Mo Abdolell, CEO & Founder, Densitas Inc – Interview Series

Mo Abdolell is CEO/Founder van Densitas Inc., een bedrijf dat zich richt op de mammografische onderneming en machine learning-oplossingen levert voor persoonlijke borstgezondheid met technologieën gericht op borstdichtheid, klinische beeldkwaliteit, aangepast risico.

Mo is ook associate professor, Diagnostische Radiologie, Dalhousie University en als consultant biostatisticus heeft hij 25 jaar ervaring in studieontwerp, statistische analyse en machine learning in biomedisch/clinisch onderzoek.

Kunt u ons meenemen door uw reis achter het lanceren van Densitas, Inc?
Vanaf het moment dat ik me kan herinneren, wilde ik de gezondheid van onderbediende bevolkingsgroepen wereldwijd helpen verbeteren. Ik wilde voor de Wereldgezondheidsorganisatie werken in een capaciteit die goed gebruik maakte van mijn wiskundige neigingen. Nou, dat is nooit echt gelukt. In plaats daarvan studeerde ik biostatistiek in de graduate school aan de Dalla Lana School of Public Health, University of Toronto, en voltooide mijn proefschrift over machine learning voordat ik verderging met werken in ziekenhuizen en gezondheidsonderzoeksinstellingen. Ik heb lesgegeven en begeleid graduate studenten in uiteenlopende gebieden, waaronder biostatistiek, epidemiologie, biomedische techniek en gezondheids-/medische informatica met een focus op diagnostische beeldvorming. Dit heeft me een frontrow-zitplaats gegeven op het snijvlak van diverse wetenschappelijke disciplines en heeft me een brede perspectief gegeven op hoe kunstmatige intelligentie kan worden gebruikt om betere patiëntresultaten te leveren.

Iemand die een grote invloed had op de beslissing om Densitas te lanceren, was Dr. Judy Caines, die de oprichter was van de Nova Scotia Breast Screening Program in Halifax, Canada. Dr. Caines was een ware pionier en innovator in haar klinische praktijk met een onwankelbare focus op het bereiken van praktische en duurzame oplossingen voor het verbeteren van de kwaliteit van zorg en patiëntresultaten in de borstgezondheid van vrouwen. Haar absolute toewijding en drive voor excellentie was inspirerend. Ze ondersteunde en moedigde mijn vroege onderzoeken aan in digitale mammografie, een van welke leidde tot de ontwikkeling van een algoritme om borstdichtheid te meten zoals het verschijnt in een mammogram. Het allereerste dat Dr. Caines zei toen het algoritme was voltooid, was dat ze het wilde gebruiken in klinische praktijk. Dit was de duw die leidde tot de lancering van het bedrijf, uiteindelijk het sluiten van de cirkel op mijn langdurige verlangen om op de een of andere manier bij te dragen aan het verbeteren van de mondiale gezondheid door het aangaan van een partnerschap met RAD-AID International om betere borstgezondheid te leveren in lage-inkomenslanden en medisch onderbediende regio’s van de wereld.

Het kan voor velen een verrassing zijn dat borstdichtheid een factor is in het risico op borstkanker. Kunt u uw mening over dit onderwerp delen?

Borstdichtheid verwijst naar de hoeveelheid epitheliale en stromale componenten van het borstweefsel, en borstkankers verschijnen meestal in epitheliale cellen. Dus, hoe meer epitheliale weefsel in de borst, des te groter de kans dat kanker kan verschijnen in de epitheliale cellen.

Bovendien verschijnen dichte borstweefsel en onderliggende borstkankers beide wit op een mammogram, wat betekent dat dicht weefsel de aanwezigheid van kanker kan maskeren en het risico van het missen van de kanker kan verhogen. In feite hebben de helft van alle vrouwen dichte borsten, en de helft van de borstkankers in dichte borsten wordt gemist.

Deze feiten zijn in overeenstemming met onderzoek dat aantoont dat vrouwen met extreem dichte borsten een 4-6 keer verhoogd risico hebben op het hebben van borstkanker in vergelijking met vrouwen met vetweefsel, en risicomodellen die borstdichtheid incorporeren, voorspellen borstkanker beter dan die welke dat niet doen.

Wat zijn de verschillende machine learning-technologieën die worden gebruikt bij het analyseren van borstdichtheid?

Op hoog niveau zijn er essentieel drie gegevensmodelleringsstrategieën voor het bouwen van algoritmes die borstdichtheid berekenen. Deze omvatten statistisch leren, machine learning en diep leren, waarbij elke opeenvolgende benadering steeds grotere gelabelde trainingsgegevenssets vereist. Statistisch leren en machine learning-algoritmes vereisen handmatig gemaakte beeldkenmerken die moeten worden ontwikkeld als invoer om borstdichtheid te voorspellen. Diep leren vereist geen handmatig gemaakte beeldkenmerken die moeten worden ontwikkeld, maar ontdekt deze kenmerken zelf op basis van de beschikbare trainingsgegevens.

Hoe kan AI helpen om burn-out te verminderen voor radiologen?

Burn-out wordt erkend door de Wereldgezondheidsorganisatie als een ‘occupatie-fenomeen’ gekenmerkt door gevoelens van uitputting, isolement, cynisme en verminderde professionele betrokkenheid.

Bureaucratische taken zoals het opmaken van rapporten, administratief papierwerk en verplichte accreditatietaken zijn de meest gerapporteerde oorzaken van burn-out voor de meeste radiologen.

AI-automatisering geïntegreerd met digitalisering kan betere rapportage en workflow-efficiëntie leveren, evenals betere beeldkwaliteit en verbeterd procesbeheer, waardoor radiologen worden bevrijd van saaie en repetitieve rapportage- en administratieve taken die leiden tot burn-out. Dergelijke oplossingen stellen radiologen in staat om meer tijd te besteden aan interpretatietaken en zich te concentreren op patiëntenzorg.

Densitas helpt ook beeldvormingsafdelingen met workflow-efficiëntie en naleving van nationale richtlijnen. Kunt u met ons delen hoe Densitas dit mogelijk maakt?

Bijna 40 staten in de VS hebben wetgeving over borstdichtheidskennisgeving aangenomen die vereist dat vrouwen op de hoogte worden gesteld van hun borstdichtheid. Dit dekt meer dan 85% van de bevolking die in aanmerking komt voor beeldvorming in het hele land. Borstdichtheid wordt visueel gerapporteerd volgens de American College of Radiology BI-RADS-dichtheidschaal, die onbetrouwbaar en niet reproduceerbaar is gebleken, tijdrovend, een extra rapportagestap, en afleidt van de primaire taak van kankerdetectie.

Een belangrijk aspect van de FDA Mammography Quality Standards Act (MQSA) Enhancing Quality Using the Inspection Program (EQUIP) is dat de Lead Interpreting Physician ervoor moet zorgen dat de juiste onderhouds- en updategegevens van de kwaliteitscontrole (inclusief correctieve acties) en patiëntpositionering, en correctieve acties in het geval van onvoldoende klinische beeldkwaliteit, worden bijgehouden. Bovendien vereist de MQSA EQUIP de instelling van een kwaliteitsprogramma en het bijhouden van de bijbehorende gegevens. De MQSA EQUIP stelt normen vast, maar is niet voorschrijvend in haar eisen. Klinische beeldkwaliteit wordt subjectief beoordeeld en niet gestandaardiseerd. Het beheer van een kwaliteitssysteem gericht op de verantwoordelijkheden van de LIP en de leidende QC-technoloog is niet typisch gedigitaliseerd, is zeer tijdrovend en niet vergoed. Toch hangt de accreditatie van een mammografiefaciliteit af van het vermogen van een faciliteit om de effectieve implementatie van een dergelijk systeem te demonstreren.

Het Densitasai™-platform levert AI-automatisering van borstdichtheid, klinische beeldkwaliteit en borstkankerrisicobeoordeling op het niveau van de mammogrammen en op het niveau van de kliniek en het gezondheidssysteem via een geavanceerd webgebaseerd analytisch interface.

Integraties met brancheleiders, waaronder Nuance, ikonopedia, Three Palm Software en grote PACS-leveranciers, garanderen dat borstdichtheid, beeldkwaliteit en risicoscores automatisch worden ingebed in systemen die al goed zijn gevestigd in de rapportage- en workflows van radiologen, waardoor transcriptiefouten worden geëlimineerd, de rapportagesnelheid wordt verbeterd en studies worden geprioriteerd voor beoordeling.

Het geavanceerde webgebaseerde geïntegreerde analytische systeem biedt geautomatiseerde rapportage en auditing, digitaliseert workflows, biedt kwaliteitscontrole en benchmarking van prestaties en resource-gebruik op het niveau van het gezondheidssysteem, en automatiseert administratieve taken.

Kunt u bespreken hoe het partnerschap tussen Densitas en RAD-AID International werkt en hoe het helpt bij onderbediende regio’s?
Het doel van het partnerschap is om laagdrempelige instellingen te voorzien van onderwijs, klinische ondersteuning en hands-on training, zodat ze duurzame mammografische praktijken kunnen aannemen die praktische AI-gebaseerde toepassingen benutten. Voor borstbeeldvormingsafdelingen in deelnemende instellingen wordt verwacht dat het programma zal helpen om de kwaliteit van patiëntbeheerbeslissingen te verbeteren en vroege ziektedetectie te verbeteren.

Kenia is een land met bijna 5 miljoen vrouwen die in aanmerking komen voor screeningmammografie, maar er zijn slechts 3 fellowship-getrainde borstbeeldvormers in het hele land. Tanzania is een land van 58 miljoen mensen, maar heeft slechts 450 technici voor het hele land. Dit zijn slechts twee voorbeelden van veel dergelijke onderbediende landen over de hele wereld. Het screenen van zo veel vrouwen met slechts een handvol specialist-getrainde borstradiologen en radiologische technici is gewoon onmogelijk.

Grote, populatiebrede screeningsprogramma’s zoals borstkankerscreening worden gekenmerkt door hoge patiëntenvolumes die een efficiënte klinische workflow, standaardisatie van processen en zorg, optimalisatie van repetitieve rapportage- en administratieve taken, kosteneffectief patiënt- en procesbeheer en naleving van nationale accreditatiestandaards vereisen.

De kunstmatige intelligentie-oplossingen van Densitas lossen deze uitdagingen op met geautomatiseerde borstdichtheids-, borstkankerrisico- en klinische beeldkwaliteitsbeoordelingen.

Uiteindelijk is het doel om borstkankerscreening te helpen verbeteren door vroegere detectie en betere behandeling te leveren om levens te redden.

Densitas heeft ook een programma gelanceerd om te helpen bij radiologiepersoneel tijdens de COVID-19-pandemie. Wat is het programma dat wordt aangeboden?

In deze ongekende tijden is de primaire focus van zorg noodzakelijkerwijs gewijd aan kritiek zieke patiënten.

Een ongelukkig gevolg van COVID-19 is dat borstkankerscreening grotendeels stil is gelegd.

Toch zien we in de meest getroffen regio’s al mammografiefaciliteiten die plannen maken om diagnostische en screeningsmammografie-examens te hervatten. Als dat gebeurt, zal het enorme aantal patiënten dat wacht op borstscreening in de komende weken en maanden (opnieuw gepland en net nieuwe) een monumentale uitdaging vormen voor mammografiefaciliteiten en gezondheidssystemen, met radiologiepersoneel dat dun is uitgerekt.

Het zal belangrijk zijn om ervoor te zorgen dat de klinische beeldkwaliteit op het hoogste niveau wordt gehandhaafd, ondanks de stress van overbelaste beeldvormingsdoorvoer. AI-automatisering van klinische beeldkwaliteitsbeoordeling, geïntegreerd in een uitgebreid analytisch en rapportageplatform, zal MQSA-inspectiebereidheid verhogen en cruciale middelen voor patiëntenzorg vrijmaken. AI-automatisering van borstdichtheid en borstkankerrisicobeoordeling en rapportage zal de workflow-efficiëntie verhogen en aangepaste follow-upscreeningsprotocollen ondersteunen.

We willen helpen. Voor een beperkte tijd bieden we ons Densitasai™-platform aan als een risicovrije, kosteloze proef voor geselecteerde kwalificerende gezondheidssystemen, ziekenhuizen en beeldvormingscentra.

Het Densitasai™-platform zal (1) helpen om de aanstormende achterstand te bestrijden met AI-automatisering van taken, (2) workflow-efficiëntie bieden die de last van saaie, (3) tijdrovende en repetitieve taken vermindert en helpt om personeelsburn-out te mitigeren, (4) significante middelen- en administratieve eisen van FDA Mammography Quality Standards Act-inspecties verlicht, (5) digitaliseert processen om sociale-afstandsbeginselen in klinische zorg op een continue basis te maximaliseren.

Het Densitasai™-platform kan op afstand worden geïmplementeerd.

Densitas zal 20 sites betrekken en ondersteunen. De deadline voor inschrijving en kwalificatie is 30 juni 2020 of wanneer we volledig zijn ingeschreven, afhankelijk van wat het eerst gebeurt.

Klik hier om meer te lezen over hoe AI burn-out in uw mammografische praktijk kan helpen verminderen.

Bedankt voor het interview. Er is veel belangrijke informatie hier over borstgezondheid. Iedereen die meer wil leren, moet Densitas bezoeken.