Mike Rousselle，OptimizeRx 首席人工智能官 – 访谈系列

Mike Rousselle，OptimizeRx 首席人工智能官，拥有近 15 年将人工智能应用于创造商业价值的人工智能和医疗技术高管经验。在当前岗位上，他领导 AI 驱动技术的开发与应用，旨在使生命科学公司、医疗专业人士（HCP）和患者之间的沟通更具临床相关性和可操作性。他的工作涵盖预测情报、行为和临床信号、受众定位以及帮助识别重要治疗和处方时机的 AI 驱动工具。加入 OptimizeRx 之前，Rousselle 曾在 Athenahealth、Clarivate 和 HubSpot 任职，积累了跨医疗、数据和企业技术的经验。他拥有 Rochester Institute of Technology 的经济学和金融学学士学位。

OptimizeRx 是一家医疗技术公司，利用数据、人工智能和数字互动技术将生命科学组织与医疗提供者和患者连接起来。公司成立于 2006 年，最初专注于通过电子健康记录（EHR）和电子处方平台提供优惠券和共付援助，但此后已扩展为更广泛的医疗营销和患者互动平台。其技术结合真实世界健康信号、预测情报、现场护理集成和全渠道激活，帮助制药公司识别相关的 HCP 和患者受众，并在治疗旅程的关键时刻与之互动。最近，OptimizeRx 通过其 Natural Language Audience Builder 等工具扩展了 AI 能力，该工具允许医疗营销人员使用自然语言提示创建 HCP 和隐私安全的消费者受众。

您在包括 Athenahealth、Clarivate 和 HubSpot 在内的多个组织中，近 15 年致力于将 AI 应用于业务问题，并在 OptimizeRx 从领导数据产品晋升为首席人工智能官。这个旅程如何塑造您对 AI 在医疗保健中能够创造有意义价值的看法，而不是那些技术上令人印象深刻但最终表面化的应用？

在我的职业生涯中，我的一个关键体会是，尽管我觉得 AI “很酷”，而且使用起来也很有趣，但如果 AI 并未服务于客户的问题，那根本毫无意义。关键不在于把 AI 作为起点，而在于聚焦于我们能够改进的医疗保健中的具体挑战和低效环节。

在 OptimizeRx，我们致力于解决一个单一且根本的挑战：将品牌信息和沟通更紧密地与患者旅程对齐，以便更好地支持护理决策。这有助于那些被大量可能不相关广告淹没的医生以及他们的患者。它帮助那些在社交媒体和其他消费者渠道上接触到不相关或不准确信息的患者。同时，也帮助不断面临实现商业目标压力的生命科学品牌。我们解决这些挑战的核心是“符合品牌资格的患者”。

如果我们使用 AI 更早、更精确地找到他们，并在他们变得符合品牌条件的关键时刻 恰好 ，我们就能向其提供者提供更高价值的信息，提供更相关的 DTC 广告，并帮助品牌更高效且更有影响力地使用媒体预算。

近期企业 AI 讨论大多聚焦于生成式 AI 和内容创作。您主张转向帮助组织做出决策的 AI。真正的“决策智能”与仅在现有分析之上套用生成式 AI 界面有何区别？

区别在于 AI 是仅帮助您获取信息，还是实际上帮助您做出更好的决策。将生成式 AI 界面叠加在分析之上可以让数据更易查询或汇总，但底层智能并未根本改变。您仍然需要让人来解释信息、判断重要性并决定下一步行动。

真正的决策智能通过整合多种信号、识别模式和上下文、预测可能的结果，并将这些洞察转化为推荐行动，从而弥合这一差距。同样重要的是，决策智能还 学习 这些行动的结果，并利用这些数据持续改进未来的推荐。例如，在生命科学营销中，这意味着不仅仅报告活动表现，而是预测哪些受众最有可能响应（以及通过哪些渠道），预判哪条信息相关，并衡量这些预测的准确性。其价值在于闭环智能，即将数据转化为决策并随时间持续改进这些决策的能力。这才是真正帮助营销人员更恰当地、高效分配资源的关键。

OptimizeRx 的动态受众激活平台使用 AI 和真实世界数据来识别为潜在合格患者提供治疗的医疗提供者，并预测何时的互动最为相关。哪些类型的信号对这些预测模型最有价值，您如何判断模型识别的是有意义的临床模式而非误导性的相关性？

信号的价值取决于时机和实际的医学相关性，而准确性则通过清晰的临床逻辑和持续的结果追踪得以保持。我们关注的指标很直接，例如患者何时需要更换药物、关键实验室结果以及即将到来的医生预约。将患者的健康史与就诊时的恰当时机相结合，就是实现有效外展的关键。

为了防止模型追随误导性模式，例如将忙碌的全科医生误认为是实际管理该疾病的专科医生，我们使用标准医学指南和真实的治疗时间线来引导技术。随后，我们将结果与真实世界的处方数据和对照组进行交叉验证，确保只关注能够真正改变患者护理的时机。

OptimizeRx 最近推出了自然语言受众构建器，允许营销人员使用自然语言描述受众，并将该请求转化为品牌特定、协调一致的 HCP 与消费者受众。技术上在最初的提示与最终受众之间发生了什么，以及如何防止歧义或幻觉影响最终的真实决策？

该过程核心是使用语言 AI 进行解释，同时依赖真实世界的临床和 EHR 网络数据生成最终的 NPI 列表输出，以及 OptimizeRx 的 Micro‑Neighborhood® 定位用于消费者受众。当营销人员输入提示时，系统会将请求拆解为目标参数，如医学专科、患者量和处方行为，而不依赖于静态的预构建受众细分。

由于真实世界的商业决策悬而未决，幻觉通过确保 AI 模型充当查询已认证提供者注册表和真实临床数据集的解释器来被防止。平台将提示细节转化为已验证的 NPI 列表和 Micro‑Neighborhood 受众，使营销人员能够在最终确定目标受众之前查看、排序并细化完全匹配的医生档案和/或消费者细分。

传统的药品营销往往依赖于基于历史处方行为的相对静态细分。AI 在受众可以根据不断变化的患者旅程和预测的护理窗口持续重新排序时，如何改变这一模型？

AI 赋予营销人员实时响应护理旅程变化的能力。通过整合处方行为、患者群体、HCP 互动以及其他情境数据等信号，模型能够识别 HCP 及其患者何时接近关键决策点，并基于该情境持续重新排序受众。

这意味着受众激活可以随护理旅程同步演进。当患者进入特定的护理阶段时，品牌对他们及其治疗 HCP 的相关性会提升，时间、渠道和信息也应随该窗口的变化而调整。随着时间推移，系统能够从这些互动中学习，改进对最有可能影响处方行为的患者、HCP 和时间段的识别。

对于药品营销人员而言，这创造了一种更具动态性、同步性的 HCP 与消费者营销方式，将历史行为与实时信号相结合，以确定谁该被触达、何时触达以及当时最相关的内容。

基础模型在语言处理方面极为强大，而专门的预测模型可能更适合结构化的医疗数据和狭义的结果。构建医疗 AI 产品时，您如何看待将大语言模型与更传统的机器学习系统相结合？

好问题！正如我在对话前面提到的，目标并不是仅仅因为好玩而随意组合这些 AI 技术，而是始终追求更精准的预测，以更好地解决特定客户问题。大量医疗数据是结构化的（即使它们有时也会脏、部分缺失或滞后），这使其非常适合使用数值和分类特征进行预测。话虽如此，原始数据管道中的某些环节（例如临床笔记、创意内容/文本）可以利用基础 LLM 作为预处理器，对特征进行编码后再用于结构化预测问题——比如“该患者是否准备更换品牌”。

OptimizeRx 正在日益将 HCP 与直面消费者的情报相连接，以便更好地同步患者和提供者的互动。AI 如何在保持处理敏感健康数据所需的隐私界限的同时，连接这两端的医疗旅程？

AI通过评估真实世界的临床信号来识别共享的护理时刻，从而连接患者与提供者的互动，而不是追踪个人。该技术通过分析去标识化的患者群体趋势以及医生的处方行为来实现双方的连接。这使得营销团队能够将面向消费者的教育（如电视、数字或社交广告）与医生电子健康记录系统中的临床点信息相匹配，确保患者和医生在同一治疗决策点获得相关信息。

为保持严格的隐私合规性，AI 完全在去标识化的聚合数据上运行，采用我们上述提到的专利微邻域技术。系统不针对单个患者或使用个人健康追踪，而是分析本地化的地理层面的临床趋势，并将这些趋势与该地区医生的活动进行交叉参考。这种方法创建了一个完全同步的活动，尊重消费者隐私，确保完全符合 HIPAA 和各州隐私法的要求，同时仍能提供及时、协调的护理信息。

随着 AI 从生成建议转向影响联系对象、联系时间以及下一步应采取的行动，错误预测的后果变得更加重大。人类监督应在何处保持强制性，哪些决策您认为 AI 最终可以自主完成？

在生命科学领域，AI 系统决定哪类受众最适合教育信息，与其直接影响患者护理的决策之间存在显著差异。AI 驱动的决策越接近临床判断、患者资格或其他高影响结果，人类问责就越重要。

监督与干预之间也有区别。AI 并不一定需要人为批准每一个低风险操作，但它需要明确的边界、可审计性以及检测其行为超出边界的机制。这使得人类能够保持问责，而不会形成阻碍自动化价值的瓶颈。

我认为 AI 可以在低风险、高频率的活动上越来越多地实现自主决策，例如受众优先级排序、渠道选择、时机和顺序安排，只要这些决策基于受治理的数据并持续监控。目标应是将人类判断保留给那些需要情境、问责和后果的决策，同时让 AI 处理人类难以规模化管理的运营复杂性。我也认为在适当的检查点保留持牌临床医生作为“人在回路中”是有价值的。拥有医师团队的供应商将能够在规模与合规之间取得平衡。

AI 模型在技术指标上表现良好与在真实世界中实际改善结果之间常常存在差距。评估生命科学商业化中的 AI 时，哪些指标最为关键，如何避免在追求诸如参与度等代理指标时偏离最终目标——更好的患者结果？

生命科学商业化中的 AI 最终应以其在整个护理旅程中创造的价值来评判，而不是仅看其在单一互动上的优化效率。这要求认识到参与度只是手段：点击、完成的互动，甚至高度准确的预测，仅在帮助创建更相关的干预并影响后续结果时才有意义。

对于生命科学，我会关注指标的演进——从受众质量和干预时机，到医护人员行为的变化（如处方），再到最终对患者的下游影响。挑战在于，越往下游走，结果越难以衡量和归因，这容易导致倾向于优化最易捕获的指标。

这正是 AI 战略发挥作用的地方。我们需要设计测量框架，将模型性能和参与信号与有意义的行为乃至（在可能的情况下）临床结果相连接。在 OptimizeRx，这意味着利用真实世界的医疗数据，不仅了解我们是否触达了某人，更要确认是否在护理旅程的正确节点触达了正确的人，以及该干预是否产生了可衡量的差异。

展望三到五年后，AI 原生的生命科学商业化组织会是什么样子？您是否预期自主代理将开始自行管理商业决策环节的部分，还是更重要的演进是 AI 持续为人类团队提供情报？

我认为“代理”框架在未来几年可能不再那么重要。相反，我更倾向于把生命科学公司想象成数据生态系统，它们会被任何 AI 技术任意利用。即使在 5 年后，我也不期待许多“业务决策”能够完全由代理自动化。相反，我预计研发方面的实验规模会迅速扩大，并且进入人类商业决策过程的智能将更加强大。当前，生命科学公司是围绕组织结构来组织的，而这些结构决定了它们的运作方式，这正呼应了康威定律。因此，我们仍看到 HCP 和 DTC 营销被孤立开展，分析和营销团队也未完全协同。随着底层数据生态系统的变化，团队本身也会转变为更具跨职能的形式，仍然符合康威定律。组织将更快地实施 AI 已经能够提供的洞察，以及未来 AI 继续变得更为复杂时将为我们带来的新洞察。

谢谢您的精彩访谈。想了解更多关于该公司及其医疗技术解决方案的读者可以访问 OptimizeRx。