Mo Abdolell, CEO og grunnlegger, Densitas Inc – Intervju-serie

Mo Abdolell er CEO/grunnlegger av Densitas Inc., et selskap som fokuserer på mammografi-foretaket og leverer maskinlæringsløsninger for personlig brysthelse med teknologier som fokuserer på brysttetthet, klinisk bildekvalitet og tilpasset risiko.

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

Kan du fortelle oss om din reise bak lanseringen av Densitas, Inc?
Fra så tidlig jeg kan huske ønsket jeg å forbedre helsen til underbetjente befolkninger globalt. Jeg ønsket å arbeide for Verdens helseorganisasjon på en måte som gjorde god bruk av mine matematiske evner. Det fungerte ikke helt ut. I stedet studerte jeg biostatistikk på graduate school ved Dalla Lana School of Public Health, University of Toronto, og fullførte min avhandling i maskinlæring før jeg begynte å arbeide på sykehus og helseforskningsinstitusjoner. Jeg har undervist og veiledet masterstudenter i ulike områder, inkludert biostatistikk, epidemiologi, biomedisinsk ingeniørvitenskap og helse/medisinsk informatikk med fokus på diagnostisk bilde. Dette har gitt meg en førerstol på krysningspunktet mellom ulike vitenskapelige disipliner og har gitt meg en bred perspektiv på hvordan kunstig intelligens kan brukes til å levere bedre pasientresultater.

Noen som har hatt stor innvirkning på avgjørelsen om å lansere Densitas, har vært Dr. Judy Caines, som var den grunnleggende medisinske direktøren for Nova Scotia Breast Screening Program i Halifax, Canada. Dr. Caines var en sann lysende og innovativ i sin kliniske praksis med en urokkelig fokus på å oppnå praktiske og bærekraftige løsninger for å forbedre kvaliteten på omsorgen og pasientresultatene i kvinners brysthelse. Hennes absolutte forpliktelse og drive for eksellens var inspirerende. Hun støttet og oppmuntret mine tidlige undersøkelser i digital mammografi, en av dem ledet til utviklingen av en algoritme for å måle brysttetthet som vises i en mammogram. Det første Dr. Caines sa da algoritmen var fullført, var at hun ønsket å bruke den i klinisk praksis. Dette var sparken som ledet til lanseringen av selskapet, og til slutt lukket løkken på min langvarige ønske om å bidra på noen måte til å forbedre global helse ved å etablere et partnerskap med RAD-AID International for å levere bedre brysthelse i lavinntektsland og medisinsk underbetjente regioner i verden.

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

Brysttetthet viser til mengden av epiteliale og stromale komponenter i brystvevet, og brystkreft oppstår vanligvis i epiteliale celler. Så, jo mer epitelialt vev i brystet, desto større sjansen for at kreft kan oppstå i epiteliale celler.

I tillegg kan tetthet i brystvev og underliggende brystkreft begge fremstå hvite på en mammogram, noe som betyr at tetthet i brystvev kan skjule tilstedeværelsen av kreft og øke risikoen for å overse kreften. I virkeligheten har halvparten av alle kvinner tette bryst, og halvparten av brystkreftene i tette bryst blir oversett.

Disse faktene er konsistente med forskning som viser at kvinner med ekstremt tette bryst har en 4-6 ganger økt risiko for å få brystkreft sammenlignet med kvinner med fettige bryst, og risikomodeller som inkluderer brysttetthet forutsier brystkreft bedre enn de som ikke gjør det.

Hva er de ulike maskinlærings-teknologiene som brukes når det gjelder å analysere brysttetthet?

På et høyt nivå finnes det i hovedsak tre data-modellstrategier for å bygge algoritmer som beregner brysttetthet. Disse inkluderer statistisk læring, maskinlæring og dyp læring, hvor hver påfølgende tilnærming krever stadig større merket treningssæt. Statistisk læring og maskinlæring-algoritmer krever håndlagde bilde-egenskaper å bli utviklet som inndata for å forutsi brysttetthet. Dyp læring krever ikke håndlagde bilde-egenskaper å bli utviklet, men oppdager disse egenskapene selv, drevet av tilgjengelig treningssæt.

Hvordan kan AI hjelpe med å redusere utbrenthet hos radiologer?

Utbrenthet blir anerkjent av Verdens helseorganisasjon som en ‘arbeidsrelatert fenomen’ karakterisert av følelser av utmattelse, isolasjon, kynisme og redusert profesjonell engasjement.

Bureaukratiske oppgaver som journalisering, rapportering, administrativt papirarbeid og pålagte akkrediteringsansvar er de ledende rapporterte årsakene til utbrenthet hos de fleste radiologer.

AI-automatisering integrert med digitalisering kan levere bedre rapportering og arbeidsflyt-effektiviteter, samt bedre bildekvalitet og forbedret prosesshåndtering som frigjør radiologer fra kjedelige og repetitive rapporterings- og administrative byrder som fører til utbrenthet. Slike løsninger tillater radiologer å dedikere mer tid til tolkende oppgaver og fokusere på pasientomsorg.

Densitas hjelper også billedavdelinger med arbeidsflyt-effektiviteter og overholdelse av nasjonale retningslinjer. Kan du dele med oss hvordan Densitas muliggjør dette?

Nærmere 40 stater over hele USA har vedtatt lovgivning om brysttetthetsvarsel som pålegger kvinner å bli informert om sin brysttetthet. Dette dekker over 85% av den skjermbare befolkningen i landet. Brysttetthet rapporteres visuelt i henhold til American College of Radiology BI-RADS-tetthetsskalaen, som er vist å være ustabilt og ikke-reproduserbar, tidskrevende, en ekstra rapporteringssteg og distraherende fra hovedoppgaven med kreftdeteksjon.

En viktig del av FDA Mammografi-kvalitetsstandardloven (MQSA) Enhancing Quality Using the Inspection Program (EQUIP) er at den ledende tolkende lege skal sikre riktig vedlikehold og oppdatering av kvalitetskontroll (inkludert korrigerende tiltak) og pasientplassering, og korrigerende tiltak i tilfelle av utilstrekkelig klinisk bildekvalitet. MQSA EQUIP krever etablering av et kvalitetsprogram og vedlikehold av tilhørende registreringer. MQSA EQUIP setter standarder, men er ikke preskriptiv i sine krav. Klinisk bildekvalitet blir subjektivt vurdert og ikke standardisert. Administrasjon av et kvalitetssystem fokusert på ansvarlige for LIP og ledende QC-teknolog er vanligvis ikke digitalisert, er svært tidskrevende og ikke refunderbar. Likevel henger mammografi-akkreditering på en fasilitets evne til å demonstrere en effektiv implementering av et slikt system.

Densitasai-plattformen leverer AI-automatisering av brysttetthet, klinisk bildekvalitet og brystkreft-risikovurdering på mammogram-nivå på punkt-for-punkt-omsorg samt på klinikk- og helsesystem-nivå gjennom en avansert web-basert analytics-grensesnitt.

Integreringer med bransjeledere, inkludert Nuance, ikonopedia, Three Palm Software og store PACS-leverandører, sikrer at brysttetthet, bildekvalitet og risikopoeng blir automatisk innlemmet i systemer som allerede er etablert i radiologers rapportering og arbeidsflyt, eliminerer skrivefeil, forbedrer rapporteringshastighet og prioriterer studier for gjennomgang.

Det avanserte web-baserte analytics-systemet gir automatisert rapportering og revisjon, digitaliserte arbeidsflyter, helsesystem-wide kvalitetskontroll og benchmarking av ytelse og ressursutnyttelse, samt automatisering av administrative oppgaver.

Kan du diskutere Densitas’ partnerskap med RAD-AID International og hvordan det hjelper underbetjente regioner?
Målet med partnerskapet er å gi lavresursinstitusjoner utdanning, klinisk støtte og hånd-til-hånd-trening så de kan adoptere bærekraftige mammografi-praksiser som utnytter praktiske AI-drevne applikasjoner. For brystavbildingsavdelinger i deltakende institusjoner, forventes programmet å hjelpe med å fremme kvaliteten på pasientbehandling og forbedre tidlig sykdomsdeteksjon.

Kenya er et land med nesten 5 millioner kvinner som er kvalifisert for skjermbildemammografi, men det finnes bare 3 spesialist-utdannede brystavbildere i hele landet. Tanzania er et land med 58 millioner mennesker, men har bare 450 teknologer for hele landet. Disse er bare to eksempler på mange underbetjente land over hele verden. Skjermbilding av så mange kvinner med bare en håndfull spesialist-utdannede brystavbildere og radiologiske teknologer er bare umulig.

Storskala populasjons-omfattende skjermbildingsprogram, som brystkreftskjermbilding, kjennetegnes av høye pasientvolum som driver behovet for effektive kliniske arbeidsflyter, standardisering av prosesser og omsorg, optimalisering av repetitive rapporterings- og administrative oppgaver, kostnadseffektiv pasient- og prosesshåndtering og overholdelse av nasjonale akkrediteringsstandarder.

Densitas’ kunstig intelligens-løsninger møter disse utfordringene med automatisert brysttetthet, brystkreft-risiko og klinisk bildekvalitet-vurderinger.

Til slutt er målet å hjelpe med å forbedre brystkreftskjermbilding gjennom tidligere deteksjon og bedre behandling for å redde liv.

Densitas har også lansert et program for å hjelpe med radiologisk personale under COVID-19-pandemien. Hva er programmet som tilbys?

I disse utenkelige tidene er hovedfokuset på omsorg nødvendigvis viet kritisk syke pasienter.

En uheldig konsekvens av COVID-19 er at brystkreftskjermbilding i stor grad har blitt satt på vent.

Likevel, selv i de hardest rammede regionene ser vi allerede mammografi-fasiliteter som planlegger å øke, startende med diagnostiske og fulgt av skjermbildemammografi-booking. Når det skjer, vil det enorme antallet pasienter som venter på brystskjermbilding i de kommende uker og månedene (gjenbookinger og nye) fremstille en monumental utfordring for mammografi-fasiliteter og helsesystemer, med radiologisk personale strekt til det ytterste.

Det vil være viktig å sikre at klinisk bildekvalitet opprettholdes på høyeste standard til tross for stresset av overbelastet bilde-gjennomstrømming. AI-automatisering av klinisk bildekvalitet-vurdering, integrert i et omfattende analytics- og rapporteringsplattform, vil øke MQSA-inspeksjonsforberedhet og frigjøre kritiske ressurser for pasientomsorg. AI-automatisering av brysttetthet og brystkreft-risikovurdering og rapportering vil øke arbeidsflyt-effektiviteter og støtte tilpasset oppfølgings-skjermbildingsprotokoller.

Vi ønsker å hjelpe. For en begrenset tid tilbyr vi vår densitasai-plattform som en risikofri, gratis prøve til utvalgte kvalifiserte helsesystemer, sykehus og billedavdelinger.

Densitasai-plattformen vil (1) hjelpe med å bekjempe den forestående bakloggen med AI-automatisering av oppgaver, (2) levere arbeidsflyt-effektiviteter som letter byrden av kjedelige, (3) tidskrevende og repetitive oppgaver og hjelpe med å mildne personale-utbrenthet, (4) lettet betydelige ressurs- og administrative krav til FDA Mammografi-kvalitetsstandardloven-inspeksjoner, (5) digitalisere prosesser for å maksimere sosial-distanseringsprinsipper i klinisk omsorg på en kontinuerlig basis.

Densitasai-plattformen kan deployeres på avstand.

Densitas vil engasjere og støtte 20 steder. Fristen for registrering og kvalifisering er 30. juni 2020 eller når vi er fullt engasjert, avhengig av hva som skjer først.

Klikk her for å lese mer om hvordan AI kan hjelpe med å redusere utbrenthet i din mammografi-praksis.

Takk for intervjuet. Det er mye viktig informasjon her om brysthelse. Alle som ønsker å lære mer bør besøke Densitas.