy cảm?

AI kết nối sự tương tác giữa bệnh nhân và nhà cung cấp bằng cách đánh giá các tín hiệu lâm sàng thực tế để xác định các thời điểm chăm sóc chung, thay vì theo dõi từng cá nhân. Công nghệ này kết nối hai phía bằng cách phân tích xu hướng dân số bệnh nhân đã được ẩn danh cùng với hành vi kê đơn của bác sĩ. Điều này cho phép các đội ngũ tiếp thị đồng bộ giáo dục người tiêu dùng, như quảng cáo truyền hình, kỹ thuật số hoặc mạng xã hội, với thông tin tại điểm chăm sóc trong hệ thống hồ sơ sức khỏe điện tử của bác sĩ, đảm bảo cả bệnh nhân và bác sĩ đều nhận được thông tin liên quan vào cùng một thời điểm quyết định điều trị.

Để duy trì tuân thủ nghiêm ngặt về quyền riêng tư, AI hoạt động hoàn toàn trên dữ liệu đã được ẩn danh và tổng hợp, sử dụng công nghệ Micro-Neighborhood đã được cấp bằng sáng chế mà tôi đã đề cập ở trên. Thay vì nhắm mục tiêu vào từng bệnh nhân riêng lẻ hoặc sử dụng theo dõi sức khỏe cá nhân, hệ thống phân tích các xu hướng lâm sàng ở mức độ địa lý cục bộ và đối chiếu những xu hướng này với hoạt động của bác sĩ trong khu vực. Cách tiếp cận này tạo ra một chiến dịch đồng bộ hoàn toàn, tôn trọng quyền riêng tư của người tiêu dùng, đảm bảo tuân thủ đầy đủ HIPAA và các luật bảo mật của tiểu bang đồng thời vẫn cung cấp thông điệp chăm sóc kịp thời và phối hợp.

As AI chuyển từ việc tạo ra khuyến nghị sang việc ảnh hưởng đến ai sẽ được liên hệ, khi nào họ được liên hệ, và hành động tiếp theo nên là gì, hậu quả của một dự đoán sai lệch trở nên đáng kể hơn. Giám sát của con người nên bắt buộc ở đâu, và bạn tin rằng AI cuối cùng có thể tự động đưa ra quyết định nào?

Trong lĩnh vực khoa học đời sống, có một sự khác biệt quan trọng giữa hệ thống AI xác định đối tượng nào là phù hợp nhất cho một thông điệp giáo dục và hệ thống đưa ra quyết định có thể ảnh hưởng trực tiếp đến việc chăm sóc bệnh nhân. Khi quyết định do AI điều khiển càng gần tới phán đoán lâm sàng, tiêu chuẩn đủ điều kiện của bệnh nhân, hoặc các kết quả có tác động cao khác, trách nhiệm của con người càng trở nên quan trọng.

Cũng có một sự phân biệt giữa giám sát và can thiệp. AI không nhất thiết phải có người phê duyệt mỗi hành động ít rủi ro, nhưng nó cần có ranh giới rõ ràng, khả năng kiểm toán và cơ chế phát hiện khi hành vi của nó vượt ra ngoài những ranh giới đó. Điều này cho phép con người vẫn chịu trách nhiệm mà không tạo ra nút thắt làm suy giảm giá trị của tự động hoá.

Tôi tin rằng AI có thể ngày càng đưa ra các quyết định tự động trong các hoạt động có rủi ro thấp, khối lượng lớn, chẳng hạn như ưu tiên khán giả, lựa chọn kênh, thời gian và thứ tự, khi những quyết định này dựa trên dữ liệu được quản lý và được giám sát liên tục. Mục tiêu nên là giữ lại phán đoán của con người cho những quyết định mà ngữ cảnh, trách nhiệm và hậu quả yêu cầu sự can thiệp, trong khi cho phép AI xử lý độ phức tạp vận hành mà con người không thể quản lý ở quy mô lớn. Tôi cũng cho rằng việc duy trì các bác sĩ có giấy phép làm “con người trong vòng lặp” tại các điểm kiểm tra thích hợp là có giá trị. Và các nhà cung cấp có bác sĩ (MD) trong đội ngũ sẽ là những người cân bằng được quy mô và tuân thủ.

Thường có một khoảng cách giữa mô hình AI hoạt động tốt theo các chỉ số kỹ thuật và thực sự cải thiện kết quả trong thực tế. Những chỉ số nào quan trọng nhất khi đánh giá AI trong thương mại hoá khoa học đời sống, và làm thế nào để tránh tối ưu hoá các chỉ số phụ như mức độ tương tác khi mục tiêu cuối cùng nên là cải thiện kết quả cho bệnh nhân?

AI trong thương mại hoá cuối cùng nên được đánh giá dựa trên giá trị mà nó tạo ra trong suốt hành trình chăm sóc, chứ không phải dựa trên mức độ hiệu quả trong việc tối ưu hoá một tương tác duy nhất. Điều này đòi hỏi phải nhận ra rằng mức độ tương tác chỉ là phương tiện để đạt mục tiêu: một cú nhấp, một tương tác hoàn thành, hoặc ngay cả một dự đoán rất chính xác chỉ có ý nghĩa nếu nó giúp tạo ra một can thiệp phù hợp hơn, có thể ảnh hưởng đến những gì sẽ xảy ra tiếp theo.

Đối với khoa học đời sống, tôi sẽ xem xét quá trình tiến triển của các chỉ số – từ chất lượng khán giả và thời điểm can thiệp, đến những thay đổi trong hành vi của HCP như việc kê đơn, và cuối cùng là tác động xuống dây chuyền tới bệnh nhân. Thách thức là khi tiến xa hơn xuống dây chuyền, việc đo lường và gán nhãn kết quả trở nên khó khăn hơn, khiến người ta dễ bị thu hút tối ưu hoá các chỉ số dễ thu thập nhất.

Đó là nơi chiến lược AI trở nên quan trọng. Chúng ta cần thiết kế các khung đo lường kết nối hiệu suất mô hình và các tín hiệu tương tác với những hành vi có ý nghĩa và, nếu có thể, các kết quả lâm sàng. Tại OptimizeRx, điều này có nghĩa là sử dụng dữ liệu chăm sóc sức khỏe thực tế để hiểu không chỉ chúng ta đã tiếp cận ai, mà còn liệu chúng ta đã tiếp cận đúng người vào đúng thời điểm trong hành trình chăm sóc, và liệu can thiệp đó có tạo ra sự khác biệt có thể đo lường được hay không.

Nhìn về phía trước ba đến năm năm, một tổ chức thương mại hoá khoa học đời sống gốc AI sẽ trông như thế nào? Bạn có kỳ vọng các tác nhân tự động sẽ bắt đầu tự quản lý các phần của vòng quyết định thương mại, hay sự tiến hóa quan trọng hơn sẽ là AI liên tục cung cấp trí tuệ cho các đội ngũ con người?

Tôi nghĩ khung “agent” có thể sẽ không còn phù hợp trong những năm tới. Thay vào đó, tôi nghĩ về việc các công ty khoa học đời sống tái cấu trúc thành các hệ sinh thái dữ liệu mà bất kỳ công nghệ AI nào cũng có thể sử dụng một cách tùy ý. Ngay cả trong 5 năm tới, tôi không mong đợi nhiều “quyết định kinh doanh” sẽ được tự động hoá hoàn toàn thông qua các agent. Thay vào đó, tôi dự đoán quy mô các thí nghiệm ở phía R&D sẽ tăng nhanh, và tôi kỳ vọng trí tuệ đưa vào quyết định thương mại của con người sẽ mạnh mẽ hơn rất nhiều. Hiện tại, các công ty khoa học đời sống được tổ chức dựa trên cấu trúc tổ chức, sau đó quyết định cách họ vận hành, theo Định luật Conway. Do đó, chúng ta vẫn thấy tiếp thị HCP và DTC được thực hiện riêng rẽ, và các đội phân tích và tiếp thị chưa hoàn toàn đồng bộ. Khi hệ sinh thái dữ liệu nền tảng thay đổi, các đội nhân sự sẽ tự thay đổi, trở nên đa chức năng hơn, và do đó vẫn phù hợp với Định luật Conway. Các tổ chức sẽ nhanh chóng triển khai các hiểu biết mà AI đã có thể cung cấp, cũng như những hiểu biết mới mà AI sẽ mang lại trong tương lai khi nó tiếp tục trở nên tinh vi hơn.

Cảm ơn bạn đã tham gia phỏng vấn tuyệt vời. Độc giả muốn tìm hiểu thêm về công ty và các giải pháp công nghệ chăm sóc sức khỏe của họ có thể truy cập OptimizeRx.