Interviews
Mo Abdolell, CEO und Gründer, Densitas Inc – Interviewreihe
Mo Abdolell ist CEO/Gründer von Densitas Inc., ein auf Mammographie spezialisiertes Unternehmen, das maschinelle Lernlösungen für die personalisierte Brustgesundheit mit Technologien liefert, die sich auf Brustdichte, klinische Bildqualität und maßgeschneidertes Risiko konzentrieren.
Mo ist außerdem außerordentlicher Professor für diagnostische Radiologie an der Dalhousie University und verfügt als beratender Biostatistiker über 25 Jahre Erfahrung in Studiendesign, statistischer Analyse und maschinellem Lernen in der biomedizinischen/klinischen Forschung.
Können Sie uns Ihren Weg zur Gründung von Densitas, Inc. erläutern?
Schon seit ich denken kann, wollte ich dazu beitragen, die Gesundheit unterversorgter Bevölkerungsgruppen weltweit zu verbessern. Ich wollte in einer Funktion für die Weltgesundheitsorganisation arbeiten, die meine mathematischen Neigungen gut ausnutzte. Nun, das hat nie ganz geklappt. Stattdessen studierte ich Biostatistik in der Graduiertenschule der Dalla Lana School of Public Health der University of Toronto und schloss meine Abschlussarbeit im Bereich maschinelles Lernen ab, bevor ich in Krankenhäusern und Gesundheitsforschungseinrichtungen arbeitete. Ich habe Doktoranden in verschiedenen Bereichen unterrichtet und betreut, darunter Biostatistik, Epidemiologie, Biomedizintechnik und Gesundheits-/Medizininformatik mit Schwerpunkt auf diagnostischer Bildgebung. Dies hat mir einen Platz in der ersten Reihe an der Schnittstelle verschiedener wissenschaftlicher Disziplinen verschafft und mir einen umfassenden Überblick darüber verschafft, wie künstliche Intelligenz eingesetzt werden kann, um bessere Patientenergebnisse zu erzielen.
Jemand, der einen großen Einfluss auf die Entscheidung zur Einführung von Densitas hatte, war Dr. Judy Caines, die Gründungsärztin des Nova Scotia Breast Screening Program in Halifax, Kanada. Dr. Caines war eine wahre Koryphäe und Innovatorin in ihrer klinischen Praxis mit einem unerschütterlichen Fokus auf die Erzielung praktischer und nachhaltiger Lösungen zur Verbesserung der Pflegequalität und der Patientenergebnisse bei der Brustgesundheit von Frauen. Ihr absolutes Engagement und ihr Streben nach Exzellenz waren inspirierend. Sie unterstützte und ermutigte meine frühen Untersuchungen zur digitalen Mammographie, von denen eine zur Entwicklung eines Algorithmus zur Messung der Brustdichte, wie sie in einer Mammographie erscheint, führte. Das allererste, was Dr. Caines sagte, als der Algorithmus fertig war, war, dass sie ihn in der klinischen Praxis verwenden wollte. Dies war der Anstoß, der zur Gründung des Unternehmens führte und letztendlich den Kreis meines langjährigen Wunsches schloss, in irgendeiner Weise zur Verbesserung der globalen Gesundheit beizutragen, indem ich eine Partnerschaft mit RAD-AID International einging, um in Ländern mit niedrigem Einkommen für eine bessere Brustgesundheit zu sorgen und medizinisch unterversorgten Regionen der Welt.
Für viele mag es überraschend sein, dass die Brustdichte ein Faktor für das Brustkrebsrisiko ist. Könnten Sie uns Ihre Meinung dazu mitteilen?
Die Brustdichte bezieht sich auf die Menge an Epithel- und Stromabestandteilen des Brustgewebes, und Brustkrebs tritt am häufigsten in Epithelzellen auf. Je mehr Epithelgewebe in der Brust vorhanden ist, desto größer ist die Wahrscheinlichkeit, dass Krebs in den Epithelzellen auftritt.
Darüber hinaus erscheinen sowohl dichtes Brustgewebe als auch darunter liegende Brustkrebserkrankungen auf einer Mammographie weiß, was bedeutet, dass dichtes Gewebe das Vorhandensein von Krebs verschleiern und das Risiko erhöhen kann, den Krebs zu übersehen. Tatsächlich hat die Hälfte aller Frauen dichte Brüste und die Hälfte der Brustkrebserkrankungen bei dichten Brüsten wird übersehen.
Diese Fakten stehen im Einklang mit Forschungsergebnissen, die zeigen, dass Frauen mit extrem dichten Brüsten im Vergleich zu Frauen mit fetten Brüsten ein vier- bis sechsfach erhöhtes Brustkrebsrisiko haben. Risikomodelle, die die Brustdichte berücksichtigen, prognostizieren Brustkrebs besser als solche, die dies nicht tun.
Welche verschiedenen maschinellen Lerntechnologien werden bei der Analyse der Brustdichte eingesetzt?
Auf hoher Ebene gibt es im Wesentlichen drei Datenmodellierungsstrategien zum Erstellen von Algorithmen zur Berechnung der Brustdichte. Dazu gehören statistisches Lernen, maschinelles Lernen und Deep Learning, wobei jeder weitere Ansatz immer größere beschriftete Trainingsdatensätze erfordert. Algorithmen für statistisches Lernen und maschinelles Lernen erfordern beide die Entwicklung handgefertigter Bildmerkmale als Eingaben zur Vorhersage der Brustdichte. Deep Learning erfordert nicht die Entwicklung handgefertigter Bildmerkmale, sondern entdeckt diese Merkmale selbst anhand der verfügbaren Trainingsdaten.
Wie kann KI dazu beitragen, Burnout bei Radiologen zu reduzieren?
Burnout wird von der Weltgesundheitsorganisation als „berufliches Phänomen“ anerkannt, das durch Gefühle der Erschöpfung, Isolation, Zynismus und verminderten beruflichen Engagements gekennzeichnet ist.
Bürokratische Aufgaben wie Diagrammerstellung, Berichterstattung, administrativer Papierkram und vorgeschriebene Akkreditierungspflichten sind für die meisten Radiologen die häufigsten Ursachen für Burnout.
Die in die Digitalisierung integrierte KI-Automatisierung kann zu einer besseren Berichterstattung und effizienteren Arbeitsabläufen sowie zu einer besseren Bildqualität und einem verbesserten Prozessmanagement führen, wodurch Radiologen von mühsamen und sich wiederholenden Berichten und Verwaltungslasten befreit werden, die zu Burnout führen. Solche Lösungen ermöglichen es Radiologen, mehr Zeit für Interpretationsaufgaben aufzuwenden und sich auf die Patientenversorgung zu konzentrieren.
Densitas unterstützt Bildgebungsabteilungen außerdem bei der Effizienzsteigerung ihrer Arbeitsabläufe und der Einhaltung nationaler Richtlinien. Können Sie uns mitteilen, wie Densitas dies ermöglicht?
Fast 40 Bundesstaaten in den USA haben ein Gesetz zur Benachrichtigung über die Brustdichte erlassen, das vorschreibt, dass Frauen über ihre Brustdichte informiert werden müssen. Dies deckt über 85 % der bildschirmberechtigten Bevölkerung im ganzen Land ab. Die Brustdichte wird visuell anhand der BI-RADS-Dichteskala des American College of Radiology gemeldet, die sich als unzuverlässig und nicht reproduzierbar, zeitaufwändig, ein zusätzlicher Berichtsschritt und von der primären Aufgabe der Krebserkennung ablenkend erwiesen hat.
Ein wichtiger Aspekt des FDA Mammography Quality Standards Act (MQSA) zur Verbesserung der Qualität mithilfe des Inspektionsprogramms (EQUIP) besteht darin, dass der leitende Dolmetscher die ordnungsgemäße Pflege und Aktualisierung der Aufzeichnungen zur Qualitätskontrolle (einschließlich Korrekturmaßnahmen) sowie zur Patientenpositionierung und -korrektur sicherstellen muss Maßnahmen bei unzureichender klinischer Bildqualität. Darüber hinaus erfordert das MQSA EQUIP die Einrichtung eines QA-Programms und die Pflege zugehöriger Aufzeichnungen. Das MQSA EQUIP setzt Standards, ist jedoch in seinen Anforderungen nicht präskriptiv. Die klinische Bildqualität wird subjektiv beurteilt und nicht standardisiert. Die Verwaltung eines Qualitätssystems, das sich auf die Verantwortlichkeiten des LIP und des leitenden QC-Technologen konzentriert, ist in der Regel nicht digitalisiert, sehr zeitaufwändig und nicht erstattungsfähig. Die Akkreditierung einer Mammographieeinrichtung hängt jedoch von der Fähigkeit einer Einrichtung ab, die effektive Implementierung eines solchen Systems nachzuweisen.
Die Densitasai™-Plattform bietet KI-Automatisierung der Brustdichte, der klinischen Bildqualität und der Brustkrebsrisikobewertung auf Mammographie-Ebene am Point-of-Care sowie auf Klinik- und Gesundheitssystemebene über eine fortschrittliche webbasierte Analyseschnittstelle.
Integrationen mit Branchenführern wie Nuance, ikonopedia, Three Palm Software und großen PACS-Anbietern stellen sicher, dass Brustdichte, Bildqualität und Risikobewertungen automatisch in Systeme eingebettet werden, die bereits in den Berichten und Arbeitsabläufen von Radiologen etabliert sind, wodurch Übertragungsfehler vermieden und Verbesserungen erzielt werden Berichterstattungsgeschwindigkeit und Priorisierung von Studien zur Überprüfung.
Das fortschrittliche webbasierte eingebettete Analysesystem bietet automatisierte Berichterstattung und Prüfung, digitalisierte Arbeitsabläufe, gesundheitssystemweite Qualitätskontrolle und Benchmarking der Leistung und Ressourcennutzung sowie die Automatisierung administrativer Aufgaben.
Können Sie über die Partnerschaft von Densitas mit RAD-AID International sprechen und darüber, wie sie unterversorgten Regionen hilft?
Ziel der Partnerschaft ist es, Einrichtungen mit geringen Ressourcen Bildung, klinische Unterstützung und praktische Schulungen zu bieten, damit sie nachhaltige Mammographiepraktiken einführen können, die praktische KI-gestützte Anwendungen nutzen. Für Brustbildgebungsabteilungen in teilnehmenden Einrichtungen soll das Programm dazu beitragen, die Qualität der Entscheidungsfindung im Patientenmanagement zu verbessern und die Früherkennung von Krankheiten zu verbessern.
Kenia ist ein Land mit fast 5 Millionen Frauen, die für ein Mammographie-Screening in Frage kommen, aber im ganzen Land gibt es nur drei von einem Fellowship ausgebildete Brustbildtechniker. Tansania ist ein Land mit 3 Millionen Einwohnern, aber im ganzen Land gibt es nur 58 Technologen. Dies sind nur zwei Beispiele für viele solcher unterversorgten Länder auf der ganzen Welt. Es ist einfach unmöglich, so viele Frauen mit nur einer Handvoll speziell ausgebildeter Brustradiologen und Radiologietechnologen zu untersuchen.
Groß angelegte bevölkerungsweite Screening-Programme wie Brustkrebs-Screening zeichnen sich durch ein hohes Patientenaufkommen aus, was den Bedarf an effizienten klinischen Arbeitsabläufen, Standardisierung von Prozessen und Pflege, Optimierung sich wiederholender Berichts- und Verwaltungsaufgaben, kosteneffizientem Patienten- und Prozessmanagement sowie Einhaltung erhöht den nationalen Akkreditierungsstandards.
Die künstlichen Intelligenzlösungen von Densitas begegnen diesen Herausforderungen mit automatisierten Bewertungen der Brustdichte, des Brustkrebsrisikos und der klinischen Bildqualität.
Letztendlich besteht das Ziel darin, die Brustkrebsvorsorge durch frühere Erkennung und bessere Behandlung zu verbessern und so Leben zu retten.
Densitas hat außerdem ein Programm zur Unterstützung des Radiologiepersonals während der COVID-19-Pandemie gestartet. Welches Programm wird angeboten?
In diesen beispiellosen Zeiten liegt der Schwerpunkt der Pflege zwangsläufig auf schwerkranken Patienten.
Eine bedauerliche Folge von COVID-19 ist, dass die Brustkrebsvorsorgeuntersuchung weitgehend auf Eis gelegt wurde.
Doch selbst in den am stärksten betroffenen Regionen planen wir bereits den Ausbau der Mammographie-Einrichtungen, angefangen bei der Diagnose bis hin zur Buchung von Screening-Mammographie-Untersuchungen. Wenn dies geschieht, wird die schiere Zahl der Patientinnen, die in den kommenden Wochen und Monaten auf ein Brust-Screening warten (verschoben und neu), eine gewaltige Herausforderung für Mammographie-Einrichtungen und Gesundheitssysteme darstellen, da das Personal in der Radiologie knapp ist.
Es wird wichtig sein, sicherzustellen, dass die Qualität der klinischen Bilder trotz der Belastung durch einen überlasteten Bilddurchsatz auf höchstem Niveau bleibt. Die KI-Automatisierung der klinischen Bildqualitätsbewertung, integriert in eine umfassende Analyse- und Berichtsplattform, wird die MQSA-Inspektionsvorbereitung verbessern und wichtige Ressourcen für die Patientenversorgung freisetzen. Die KI-Automatisierung der Bewertung und Berichterstattung des Brustdichte- und Brustkrebsrisikos wird die Effizienz der Arbeitsabläufe steigern und maßgeschneiderte Nachuntersuchungsprotokolle unterstützen.
Wir wollen helfen. Für eine begrenzte Zeit bieten wir unsere Densitas anai™-Plattform als risiko- und gebührenfreie Testversion zur Auswahl qualifizierter Gesundheitssysteme, Krankenhäuser und Bildgebungszentren.
Die Densitasai™-Plattform wird (1) dazu beitragen, den drohenden Rückstand durch KI-Automatisierung von Aufgaben zu bewältigen, (2) Workflow-Effizienz bieten, die die Belastung durch mühsame, (3) zeitaufwändige und sich wiederholende Aufgaben verringert und dazu beiträgt, Burnout bei Mitarbeitern zu mildern, (4) erhebliche Linderung zu verschaffen Ressourcen- und Verwaltungsanforderungen der Inspektionen des FDA Mammography Quality Standards Act, (5) Digitalisierung von Prozessen, um die Prinzipien der sozialen Distanzierung in der klinischen Versorgung kontinuierlich zu maximieren.
Die Densitasai™-Plattform kann remote bereitgestellt werden.
Densitas wird 20 Standorte engagieren und unterstützen. Die Anmelde- und Qualifikationsfrist endet am 30. Juni 2020 oder wenn wir vollständig angemeldet sind, je nachdem, was zuerst eintritt.
Vielen Dank für das Interview. Hier gibt es viele wichtige Informationen zum Thema Brustgesundheit. Wer mehr erfahren möchte, sollte vorbeikommen Densitas.
