Mo Abdolell, administrerende direktør og grundlægger, Densitas Inc – Interviewserie

Mo Abdolell er administrerende direktør og grundlægger af Densitas Inc., et firma, der fokuserer på mammografivirksomhed og leverer maskinlæringsløsninger til personlig brysthelbred med teknologier, der fokuserer på brysttæthed, klinisk billedkvalitet og tilpasset risiko.

Mo er også professor, diagnostisk radiologi, Dalhousie University, og som konsulentbiostatistiker har han 25 års erfaring i studie-design, statistisk analyse og maskinlæring i biomedicinsk/klinisk forskning.

Kan du fortælle os om din rejse bag lanceringen af Densitas, Inc.?
Fra jeg var lille, ville jeg gerne hjælpe med at forbedre sundheden for underrepræsenterede befolkningsgrupper globalt. Jeg ville gerne arbejde for Verdenssundhedsorganisationen på en eller anden måde, der gjorde god brug af mine matematiske anlæg. Det blev ikke rigtig til noget. I stedet studerede jeg biostatistik på graduate school på Dalla Lana School of Public Health, University of Toronto, og afsluttede min afhandling i maskinlæring, før jeg gik videre til at arbejde på hospitaler og sundhedsforskningsinstitutioner. Jeg har undervist og vejledt studerende på graduate-niveau i diverse områder, herunder biostatistik, epidemiologi, biomedicinsk ingeniørvidenskab og sundheds-/medicinsk informatik med fokus på diagnostisk billedanalyse. Dette har givet mig en førerplads ved skæringen af diverse videnskabelige discipliner og har givet mig en bred vinkel på, hvordan kunstig intelligens kan bruges til at levere bedre patientresultater.

En person, der har haft stor indflydelse på beslutningen om at lancere Densitas, har været Dr. Judy Caines, der var den grundlæggende medicinske direktør for Nova Scotia Breast Screening Program i Halifax, Canada. Dr. Caines var en sand lysende og innovativ person i sin kliniske praksis med en urokkelig fokus på at opnå praktiske og bæredygtige løsninger til at forbedre kvaliteten af patientpleje og patientresultater i kvinders brysthelbred. Hendes absolutte engagement og drive for eksellen var inspirerende. Hun støttede og opmuntrede mine tidlige undersøgelser i digital mammografi, en af hvilke ledte til udviklingen af en algoritme til at måle brysttæthed, som den viser sig i en mammografi. Det første, Dr. Caines sagde, da algoritmen var færdig, var, at hun ville bruge den i klinisk praksis. Dette var det, der fik mig til at lancere virksomheden, og det lukkede cirklen på min længvarige ønske om at bidrage på en eller anden måde til at forbedre global sundhed ved at etablere et samarbejde med RAD-AID International til at levere bedre brysthelbred i lavindkomstlande og medicinsk underrepræsenterede regioner i verden.

Det kan komme som en overraskelse for mange, at brysttæthed er en faktor i risikoen for brystkræft. Kan du dele dine synspunkter på dette?

Brysttæthed henviser til mængden af epiteltale og stromale komponenter i brystvæv, og brystkræft viser sig oftest i epiteltale celler. Jo mere epiteltvæv der er i brystet, jo større chance er der for, at kræften kan vises i epiteltale celler.

Dertil kommer, at tæt brystvæv og underliggende brystkræft begge viser sig hvide på en mammografi, hvilket betyder, at tæt væv kan skjule tilstedeværelsen af kræften og øge risikoen for at overse kræften. I virkeligheden har halvdelen af alle kvinder tætte bryster, og halvdelen af brystkræfttilfældene i tætte bryster bliver overset.

Disse kendsgerninger er i overensstemmelse med forskning, der viser, at kvinder med ekstremt tætte bryster har en 4-6 gange større risiko for at få brystkræft i forhold til kvinder med fedtede bryster, og risikomodeller, der tager brysttæthed med i betragtning, forudser brystkræft bedre end dem, der ikke gør.

Hvad er de forskellige maskinlærings-teknologier, der bruges til at analysere brysttæthed?

På et højt niveau er der grundlæggende tre data-modelleringstrategier for at bygge algoritmer, der beregner brysttæthed. Disse omfatter statistisk læring, maskinlæring og dyb læring, hvor hver succesiv tilgang kræver stadig større mængder af mærket træningsdata. Statistisk læring og maskinlæring kræver, at man udvikler håndlavede billedfunktioner som input til at forudsige brysttæthed. Dyb læring kræver ikke, at man udvikler håndlavede billedfunktioner, men opdager disse funktioner selv, drevet af den tilgængelige træningsdata.

Hvordan kan AI hjælpe med at reducere udbrændthed hos radiologer?

Udbrændthed erkendes af Verdenssundhedsorganisationen som en ‘erhvervsfænomen’ karakteriseret ved følelser af udmattelse, isolation, cynisme og reduceret professionel engagement.

Bureaukratiske opgaver som charting, rapportering, administrative opgaver og akkrediteringsansvar er de førende årsager til udbrændthed hos de fleste radiologer.

AI-automatisering integreret med digitalisering kan levere bedre rapportering og workflow-effektivitet samt bedre billedkvalitet og forbedret processtyring, der frigør radiologer fra kedelige og gentagne rapporterings- og administrative opgaver, der fører til udbrændthed. Sådanne løsninger giver radiologer mulighed for at dedikere mere tid til fortolkningsopgaver og fokusere på patientpleje.

Densitas hjælper også billedafdelinger med workflow-effektivitet og overholdelse af nationale retningslinjer. Kan du fortælle os, hvordan Densitas muliggør dette?

Næsten 40 stater i USA har vedtaget lovgivning om brysttæthedsmeddelelse, der kræver, at kvinder skal informeres om deres brysttæthed. Dette dækker over 85% af den skærmbare befolkning i landet. Brysttæthed rapporteres visuelt ifølge American College of Radiology BI-RADS-tætheds-skalaen, som er vist at være upålidelig og ikke reproducerbar, tidskrævende, en ekstra rapporteringsopgave og distraherende fra den primære opgave med at opdage kræft.

En væsentlig del af FDA’s Mammografi-kvalitetsstandardlov (MQSA) Enhancing Quality Using the Inspection Program (EQUIP) er, at den ledende tolkende læge skal sikre ordentlig vedligeholdelse og opdatering af optegnelser vedrørende kvalitetskontrol (herunder korrektive handlinger) og patientpositionering samt korrektive handlinger i tilfælde af utilstrækkelig klinisk billedkvalitet. Desuden kræver MQSA EQUIP etablering af et kvalitetsprogram og vedligeholdelse af tilhørende optegnelser. MQSA EQUIP fastsætter standarder, men er ikke preskriptiv i sine krav. Klinisk billedkvalitet vurderes subjektivt og er ikke standardiseret. Administration af et kvalitetssystem fokuseret på ansvarligheden for den ledende tolkende læge og den ledende kvalitetskontrol-tekniker er ikke typisk digitaliseret, er meget tidskrævende og ikke godtgørelsesberettiget. Alligevel afhænger mammografifacilitetsakkreditering af facilitetens evne til at demonstrere en effektiv implementering af et sådant system.

Densitas’ ai-platform leverer AI-automatisering af brysttæthed, klinisk billedkvalitet og brystkræft-risikovurdering på mammografieniveau på punktet for omsorg samt på klinik- og sundhedssystemniveau gennem en avanceret web-baseret analytics-grænseflade.

Integrationer med branchens førende virksomheder, herunder Nuance, ikonopedia, Three Palm Software og større PACS-leverandører, sikrer, at brysttæthed, billedkvalitet og risikoscore er automatisk indlejret i systemer, der allerede er velkendte i radiologers rapportering og arbejdsgange, eliminerer transskriptionsfejl, forbedrer rapporteringshastighed og prioriterer studier til gennemgang.

Den avancerede web-baserede analytics-system leverer automatisk rapportering og revision, digitaliserede arbejdsgange, sundhedssystem-omfattende kvalitetskontrol og benchmarking af ydeevne og ressourceudnyttelse samt automatisering af administrative opgaver.

Kan du diskutere Densitas’ samarbejde med RAD-AID International og hvordan det hjælper underrepræsenterede regioner?
Formålet med samarbejdet er at give lavresursinstitutioner uddannelse, klinisk støtte og praktisk træning, så de kan antage bæredygtige mammografipraksisser, der udnytter praktiske AI-drevne løsninger. For brystbilledafdelinger i deltagende institutioner forventes programmet at fremme kvaliteten af patientbehandlingsbeslutninger og forbedre tidlig sygdomsdiagnostik.

Kenya er et land med næsten 5 millioner kvinder, der er berettiget til screeningsmammografi, men der er kun 3 specialuddannede brystbillede-læger i hele landet. Tanzania er et land med 58 millioner mennesker, men har kun 450 teknologer for hele landet. Disse er kun to eksempler på mange underrepræsenterede lande i verden. At screene så mange kvinder med kun en håndfuld specialuddannede brystbillede-læger og radiologiske teknologer er umuligt.

Storskala-populations-undersøgelser som brystkræftscreening er karakteriseret ved høje patientvolumener, der driver behovet for effektive kliniske arbejdsgange, standardisering af processer og pleje, optimering af gentagne rapporterings- og administrative opgaver, omkostningseffektiv patient- og processtyring samt overholdelse af nationale akkrediteringsstandarder.

Densitas’ kunstig intelligens-løsninger løser disse udfordringer med automatiseret brysttæthed, brystkræft-risiko og klinisk billedkvalitetsvurdering.

Til sidst er målet at forbedre brystkræftscreening gennem tidligere opdagelse og bedre behandling for at redde liv.

Densitas har også lanceret et program for at hjælpe med radiologisk personale under COVID-19-pandemien. Hvad er programmet, der tilbydes?

I disse usædvanlige tider er den primære fokus på omsorg nødvendigvis viet kritisk syge patienter.

En ulykkelig konsekvens af COVID-19 er, at brystkræftscreening i stor udstrækning er sat på standby.

Men selv i de hårdest ramte regioner ser vi allerede mammografifaciliteter, der planlægger at genoptage, startende med diagnostiske og efterfulgt af screeningsmammografiprocesser. Da dette sker, vil det enorme antal patienter, der venter på brystscreening i de kommende uger og måneder (genplanlagt og nye), præsentere en monumental udfordring for mammografifaciliteter og sundhedssystemer, hvor radiologisk personale er spændt til bristepunktet.

Det vil være vigtigt at sikre, at klinisk billedkvalitet opretholdes på højest niveau, trods belastningen af overbelastet billedgennemløb. AI-automatisering af klinisk billedkvalitetsvurdering, integreret i en omfattende analytics- og rapporteringsplatform, vil støtte MQSA-inspektionsparathed og frigøre kritiske ressourcer til patientomsorg. AI-automatisering af brysttæthed og brystkræft-risikovurdering og rapportering vil øge workflow-effektivitet og støtte tilpasset følge-screening-protokoller.

Vi vil gerne hjælpe. For en begrænset tid tilbyder vi vores densitasai-platform som en risikofri, gratis prøve til udvalgte kvalificerede sundhedssystemer, hospitaler og billedafdelinger.

Densitasai-platformen vil (1) hjælpe med at bekæmpe den forestående tilbageskov med AI-automatisering af opgaver, (2) give workflow-effektiviteter, der letter byrden af kedelige, tidskrævende og gentagne opgaver og hjælpe med at mindske personales udbrændthed, (3) lette de betydelige ressource- og administrative krav til FDA’s Mammografi-kvalitetsstandardlov-inspektioner, (4) digitalisere processer for at maksimere social afstand i klinisk omsorg på en løbende basis.

Densitasai-platformen kan deployes på afstand.

Densitas vil engagere og støtte 20 steder. Tidsfristen for tilmelding og kvalificering er den 30. juni 2020 eller når vi er fuldt udskrevet, hvilket som helst der kommer først.

Klik her for at læse mere om, hvordan AI kan hjælpe med at reducere udbrændthed i din mammografipraksis.

Tak for interviewet. Der er meget vigtig information her om brysthelbred. Enhver, der ønsker at lære mere, bør besøge Densitas.