Kamya Elawadhi，Doceree 联合创始人兼总裁 – 访谈系列

Kamya Elawadhi，Doceree 的联合创始人兼总裁，是一位医疗健康营销和商业策略高管，自 2019 年加入公司以来在公司增长中发挥了核心作用。她先后担任平台战略、企业发展、客户服务和全球合作伙伴等领导职务，帮助将 Doceree 的技术转化为制药品牌、代理机构、出版商和卫生系统的可衡量价值。在当前岗位上，Elawadhi 负责公司全球增长议程，并支持其在美国的扩张，重点关注隐私意识强且临床相关的沟通。在加入 Doceree 之前，她曾在 HS Ad India 和 McCann Worldgroup 担任高级客户和账户领导角色，负责医疗健康、医疗器械和消费品牌，并领导跨职能和跨文化团队。

Doceree 是一个以 AI 为先的医疗健康营销操作系统，旨在帮助生命科学组织以更丰富的上下文和更高的精准度与医疗专业人士和患者互动。其平台融合了已验证的专业身份数据、实时的临床意图信号、程序化激活、临床现场互动以及协调跨渠道信息的 AI 推理层。通过将医生的认知和处方决策与患者的治疗路径（包括可负担性、首次处方填充和续方）相连接，Doceree 旨在为医疗营销人员提供更统一的活动绩效视图，同时支持隐私和监管合规。

您在 Doceree 的第一年加入公司，并在成为联合创始人兼总裁之前在打造其美国业务方面发挥了核心作用。最初是什么吸引您加入公司的创始愿景？随着 AI 在医疗健康领域变得日益重要，这一愿景又有何演变？

吸引我加入 Doceree 的是所要解决问题的清晰度。多年来，医疗健康营销一直依赖借来的基础设施，使用为其他行业构建的工具，却应用于全球监管最严格的环境之一。创始愿景是从零开始构建专为医疗健康量身定制的解决方案。

随着 AI 能力的提升，规模也随之扩大。最初，重点是精准：在恰当的时刻触达合适的医生。AI 拓展了这一时刻的可能性，从传递信息到读取意图、发起对话，并在整个护理旅程中实现互动的连贯。核心信念未变，雄心因工具的进步而增长。

Doceree 最近推出了面向 ChatGPT 和 Claude 的生成式 AI 连接器。这些集成提供了哪些功能？哪些医疗健康或制药团队最有可能从中受益？

与 ChatGPT、Claude 等平台的集成旨在将 Doceree 的临床和商业情报引入制药团队日常使用的工具中。品牌和代理团队无需在系统之间切换，便可在 AI 助手工作流中直接查询活动绩效、获取医护专业人士（HCP）互动洞察，并呈现可操作的建议。

受益最大的团队是需要快速、数据驱动决策的团队：在各市场跟踪活动绩效的品牌经理、监测 HCP 互动模式的代理团队、以及需要在无需等待报告的情况下整合多数据流的商业负责人。这消除了数据与决策之间一直存在的摩擦。对我而言，这正是核心价值所在。

生成式 AI 连接器在 Doceree 更广泛的 AI 战略中扮演何种角色？随着企业采纳的增长，您预计会添加哪些功能？

这些连接器作为 Daily Command 的一层，位于我们的制药专属推理模型 Semmelweis 与 Analytics Workbench 旁边。其背后的思路很直接：制药团队已经每天在 ChatGPT 和 Claude 中工作，因此我们将 Doceree 的临床情报嵌入他们已在使用的工具，并从一开始就内置符合 HIPAA 的安全防护。

随着采纳度提升，方向将转向更深入的主动情报。构建能够在用户提出请求之前就呈现正确信号的系统。这正是我们正在打造的目标。

Doceree 使用“临床情报”一词来描述其技术的一部分。从架构角度来看，这意味着什么？它如何补充底层大语言模型的能力？

从本质上讲，临床情报是使通用 AI 能够应用于医疗健康的层级。大语言模型能力非凡，但它们并不天然理解诊断代码、处方模式，或医生为特定患者画像选择特定疗法的含义。临床情报正是弥合这一差距的桥梁。

在架构上，它位于来自临床工作流的原始数据信号与解释这些信号的 AI 模型之间。它提供了将输出转化为可操作而非通用的上下文。没有它，强大的模型只能处理不完整的信息；有了它，模型才能真正影响真实的临床时刻。

Doceree 的 Semmelweis AI 系统如何帮助解读医疗数据并将其转化为制药团队可用的洞察？

Semmelweis 基于一个简单理念：医疗数据只有在能够在临床背景下解读时才有价值，而非仅仅大规模处理。制药团队拥有海量的互动和处方数据，但一直存在从拥有数据到知道如何使用之间的鸿沟。

Semmelweis 通过读取临床旅程中的信号，识别意图形成或消退的节点，从而弥合这一差距。这些洞察直接注入 Daily Command——我们为制药品牌团队设计的 AI 工作系统，将模式识别转化为商业团队可立即采取行动的建议，无需现场的数据科学团队。

ChatGPT 与 Claude 拥有不同的模型、界面和企业环境。贵团队在为两平台打造一致体验时遇到了哪些技术挑战？

核心挑战在于确保无论用户使用哪一平台，所有提示和响应都保持在相同的合规防护范围内。医疗数据不会因使用的 AI 助手不同而改变。真正的工作是构建一个受治理的集成层，位于 Doceree 的临床情报与两平台之间，确保答案始终基于 Semmelweis 推理和 Doceree 数据，并且全程可审计。实现合规性的一致性是更难解决的问题。

这些连接器如何帮助用户了解 AI 生成洞察的来源以及哪些数据或推理贡献了该响应？

通过连接器的每一次响应都基于 Doceree 数据和 Semmelweis 推理。当品牌团队提出商业问题时，响应会依托于临床意图信号、身份数据以及其品牌特定的活动输入。整个工作流全程受治理且可审计。在受监管的行业中，这种可追溯性是 AI 在商业决策情境中真正可用的关键，这也是从第一天起的设计原则。

医疗组织经常处理敏感数据并面临复杂的监管要求。这些集成在设计时如何纳入隐私、安全、访问控制和合规性？

这是一开始即作为设计原则加以考虑的。连接器的构建确保患者数据永不进入工作流，所有操作仅基于去标识化的 HCP 背景。每个提示和响应都遵循 HIPAA 安全防护，整个工作流全程受治理且可审计。

实际上，这意味着品牌团队可以在 ChatGPT 或 Claude 中提出商业问题，并获得基于临床情报的答案，而无需承担将敏感医疗数据连接到通用 AI 助手所带来的隐私风险。防护措施是该集成构建的基础。

您如何评估系统输出的质量，包括其准确性、相关性、一致性以及对医疗专业人士的实用性？

在此语境下，质量有着非常明确的定义。输出只有在促成更佳商业决策时才有价值，这也是我们评估的核心：是否通过采纳该输出推动关键指标提升，是否提升 HCP 阶段进展、首次填充率、活动绩效等。

闭环机制使这一切成为可能。Daily Command 旨在将结果反馈至推理模型，使每条建议都因实际效果而得到优化。这不同于通用 AI 助手对输出进行孤立评估的方式。这里，系统通过用户采纳建议后的实际表现学习，随着时间推移，这才是唯一客观的质量衡量。

随着制药公司采用生成式 AI，在面向临床医生和患者的沟通中，应遵循哪些原则以确保负责任的使用？

我最常回归的原则是：医疗健康领域的 AI 应当降低不确定性，而非制造不确定性。当临床医生收到影响治疗决策的信息时，该信息的来源及其背后的推理必须可追溯。这是信任的基本标准。

除可追溯性外，我认为负责任的使用意味着在任何具有临床或商业影响的环节中保留人为参与。AI 负责推荐和呈现，决策与批准仍由人完成。一旦这条界限模糊，风险便会超过收益。

合规必须体现在架构层面，而非仅仅是政策。 在医疗健康领域，这两者的差别决定了一切。

感谢这次精彩的访谈，想了解更多的读者请访问 Doceree。