Mo Abdolell, CEO & Founder, Densitas Inc – Wawancara Seri

Mo Abdolell adalah CEO/Pendiri Densitas Inc., sebuah perusahaan yang fokus pada mammografi yang menyediakan solusi pembelajaran mesin untuk kesehatan payudara pribadi dengan teknologi yang fokus pada kepadatan payudara, kualitas gambar klinis, dan risiko yang disesuaikan.

Mo juga adalah Associate Professor, Diagnostic Radiology, Dalhousie University dan sebagai biostatistik konsultasi telah memiliki 25 tahun pengalaman dalam desain studi, analisis statistik, dan pembelajaran mesin dalam penelitian biomedis/ klinis.

Apakah Anda bisa menjelaskan perjalanan Anda di balik peluncuran Densitas, Inc?
Sejak saya masih ingat, saya ingin membantu meningkatkan kesehatan populasi yang kurang beruntung di seluruh dunia. Saya ingin bekerja untuk Organisasi Kesehatan Dunia dalam kapasitas yang membuat saya menggunakan kemampuan matematika saya dengan baik. Namun, itu tidak pernah terwujud. Sebagai gantinya, saya belajar biostatistik di sekolah pascasarjana Dalla Lana School of Public Health, University of Toronto, menyelesaikan tesis saya dalam pembelajaran mesin sebelum bekerja di rumah sakit dan lembaga penelitian kesehatan. Saya telah mengajar dan mengawasi mahasiswa pascasarjana dalam berbagai bidang termasuk biostatistik, epidemiologi, teknik biomedis, dan kesehatan/medis informatics dengan fokus pada pencitraan diagnostik. Ini telah memberi saya kesempatan untuk berada di persimpangan berbagai disiplin ilmu dan telah memberi saya perspektif yang luas tentang bagaimana kecerdasan buatan dapat digunakan untuk memberikan hasil pasien yang lebih baik.

Seseorang yang memiliki dampak besar pada keputusan untuk meluncurkan Densitas adalah Dr. Judy Caines, yang merupakan direktur medis pendiri Program Skrining Payudara Nova Scotia di Halifax, Kanada. Dr. Caines adalah seorang yang benar-benar luar biasa dan inovatif dalam praktik klinisnya dengan fokus yang tidak goyah pada mencapai solusi yang praktis dan berkelanjutan untuk meningkatkan kualitas perawatan dan hasil pasien dalam kesehatan payudara wanita. Komitmennya yang tidak goyah dan dorongannya untuk keunggulan sangat menginspirasi. Dia mendukung dan mendorong penyelidikan awal saya dalam mammografi digital, salah satunya yang mengarah pada pengembangan algoritma untuk mengukur kepadatan payudara sebagaimana tampak dalam mammogram. Hal pertama yang dikatakan Dr. Caines ketika algoritma selesai adalah bahwa dia ingin menggunakannya dalam praktik klinis. Ini adalah dorongan yang mengarah pada peluncuran perusahaan, yang pada akhirnya menutup loop pada keinginan lama saya untuk berkontribusi dalam beberapa cara untuk meningkatkan kesehatan global dengan mendirikan kemitraan dengan RAD-AID International untuk memberikan kesehatan payudara yang lebih baik di negara-negara berpenghasilan rendah dan daerah yang kurang terlayani di dunia.

Bagi banyak orang, mungkin akan terkejut bahwa kepadatan payudara adalah faktor dalam risiko kanker payudara. Apakah Anda bisa membagikan pandangan Anda tentang hal ini?

Kepadatan payudara merujuk pada jumlah komponen epitel dan stroma jaringan payudara, dan kanker payudara paling umum muncul dalam sel-sel epitel. Jadi, semakin banyak jaringan epitel dalam payudara, semakin besar kemungkinan bahwa kanker mungkin muncul dalam sel-sel epitel.

Tambahnya, jaringan payudara yang padat dan kanker payudara yang mendasarinya keduanya muncul putih pada mammogram, yang berarti bahwa jaringan yang padat dapat menyembunyikan kehadiran kanker dan meningkatkan risiko melewatkan kanker. Faktanya, setengah dari semua wanita memiliki payudara yang padat, dan setengah dari kanker payudara dalam payudara yang padat tidak terdeteksi.

Fakta-fakta ini konsisten dengan penelitian yang menunjukkan bahwa wanita dengan payudara yang sangat padat memiliki risiko 4-6 kali lebih tinggi untuk memiliki kanker payudara dibandingkan dengan wanita dengan payudara yang berlemak, dan model risiko yang memasukkan kepadatan payudara memprediksi kanker payudara lebih baik daripada yang tidak.

Apa teknologi pembelajaran mesin yang berbeda yang digunakan ketika menganalisis kepadatan payudara?

Pada tingkat yang lebih tinggi, ada tiga strategi pemodelan data untuk membangun algoritma yang menghitung kepadatan payudara. Ini termasuk pembelajaran statistik, pembelajaran mesin, dan pembelajaran dalam, dengan setiap pendekatan yang memerlukan dataset pelatihan yang lebih besar. Algoritma pembelajaran statistik dan pembelajaran mesin keduanya memerlukan fitur gambar yang dibuat secara manual untuk dikembangkan sebagai input untuk memprediksi kepadatan payudara. Pembelajaran dalam tidak memerlukan fitur gambar yang dibuat secara manual untuk dikembangkan, tetapi menemukan fitur-fitur tersebut sendiri yang didorong oleh data pelatihan yang tersedia.

Bagaimana AI dapat membantu mengurangi kelelahan untuk radiolog?

Kelelahan diakui oleh Organisasi Kesehatan Dunia sebagai ‘fenomena okupasional’ yang ditandai dengan perasaan kelelahan, isolasi, sinisme, dan pengurangan keterlibatan profesional.

Tugas-tugas birokratis seperti pelaporan, administrasi, dan tugas-tugas akreditasi yang diwajibkan adalah penyebab utama kelelahan yang dilaporkan oleh sebagian besar radiolog.

Otomatisasi AI yang terintegrasi dengan digitalisasi dapat memberikan pelaporan dan efisiensi alur kerja yang lebih baik, serta kualitas gambar dan manajemen proses yang lebih baik, yang membebaskan radiolog dari tugas-tugas pelaporan dan administratif yang membosankan dan berulang-ulang yang menyebabkan kelelahan. Solusi seperti ini memungkinkan radiolog untuk menghabiskan lebih banyak waktu untuk tugas-tugas interpretatif dan fokus pada perawatan pasien.

Densitas juga membantu departemen pencitraan dengan efisiensi alur kerja, dan kepatuhan dengan pedoman nasional. Apakah Anda bisa membagikan dengan kami bagaimana Densitas memungkinkan hal ini?

Hampir 40 negara bagian di seluruh AS telah mengesahkan legislasi notifikasi kepadatan payudara yang mengharuskan wanita harus diberitahu tentang kepadatan payudaranya. Ini mencakup lebih dari 85% dari populasi yang memenuhi syarat untuk skrining di seluruh negara. Kepadatan payudara dilaporkan secara visual sesuai dengan skala kepadatan BI-RADS American College of Radiology yang telah terbukti tidak dapat diandalkan dan tidak dapat direproduksi, memakan waktu, langkah pelaporan tambahan, dan mengalihkan perhatian dari tugas utama deteksi kanker.

Aspek penting dari FDA Mammography Quality Standards Act (MQSA) Enhancing Quality Using the Inspection Program (EQUIP) adalah bahwa Lead Interpreting Physician harus memastikan pemeliharaan dan pembaruan catatan yang tepat tentang kontrol kualitas (termasuk tindakan korektif) dan posisi pasien, serta tindakan korektif dalam hal kualitas gambar klinis yang tidak memadai. Selain itu, MQSA EQUIP mengharuskan pembentukan program QA dan pemeliharaan catatan yang terkait. MQSA EQUIP menetapkan standar tetapi tidak preskriptif dalam persyaratan. Kualitas gambar klinis dievaluasi secara subjektif dan tidak standar. Administrasi sistem kualitas yang fokus pada tanggung jawab LIP dan teknisi QC utama tidak biasanya didigitalisasi, sangat memakan waktu, dan tidak dapat dibayar. Namun, akreditasi fasilitas mammografi bergantung pada kemampuan fasilitas untuk menunjukkan implementasi sistem yang efektif.

Platform densitasai™ memberikan otomatisasi AI dari kepadatan payudara, kualitas gambar klinis, dan penilaian risiko kanker payudara pada tingkat mammogram di titik perawatan serta pada tingkat klinik dan sistem kesehatan melalui antarmuka analitik web-based yang canggih.

Integrasi dengan pemimpin industri termasuk Nuance, ikonopedia, Three Palm Software, dan vendor PACS utama memastikan bahwa kepadatan payudara, kualitas gambar, dan skor risiko disematkan secara otomatis dalam sistem yang sudah mapan dalam alur kerja dan pelaporan radiolog, menghilangkan kesalahan transkripsi, memperbaiki kecepatan pelaporan, dan memprioritaskan studi untuk ditinjau.

Sistem analitik web-based yang canggih menyediakan pelaporan dan auditing yang otomatis, alur kerja yang didigitalisasi, pengawasan kualitas dan benchmarking kinerja dan utilitas sumber daya, serta otomatisasi tugas-tugas administratif.

Apakah Anda bisa membahas kemitraan Densitas dengan RAD-AID International dan bagaimana hal itu membantu daerah yang kurang terlayani?
Tujuan kemitraan adalah untuk memberikan institusi dengan sumber daya yang terbatas dengan pendidikan, dukungan klinis, dan pelatihan tangan untuk mengadopsi praktik mammografi yang berkelanjutan yang memanfaatkan aplikasi AI yang praktis. Untuk departemen pencitraan payudara di institusi yang berpartisipasi, program ini diharapkan dapat membantu meningkatkan kualitas pengambilan keputusan manajemen pasien dan mendeteksi penyakit lebih awal.

Kenya adalah sebuah negara dengan hampir 5 juta wanita yang memenuhi syarat untuk skrining mammografi, tetapi hanya ada 3 ahli pencitraan payudara yang terlatih di seluruh negara. Tanzania adalah sebuah negara dengan 58 juta orang, tetapi hanya memiliki 450 teknisi untuk seluruh negara. Ini hanya beberapa contoh dari banyak negara yang kurang terlayani di seluruh dunia. Melakukan skrining pada banyak wanita dengan hanya beberapa ahli radiologi dan teknisi radiologi yang terlatih adalah mustahil.

Program skrining populasi besar seperti skrining kanker payudara ditandai dengan volume pasien yang tinggi yang memerlukan alur kerja klinis yang efisien, standarisasi proses dan perawatan, optimasi tugas-tugas pelaporan dan administratif yang berulang-ulang, manajemen pasien dan proses yang efektif biaya, serta kepatuhan dengan standar akreditasi nasional.

Solusi kecerdasan buatan Densitas menangani tantangan-tantangan ini dengan penilaian kepadatan payudara, risiko kanker payudara, dan kualitas gambar klinis yang otomatis.

Akhirnya, tujuan adalah untuk membantu meningkatkan skrining kanker payudara melalui deteksi lebih awal dan perawatan yang lebih baik untuk menyelamatkan nyawa.

Densitas juga meluncurkan program untuk membantu staf radiologi selama pandemi COVID-19. Apa program yang ditawarkan?

Pada saat-saat yang tidak terduga ini, fokus utama perawatan adalah pasien yang sakit kritis.

Akibat yang tidak menguntungkan dari COVID-19 adalah bahwa skrining kanker payudara sebagian besar telah dihentikan.

Namun, bahkan di daerah yang paling terkena, kita sudah melihat fasilitas mammografi yang merencanakan untuk meningkatkan kembali, dimulai dengan mammografi diagnostik dan diikuti dengan mammografi skrining. Ketika itu terjadi, jumlah pasien yang menunggu skrining payudara dalam beberapa minggu dan bulan mendatang (yang dijadwalkan ulang dan baru) akan menyajikan tantangan yang monumen bagi fasilitas mammografi dan sistem kesehatan, dengan staf radiologi yang terjepit.

Sangat penting untuk memastikan bahwa kualitas gambar klinis dipertahankan pada standar tertinggi meskipun stres dari kapasitas imaging yang overload. Otomatisasi AI dari penilaian kualitas gambar klinis, terintegrasi dalam platform analitik dan pelaporan yang komprehensif, akan meningkatkan kesiapan inspeksi MQSA dan akan membebaskan sumber daya yang sangat penting untuk perawatan pasien. Otomatisasi AI dari penilaian kepadatan payudara dan skoring risiko kanker payudara akan meningkatkan efisiensi alur kerja dan mendukung protokol skrining yang disesuaikan.

Kami ingin membantu. Untuk waktu yang terbatas, kami menawarkan platform densitasai™ sebagai percobaan tanpa risiko dan biaya kepada sistem kesehatan, rumah sakit, dan pusat pencitraan yang memenuhi syarat.

Platform densitasai™ akan (1) membantu melawan backlog yang akan datang dengan otomatisasi AI dari tugas-tugas, (2) memberikan efisiensi alur kerja yang mengurangi beban tugas-tugas yang membosankan dan berulang-ulang, (3) membantu mengurangi kelelahan staf, (4) mengurangi tuntutan sumber daya dan administratif yang signifikan dari inspeksi FDA Mammography Quality Standards Act, (5) mendigitalisasi proses untuk memaksimalkan prinsip-prinsip jarak sosial dalam perawatan klinis secara berkelanjutan.

Platform densitasai™ dapat diterapkan secara remote.

Densitas akan mendukung 20 situs. Batas waktu untuk pendaftaran dan kualifikasi adalah 30 Juni 2020 atau ketika kami telah mencapai kapasitas penuh, tergantung mana yang terjadi lebih dulu.

Klik Di Sini untuk membaca lebih lanjut tentang bagaimana AI dapat membantu mengurangi kelelahan di praktik mammografi Anda.

Terima kasih atas wawancara. Ada banyak informasi penting di sini tentang kesehatan payudara. Siapa saja yang ingin mempelajari lebih lanjut harus mengunjungi Densitas.