هوش مصنوعی تصمیم‌ساز؛ جایگزینی برای مدل‌های زاینده در بازاریابی دارویی

تصور کنید یک مدیر بازاریابی دارویی به‌جای ارسال هزاران پیام بی‌هدف، دقیقاً بداند چه زمانی یک بیمار برای تغییر دارو آماده است. این یعنی عبور از نمایش‌های جذاب فنی و رسیدن به ابزاری که ناکارآمدی‌های سیستم سلامت را واقعاً حل کند.

به نقل از مایک روسل، مدیر ارشد هوش مصنوعی در شرکت OptimizeRx، قرار دادن یک رابط هوش مصنوعی زاینده (Generative AI) — شبیه به یک ویترین زیبا روی یک انبار قدیمی — روی تحلیل‌های موجود، اقدامی سطحی است؛ زیرا در این حالت، فرآیند همچنان نیازمند این است که یک انسان داده‌ها را تفسیر کند و درباره گام بعدی تصمیم بگیرد. او استدلال می‌کند که برای تبدیل هوش مصنوعی از یک دموی فنی «جالب» به ابزاری که واقعاً ناکارآمدی‌های مراقبت‌های بهداشتی را حل کند، تنها راه، بهره‌گیری از «هوش تصمیم‌ساز» (Decision Intelligence) است.

زمینه: تکامل هوش مصنوعی در مراقبت‌های بهداشتی

مایک روسل نزدیک به ۱۵ سال تجربه در به‌کارگیری هوش مصنوعی برای خلق ارزش تجاری دارد. مسیر شغلی او شامل نقش‌های کلیدی در شرکت‌های Athenahealth، Clarivate و HubSpot است که به او دیدگاهی گسترده در زمینه‌های مراقبت‌های بهداشتی، داده‌ها و فناوری‌های سازمانی بخشیده است. او دارای مدرک کارشناسی در رشته‌های اقتصاد و امور مالی از مؤسسه فناوری روچستر (RIT) است.

روسل در OptimizeRx مسیر پیشرفت خود را از رهبری محصولات داده‌ای تا رسیدن به جایگاه مدیر ارشد هوش مصنوعی طی کرد. در این جایگاه، او رهبری توسعه فناوری‌های مبتنی بر هوش مصنوعی را بر عهده دارد که هدف آن‌ها تبدیل ارتباطات بین شرکت‌های علوم زیستی، متخصصان مراقبت‌های بهداشتی (HCPs) و بیماران به تعاملاتی است که از نظر بالینی مرتبط‌تر و عملیاتی‌تر باشند. تمرکز کاری او بر روی هوش پیش‌بین، سیگنال‌های رفتاری و بالینی، و هدف‌گذاری مخاطبان است.

خود شرکت OptimizeRx از زمان تأسیسش در سال ۲۰۰۶ تغییرات قابل توجهی داشته است. در ابتدا، تمرکز شرکت بر ارائه کوپن‌ها و کمک‌هزینه‌های پرداخت مشترک (co-pay) از طریق پرونده‌های الکترونیک سلامت (EHR) و پلتفرم‌های نسخه‌نویسی الکترونیک بود. امروزه، این شرکت به یک پلتفرم جامع بازاریابی بهداشتی و تعامل با بیمار تبدیل شده است که سیگنال‌های سلامت دنیای واقعی، هوش پیش‌بین و فعال‌سازی چندکاناله (Omnichannel) را با هم ترکیب می‌کند.

بازاریابی سلامت سال‌هاست که با شکافی عمیق میان پیام‌های برند و مسیر واقعی بیمار دست‌وپنجه نرم می‌کند. پزشکان اغلب با تبلیغات نامرتبط بمباران می‌شوند و در مقابل، بیماران در شبکه‌های اجتماعی با اطلاعات نادرست بهداشتی مواجه‌اند. این شکاف باعث ایجاد اتلاف منابع برای برندهای علوم زیستی و ایجاد اصطکاک برای ارائه‌دهندگان خدمات درمانی می‌شود.

برای پر کردن این شکاف، OptimizeRx بر روی «بیمار واجد شرایط برند» تمرکز می‌کند. هدف این است که این افراد را زودتر و دقیق‌تر شناسایی کرده و اطلاعاتی با کاربرد بالا را دقیقاً در لحظه‌ای که یک تصمیم درمانی در حال اتخاذ است، به پزشکان ارائه دهد. این رویکرد، مدل‌های بخش‌بندی ایستا (Static Segmentation) که بر اساس رفتار نسخه‌نویسی تاریخی بودند را به یک مدل پویا و مبتنی بر سیگنال تغییر می‌دهد.

مکانیزم هوش تصمیم‌ساز

هوش تصمیم‌ساز واقعی با تحلیل‌های پایه هوش مصنوعی متفاوت است، زیرا حلقه بین داده و عمل را می‌بندد. طبق مصاحبه با unite.ai، این فرآیند شامل مراحل زیر است:

• ادغام چندین سیگنال دنیای واقعی برای شناسایی الگوها و زمینه (Context).
• پیش‌بینی نتایج احتمالی بر اساس آن الگوها.
• تبدیل بینش‌ها به اقدامات توصیه‌شده و مشخص.
• یادگیری از نتایج آن اقدامات برای اصلاح و بهبود توصیه‌های آینده.

در عمل، این بدان معناست که یک بازاریاب دارویی دیگر فقط گزارشی از عملکرد کمپین نمی‌بیند. در عوض، هوش مصنوعی پیش‌بینی می‌کند که کدام مخاطبان احتمالاً در کانال‌های خاصی پاسخ می‌دهند و پیش‌بینی می‌کند که کدام پیام بیشترین ارتباط را خواهد داشت. ارزش اصلی در این «هوش حلقه-بسته» نهفته است؛ یعنی توانایی تبدیل داده به تصمیم و بهبود مستمر آن تصمیمات در طول زمان برای تخصیص بهتر منابع.

سیگنال‌های پیش‌بین و منطق بالینی

مدل‌های پیش‌بین در OptimizeRx بر زمان‌بندی و ارتباط عملی پزشکی تکیه دارند. سیستم شاخص‌های مستقیمی مانند موارد زیر را رصد می‌کند:

• زمان دقیق نیاز بیمار به تغییر دارو.
• نتایج کلیدی و خاص آزمایشگاه.
• قرارهای ملاقات برنامه‌ریزی‌شده آینده با پزشک.

ترکیب تاریخچه سلامت بیمار با زمان‌بندی دقیق بازدید بیمار، همان چیزی است که باعث اثربخشی ارتباطات می‌شود. برای جلوگیری از اینکه هوش مصنوعی به دنبال همبستگی‌های گمراه‌کننده برود — مثلاً اشتباه گرفتن یک پزشک عمومی با حجم بیمار بالا با یک متخصص که واقعاً آن بیماری خاص را مدیریت می‌کند — این شرکت فناوری را با استفاده از دستورالعمل‌های استاندارد پزشکی و جدول زمانی واقع‌بینانه درمان هدایت می‌کند. این رویکرد مشابه متدولوژی‌های پیشرفته‌تری است که در پلتفرم K Pro برای اعتبارسنجی اهداف دارویی با ترکیب داده‌های آزمایشگاهی به کار می‌رود تا دقت پیش‌بینی‌ها تضمین شود.

سپس این نتایج در برابر داده‌های واقعی نسخه‌های تجویز شده و گروه‌های مقایسه‌ای اعتبارسنجی می‌شوند. این کار تضمین می‌کند که مدل تنها بر لحظاتی تمرکز کند که منجر به تغییرات واقعی در مراقبت از بیمار می‌شود، نه الگوهای سطحی.

ابزار ساخت مخاطب با زبان طبیعی (Natural Language Audience Builder)

شرکت OptimizeRx اخیراً ابزار Natural Language Audience Builder را راه‌اندازی کرده است. این ابزار به بازاریابان اجازه می‌دهد تا مخاطبان هدف خود را با استفاده از پرامپت‌هایی به زبان ساده توصیف کنند و سیستم سپس این توصیفات را به مخاطبان هماهنگ‌شده‌ای از پزشکان (HCP) و مصرف‌کنندگان تبدیل می‌کند.

از نظر فنی، هوش مصنوعی در اینجا به‌جای تصمیم‌گیرنده نهایی، نقش یک مترجم را ایفا می‌کند. مدل، پرامپت را به پارامترهایی مانند تخصص‌های پزشکی، حجم بیماران و رفتارهای نسخه‌نویسی تجزیه می‌کند و از استفاده از بخش‌های مخاطبان پیش‌ساخته و ایستا اجتناب می‌کند. برای جلوگیری از توهمات (Hallucinations)، سیستم از دفاتر ثبت رسمی ارائه‌دهندگان و مجموعه‌داده‌های بالینی دنیای واقعی استعلام می‌گیرد تا لیست‌های تأیید شده NPI (شناسه ملی ارائه‌دهنده) تولید کند.

بازاریابان می‌توانند پروفایل‌های دقیق پزشکان و بخش‌های مصرف‌کنندگان تطبیق‌یافته را مشاهده، رتبه‌بندی و اصلاح کنند تا مخاطبان هدف نهایی شوند. برای مخاطبان مصرف‌کننده، شرکت از فناوری ثبت‌شده Micro-Neighborhood® Targeting استفاده می‌کند. این فناوری روندهای بالینی را در سطح محلی و جغرافیایی تحلیل کرده و آن‌ها را با فعالیت پزشکان در آن منطقه تطبیق می‌دهد.

این رویکرد با ارزیابی «لحظات مشترک مراقبت» به‌جای ردیابی تک‌تک افراد، ارتباط بین بیمار و پزشک را برقرار می‌کند. با تحلیل روندهای جمعیت بیمار (به صورت ناشناس) در کنار رفتارهای نسخه‌نویسی پزشکان، تیم‌های بازاریابی می‌توانند آموزش‌های مصرف‌کننده (مانند تبلیغات تلویزیونی، دیجیتال یا اجتماعی) را با اطلاعات نقطه مراقبت در سیستم EHR پزشک هم‌سو کنند. این امر تضمین می‌کند که هم بیمار و هم پزشک، اطلاعات مرتبط را در مورد یک نقطه تصمیم‌گیری درمانی دریافت کنند، در حالی که کاملاً با قوانین HIPAA و قوانین حریم خصوصی ایالتی مطابقت دارد.

ادغام مدل‌های زبانی بزرگ (LLM) با داده‌های ساختاریافته

در حالی که مدل‌های پایه در زبان تخصص دارند، داده‌های بهداشتی اغلب ساختاریافته هستند، هرچند مکرراً «کثیف»، ناقص یا دارای تأخیر زمانی می‌باشند. روسل یک رویکرد ترکیبی را پیشنهاد می‌کند که در آن مدل‌های زبانی بزرگ (LLMs) به‌عنوان پیش‌پردازشگر عمل می‌کنند.

به عنوان مثال، یک LLM می‌تواند برای رمزگذاری عناصر خط لوله داده‌های خام — مانند یادداشت‌های بالینی یا متون خلاقانه — به ویژگی‌ها (Features) استفاده شود. سپس این ویژگی‌ها در یک مسئله پیش‌بینی ساختاریافته به کار می‌روند، مثلاً برای تعیین اینکه آیا یک بیمار آماده تغییر برند دارو است یا خیر. هدف این نیست که تکنیک‌ها صرفاً برای نوآوری ترکیب شوند، بلکه هدف دستیابی به پیش‌بینی دقیق‌تری است که یک مشکل خاص مشتری را حل کند.

الزام حضور انسان در چرخه (Human-in-the-Loop)

با شروع تأثیر هوش مصنوعی بر اینکه چه کسی و چه زمانی مورد تماس قرار گیرد، ریسک پیش‌بینی‌های غلط افزایش می‌یابد. OptimizeRx تمایز دقیقی بین نظارت و مداخله قائل است. در حالی که هوش مصنوعی می‌تواند به‌طور خودمختار کارهای کم‌ریسک و با حجم بالا مانند اولویت‌بندی مخاطبان، انتخاب کانال، زمان‌بندی و توالی پیام‌ها را مدیریت کند، پاسخگویی انسانی برای تصمیماتی که بر قضاوت بالینی یا صلاحیت بیمار تأثیر می‌گذارند، اجباری است. این دیدگاه با رویکرد MelodyArc در رد اتوماسیون مطلق هم‌سو است که بر لزوم حفظ نظارت انسانی در فرآیندهای حساس تأکید دارد.

روسل تأکید می‌کند فروشندگانی که پزشکان دارای مجوز (MD) در کادر خود دارند، در بهترین جایگاه برای ایجاد تعادل بین مقیاس‌پذیری و رعایت قوانین هستند. هدف این است که از هوش مصنوعی برای مدیریت پیچیدگی‌های عملیاتی استفاده شود و قضاوت انسانی برای تصمیمات با پیامدهای بالا رزرو گردد. سیستم‌های هوش مصنوعی به مرزهای روشن، قابلیت حسابرسی و مکانیزم‌هایی برای تشخیص زمانی که رفتار مدل از این مرزها خارج می‌شود نیاز دارند تا انسان‌ها بدون تبدیل شدن به گلوگاه، پاسخگو باقی بمانند.

اندازه‌گیری ارزش در دنیای واقعی

معیارهای فنی اغلب در انعکاس نتایج دنیای واقعی شکست می‌خورند. در تجاری‌سازی علوم زیستی، معیارهای تعامل مانند کلیک‌ها یا تعاملات تکمیل‌شده صرفاً ابزاری برای رسیدن به هدف هستند. یک پیش‌بینی بسیار دقیق تنها زمانی اهمیت دارد که به ایجاد یک مداخله مرتبط‌تر کمک کند که بر اتفاقات بعدی تأثیر بگذارد.

موفقیت باید به عنوان یک پیشرفت اندازه‌گیری شود:

• کیفیت مخاطبان و زمان‌بندی مداخله.
• تغییرات در رفتار پزشکان (HCP)، مانند الگوهای نسخه‌نویسی.
• تأثیرات پایین‌دستی بر بیماران.

از آنجایی که نتایج پایین‌دستی سخت‌تر اندازه‌گیری و نسبت داده می‌شوند، وسوسه‌ای وجود دارد که برای جایگزین‌های (Proxies) ساده‌تر بهینه‌سازی شود. OptimizeRx با استفاده از داده‌های واقعی بهداشتی با این روند مقابله می‌کند تا تعیین کند آیا آن‌ها به فرد درست در نقطه درست از مسیر مراقبت رسیده‌اند و آیا آن مداخله تفاوت قابل اندازه‌گیری ایجاد کرده است یا خیر.

آینده تجاری‌سازی بومی هوش مصنوعی (AI-Native)

با نگاه به سه تا پنج سال آینده، احتمالاً صنعت از چارچوب «عامل‌های خودمختار» (Autonomous Agents) فاصله می‌گیرد. روسل انتظار ندارد تصمیمات تجاری به‌طور کامل توسط عامل‌ها خودکار شوند. در عوض، او تصور می‌کند که شرکت‌های علوم زیستی خود را به عنوان اکوسیستم‌های داده‌ای بازسازی کنند که فناوری هوش مصنوعی بتواند از آن‌ها بهره ببرد.

این تغییر، محدودیت‌های «قانون کانوی» (Conway’s Law) را برطرف خواهد کرد؛ جایی که ساختارهای سازمانی، روش‌های عملیاتی را دیکته می‌کنند. در حال حاضر، بازاریابی HCP و بازاریابی مستقیم به مصرف‌کننده (DTC) اغلب در سیلوهای جداگانه وجود دارند و تیم‌های تحلیل داده به‌طور کامل با تیم‌های بازاریابی هم‌سو نیستند. با تغییر اکوسیستم داده‌های زیربنایی، تیم‌های انسانی را به صورت بین‌رشته‌ای (Cross-functional) در خواهند آمد.

در حالی که مقیاس آزمایش‌ها در بخش تحقیق و توسعه (R&D) به‌سرعت افزایش می‌یابد، تکامل اصلی در قدرت هوشی خواهد بود که در اختیار تصمیم‌گیرندگان انسانی قرار می‌گیرد. این تکامل نشان می‌دهد که موفق‌ترین سازمان‌های بومی هوش مصنوعی، آن‌هایی نخواهند بود که بهترین ربات‌ها را دارند، بلکه سازمان‌هایی هستند که سیال‌ترین معماری‌های داده و یکپارچه‌ترین تیم‌های انسانی را دارا باشند.

گام بعدی شما

• اگر در حوزه HealthTech فعالیت می‌کنید، به‌جای تمرکز بر چت‌بات‌ها، روی شناسایی «سیگنال‌های رفتاری» کاربران تمرکز کنید.
• مدل‌های زبانی را نه برای تصمیم‌گیری، بلکه برای تبدیل داده‌های متنی (Unstructured) به ویژگی‌های ساختاریافته (Structured) به کار بگیرید.
• در طراحی سیستم‌های AI، لایه‌ای برای تایید نهایی توسط متخصص (Human-in-the-loop) تعریف کنید تا ریسک‌های بالینی کاهش یابد.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و توان پردازشی مدل‌های پیش‌بین مراجعه کنید.