Mo Abdolell, CEO & Gründer, Densitas Inc – Interview-Serie

Mo Abdolell ist CEO/Gründer von Densitas Inc., einem Unternehmen, das sich auf die Mammographie-Unternehmen konzentriert und maschinelle Lernlösungen für personalisierte Brustgesundheit mit Technologien zur Brustdichte, klinischen Bildqualität und angepasstem Risiko anbietet.

Mo ist auch Associate Professor, Diagnostische Radiologie, Dalhousie University und als Berater-Biostatistiker hat er 25 Jahre Erfahrung in Studienentwurf, statistischer Analyse und maschinellem Lernen in biomedizinischer/ klinischer Forschung.

Können Sie uns durch Ihre Reise hinter der Gründung von Densitas, Inc. führen?
Seit ich mich erinnern kann, wollte ich dazu beitragen, die Gesundheit von benachteiligten Bevölkerungsgruppen weltweit zu verbessern. Ich wollte für die Weltgesundheitsorganisation in irgendeiner Form arbeiten, die meine mathematischen Neigungen gut nutzt. Das hat jedoch nie ganz funktioniert. Stattdessen studierte ich Biostatistik an der Graduate School der Dalla Lana School of Public Health, University of Toronto, und schloss meine Dissertation über maschinelles Lernen ab, bevor ich in Krankenhäusern und Gesundheitsforschungseinrichtungen arbeitete. Ich habe Graduate-Studenten in verschiedenen Bereichen wie Biostatistik, Epidemiologie, Biomedizinischer Ingenieurwesen und Gesundheits-/Medizinischer Informatik mit dem Schwerpunkt auf diagnostische Bildgebung unterrichtet und betreut. Dies hat mir einen Platz in der ersten Reihe an der Schnittstelle verschiedener wissenschaftlicher Disziplinen gegeben und mir eine breite Perspektive darauf gegeben, wie künstliche Intelligenz eingesetzt werden kann, um bessere Patientenergebnisse zu liefern.

Jemand, der großen Einfluss auf die Entscheidung hatte, Densitas zu gründen, war Dr. Judy Caines, die Gründungsdirektorin des Nova Scotia Breast Screening Program in Halifax, Kanada. Dr. Caines war eine wahre Lichtgestalt und Innovatorin in ihrer klinischen Praxis mit einem unerschütterlichen Fokus auf die Erreichung praktischer und nachhaltiger Lösungen zur Verbesserung der Qualität der Versorgung und der Patientenergebnisse bei der Brustgesundheit von Frauen. Ihre absolute Hingabe und ihr Streben nach Exzellenz waren inspirierend. Sie unterstützte und ermutigte meine frühen Untersuchungen zur digitalen Mammographie, eine davon führte zur Entwicklung eines Algorithmus zur Messung der Brustdichte, wie sie in einer Mammographie erscheint. Das Erste, was Dr. Caines sagte, als der Algorithmus abgeschlossen war, war, dass sie ihn in der klinischen Praxis verwenden wollte. Dies war der Anstoß, der zur Gründung des Unternehmens führte und letztendlich die Schleife meiner langjährigen Sehnsucht schloss, auf irgendeine Weise zur Verbesserung der globalen Gesundheit beizutragen, indem ich eine Partnerschaft mit RAD-AID International einging, um in niedrigen Einkommensländern und medizinisch benachteiligten Regionen der Welt eine bessere Brustgesundheit zu fördern.

Es mag vielen überraschend erscheinen, dass die Brustdichte ein Faktor im Risiko für Brustkrebs ist. Könnten Sie Ihre Ansichten dazu teilen?

Brustdichte bezieht sich auf die Menge an epithelialen und stromalen Komponenten des Brustgewebes, und Brustkrebs tritt am häufigsten in epithelialen Zellen auf. Je mehr epitheliales Gewebe in der Brust vorhanden ist, desto höher ist die Wahrscheinlichkeit, dass Krebs in den epithelialen Zellen auftritt.

Zusätzlich erscheinen dichtes Brustgewebe und zugrunde liegende Brustkrebs beide weiß auf einer Mammographie, was bedeutet, dass dichtes Gewebe die Anwesenheit von Krebs maskieren und das Risiko erhöhen kann, den Krebs zu übersehen. Tatsächlich haben die Hälfte aller Frauen dichte Brüste, und die Hälfte der Brustkrebsfälle in dichten Brüsten wird übersehen.

Diese Fakten sind konsistent mit Forschungsergebnissen, die zeigen, dass Frauen mit extrem dichten Brüsten ein 4-6-mal höheres Risiko haben, Brustkrebs zu entwickeln, im Vergleich zu Frauen mit fettigen Brüsten, und Risikomodelle, die die Brustdichte berücksichtigen, vorhersagen Brustkrebs besser als solche, die dies nicht tun.

Welche maschinellen Lern-Technologien werden verwendet, wenn es um die Analyse der Brustdichte geht?

Im Großen und Ganzen gibt es drei grundlegende Datenmodellierungsstrategien für den Aufbau von Algorithmen, die die Brustdichte berechnen. Dazu gehören statistisches Lernen, maschinelles Lernen und Deep Learning, wobei jeder nachfolgende Ansatz immer größere beschriftete Trainingsdatensätze erfordert. Statistisches Lernen und maschinelles Lernen erfordern handgefertigte Bildmerkmale, die als Eingaben zur Vorhersage der Brustdichte entwickelt werden müssen. Deep Learning erfordert keine handgefertigten Bildmerkmale, sondern entdeckt diese selbst, getrieben durch die verfügbaren Trainingsdaten.

Wie kann künstliche Intelligenz dazu beitragen, den Burnout von Radiologen zu reduzieren?

Burnout wird von der Weltgesundheitsorganisation als ein “berufliches Phänomen” definiert, das durch Gefühle von Erschöpfung, Isolation, Zynismus und verringertem beruflichem Engagement gekennzeichnet ist.

Bürokratische Aufgaben wie Aktenführung, Berichterstattung, administrative Aufgaben und vorgeschriebene Akkreditierungsverantwortungen sind die führenden gemeldeten Ursachen für Burnout bei den meisten Radiologen.

Die Automatisierung von künstlicher Intelligenz, kombiniert mit Digitalisierung, kann bessere Berichterstattung und Workflow-Effizienzen sowie bessere Bildqualität und verbesserte Prozessverwaltung liefern, die Radiologen von langweiligen und wiederkehrenden Berichts- und administrativen Aufgaben befreien, die zu Burnout führen. Solche Lösungen ermöglichen es Radiologen, mehr Zeit für interpretative Aufgaben zu widmen und sich auf die Patientenversorgung zu konzentrieren.

Densitas hilft auch den Bildabteilungen mit Workflow-Effizienzen und der Einhaltung nationaler Richtlinien. Könnten Sie uns erzählen, wie Densitas dies ermöglicht?

Fast 40 Bundesstaaten in den USA haben Gesetze zur Brustdichtebenachrichtigung erlassen, die vorschreiben, dass Frauen über ihre Brustdichte informiert werden müssen. Dies betrifft über 85 % der für die Untersuchung berechtigten Bevölkerung im ganzen Land. Die Brustdichte wird visuell gemäß der American College of Radiology BI-RADS-Dichteskala berichtet, die als unzuverlässig und nicht reproduzierbar, zeitaufwändig, als zusätzlicher Berichtsschritt und als Ablenkung von der primären Aufgabe der Krebsdetektion erwiesen hat.

Ein wichtiger Aspekt des FDA-Mammographie-Qualitätsstandards-Gesetzes (MQSA) ist, dass der leitende interpretierende Arzt sicherstellen muss, dass die Aufzeichnungen über die Qualitätssicherung (einschließlich Korrekturmaßnahmen) und die Patientenpositionierung sowie die Korrekturmaßnahmen im Falle unzureichender klinischer Bildqualität ordnungsgemäß gepflegt und aktualisiert werden. Darüber hinaus erfordert die MQSA die Einrichtung eines Qualitätsprogramms und die Aufrechterhaltung der damit verbundenen Aufzeichnungen. Die MQSA legt Standards fest, ist jedoch nicht vorschreibend in ihren Anforderungen. Die klinische Bildqualität wird subjektiv bewertet und nicht standardisiert. Die Verwaltung eines Qualitätsystems, das sich auf die Verantwortlichkeiten des LIP und des leitenden QC-Technologen konzentriert, ist in der Regel nicht digitalisiert, sehr zeitaufwändig und nicht erstattungsfähig. Dennoch hängt die Akkreditierung der Mammographie-Einrichtung von der Fähigkeit ab, die effektive Umsetzung eines solchen Systems zu demonstrieren.

Die Densitas-Plattform liefert eine künstliche Intelligenz-Automatisierung der Brustdichte, klinischen Bildqualität und Brustkrebs-Risikobewertung auf Mammographie-Ebene sowie auf Klinik- und Gesundheitssystem-Ebene über eine fortschrittliche webbasierte Analyse-Schnittstelle.

Integrationen mit Branchenführern wie Nuance, ikonopedia, Three Palm Software und großen PACS-Herstellern stellen sicher, dass die Brustdichte, Bildqualität und Risikowerte automatisch in Systeme eingebettet sind, die bereits in den Berichten und Workflows der Radiologen etabliert sind, wodurch Transkriptionsfehler eliminiert, die Berichterstattungsgeschwindigkeit verbessert und Studien für die Überprüfung priorisiert werden.

Das fortschrittliche webbasierte Analyse-System bietet automatisierte Berichterstattung und Auditing, digitalisierte Workflows, 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 wie sie benachteiligten Regionen hilft?
Das Ziel der Partnerschaft ist es, niedrig ausgestatteten Einrichtungen Bildung, klinische Unterstützung und praktische Schulung zu bieten, damit sie nachhaltige Mammographie-Praktiken anwenden können, die praktische künstliche Intelligenz-Anwendungen nutzen. Für die Brustbildabteilungen in den teilnehmenden Einrichtungen soll das Programm dazu beitragen, die Qualität der Patientenmanagement-Entscheidungen zu verbessern und die frühzeitige Krankheitserkennung zu verbessern.

Kenia ist ein Land mit fast 5 Millionen Frauen, die für die Screening-Mammographie berechtigt sind, aber es gibt nur 3 auf Brustbildgebung spezialisierte Radiologen im ganzen Land. Tansania ist ein Land mit 58 Millionen Menschen, aber es gibt nur 450 Techniker für das gesamte Land. Diese sind nur zwei Beispiele für viele benachteiligte Länder auf der ganzen Welt. Die Untersuchung so vieler Frauen mit nur einer Handvoll speziell ausgebildeter Brust-Radiologen und radiologischer Techniker ist einfach unmöglich.

Groß angelegte populationsweite Screening-Programme wie Brustkrebs-Screening sind durch hohe Patientenzahlen gekennzeichnet, die den Bedarf an effizienten klinischen Workflows, Standardisierung von Prozessen und Pflege, Optimierung wiederkehrender Berichts- und administrativer Aufgaben, kosteneffektiver Patienten- und Prozessmanagement sowie die Einhaltung nationaler Akkreditierungsstandards vorantreiben.

Die künstlichen Intelligenz-Lösungen von Densitas gehen auf diese Herausforderungen ein, indem sie automatisierte Brustdichtebewertungen, Brustkrebs-Risikobewertungen und klinische Bildqualitätsbewertungen liefern.

Letztendlich ist das Ziel, die Brustkrebs-Screening durch frühere Erkennung und bessere Behandlung zu verbessern, um Leben zu retten.

Densitas hat auch ein Programm gestartet, um den Radiologie-Personal während der COVID-19-Pandemie zu helfen. Was ist das Programm, das angeboten wird?

In diesen beispiellosen Zeiten ist die primäre Aufmerksamkeit notwendigerweise der Pflege von kritisch kranken Patienten gewidmet.

Ein unglückliches Ergebnis von COVID-19 ist, dass die Brustkrebs-Screening größtenteils auf Eis gelegt wurde.

Dennoch sehen wir in den am stärksten betroffenen Regionen bereits, dass Mammographie-Einrichtungen planen, diagnostische und dann Screening-Mammographie-Untersuchungen wieder aufzunehmen. Wenn dies geschieht, wird die enorme Anzahl von Patienten, die in den kommenden Wochen und Monaten auf die Brust-Screening warten (wiederholte und neue), eine enorme Herausforderung für Mammographie-Einrichtungen und Gesundheitssysteme darstellen, wobei das Radiologie-Personal sehr dünn ist.

Es wird wichtig sein, sicherzustellen, dass die klinische Bildqualität auf dem höchsten Standard bleibt, trotz des Stresses der überlasteten Bildabgabe. Die Automatisierung der klinischen Bildqualitätsbewertung, integriert in eine umfassende Analyse- und Berichterstattungsplattform, wird die MQSA-Inspektionsvorbereitung stärken und wichtige Ressourcen für die Patientenversorgung freisetzen. Die Automatisierung der Brustdichtebewertung und der Brustkrebs-Risikobewertung und -Berichterstattung wird die Workflow-Effizienz steigern und auf maßgeschneiderte Follow-up-Screening-Protokolle unterstützen.

Wir möchten helfen. Für eine begrenzte Zeit bieten wir unsere Densitas-Plattform als risikofreie, kostenlose Testversion für ausgewählte qualifizierte Gesundheitssysteme, Krankenhäuser und Bildabteilungen an.

Die Densitas-Plattform wird (1) helfen, den bevorstehenden Rückstau mit künstlicher Intelligenz-Automatisierung von Aufgaben zu bekämpfen, (2) Workflow-Effizienzen liefern, die die Belastung durch langweilige, (3) zeitaufwändige und wiederkehrende Aufgaben verringern und dazu beitragen, das Personal auszubrennen, (4) die erheblichen Ressourcen- und administrativen Anforderungen der FDA-Mammographie-Qualitätsstandards-Inspektionen lindern, (5) Prozesse digitalisieren, um die sozialen Distanzprinzipien in der klinischen Versorgung aufrechtzuerhalten.

Die Densitas-Plattform kann remote bereitgestellt werden.

Densitas wird 20 Standorte unterstützen. Die Anmeldefrist und Qualifizierung endet am 30. Juni 2020 oder wenn wir vollständig abonniert sind, je nachdem, was zuerst eintritt.

Klicken Sie hier, um mehr darüber zu lesen, wie künstliche Intelligenz den Burnout in Ihrer Mammographie-Praxis reduzieren kann.

Vielen Dank für das Interview. Es gibt hier viele wichtige Informationen über Brustgesundheit. Jeder, der mehr erfahren möchte, sollte Densitas besuchen.