Mo Abdolell, CEO & Founder, Densitas Inc – Wywiad

Mo Abdolell jest CEO/założycielem Densitas Inc., firmy skupionej na mammografii, która dostarcza rozwiązania oparte na uczeniu maszynowym dla personalizowanej opieki piersi z technologiami skupionymi na gęstości piersi, jakości obrazu klinicznego i dostosowanym ryzyku.

Mo jest również profesorem nadzwyczajnym, radiologii diagnostycznej, Uniwersytetu Dalhousie i jako biostatystyk konsultacyjny ma 25-letnie doświadczenie w projektowaniu badań, analizie statystycznej i uczeniu maszynowym w badaniach biomedycznych i klinicznych.

Czy możesz opowiedzieć nam o swojej drodze do założenia Densitas, Inc?
Od jakiegoś czasu chciałem poprawić zdrowie ludzi na całym świecie. Chciałem pracować dla Światowej Organizacji Zdrowia w jakiejś roli, która wykorzystywałaby moje umiejętności matematyczne. Nie udało się. Zamiast tego, studiowałem biostatystykę na studiach podyplomowych w Szkole Zdrowia Publicznego Dalla Lana, Uniwersytetu Toronto, ukończyłem pracę doktorską z uczenia maszynowym, zanim zacząłem pracować w szpitalach i instytucjach badawczych. Wykładałem i nadzorowałem studentów studiów wyższych w różnych dziedzinach, w tym biostatystyce, epidemiologii, inżynierii biomedycznej i informatyki zdrowia/medycznej, ze szczególnym uwzględnieniem diagnostyki obrazowej. Dało mi to miejsce w pierwszym rzędzie na skrzyżowaniu różnych dyscyplin naukowych i dało mi szeroką perspektywę na to, jak sztuczna inteligencja może być wykorzystana do poprawy wyników pacjentów.

Osoba, która miała duży wpływ na decyzję o założeniu Densitas, to Dr Judy Caines, która była założycielem i dyrektorem medycznym programu badań piersi w Halifax, Kanada. Dr Caines była prawdziwą luminarią i innowatorką w swojej praktyce klinicznej, z niezachwianym zaangażowaniem w osiąganie praktycznych i zrównoważonych rozwiązań dla poprawy jakości opieki i wyników pacjentów w zdrowiu piersi kobiet. Jej absolutne zaangażowanie i pęd do doskonałości były inspirujące. Wspierała i zachęcała mnie do wczesnych badań w mammografii cyfrowej, jednego z nich, które doprowadziło do opracowania algorytmu do pomiaru gęstości piersi na mammogramie. Pierwszą rzeczą, którą Dr Caines powiedziała, gdy algorytm został ukończony, było to, że chce go wykorzystać w praktyce klinicznej. To był impuls, który doprowadził do założenia firmy, zamykając pętlę mojego długotrwałego pragnienia, aby w jakiś sposób przyczynić się do poprawy zdrowia na całym świecie, poprzez ustanowienie partnerstwa z RAD-AID International, aby dostarczyć lepszą opiekę piersi w krajach o niskich dochodach i obszarach medycznie zaniedbanych na świecie.

Może Cię zaskoczyć, że gęstość piersi jest czynnikiem ryzyka raka piersi. Czy możesz podzielić się swoimi poglądami na ten temat?

Gęstość piersi odnosi się do ilości składników nabłonkowych i stromalnych tkanki piersi, a raki piersi najczęściej pojawiają się w komórkach nabłonkowych. Im więcej tkanki nabłonkowej w piersi, tym większe prawdopodobieństwo, że rak może pojawić się w komórkach nabłonkowych.

Ponadto, gęsta tkanka piersi i podstawowe raki piersi pojawiają się białe na mammogramie, co oznacza, że gęsta tkanka może maskować obecność raka i zwiększać ryzyko pominięcia raka. W rzeczywistości, połowa kobiet ma gęste piersi, a połowa raków piersi w gęstych piersiach jest pomijana.

Te fakty są zgodne z badaniami, które pokazują, że kobiety z ekstremalnie gęstymi piersiami mają 4-6-krotnie zwiększone ryzyko zachorowania na raka piersi w porównaniu z kobietami o piersiach tłuszczowych, a modele ryzyka, które uwzględniają gęstość piersi, lepiej przewidują raka piersi niż te, które nie uwzględniają.

Jakie są różne technologie uczenia maszynowego, które są wykorzystywane do analizy gęstości piersi?

Na wysokim poziomie istnieją podstawowe trzy strategie modelowania danych do budowy algorytmów, które obliczają gęstość piersi. Obejmują one uczenie statystyczne, uczenie maszynowe i głębokie uczenie, przy czym każde następne podejście wymaga coraz większych zestawów danych szkoleniowych. Uczenie statystyczne i uczenie maszynowe wymagają opracowania ręcznych cech obrazu jako danych wejściowych do przewidywania gęstości piersi. Głębokie uczenie nie wymaga opracowania ręcznych cech obrazu, ale odkrywa je samodzielnie, napędzane przez dostępne dane szkoleniowe.

Jak sztuczna inteligencja może pomóc w redukcji wypalenia się radiologów?

Wypalenie jest uznawane przez Światową Organizację Zdrowia za “zjawisko zawodowe” charakteryzujące się uczuciami wyczerpania, izolacji, cynizmu i zmniejszonej profesjonalnej angażowania.

Zadania biurokratyczne, takie jak dokumentacja, raportowanie, prace administracyjne i obowiązki akredytacyjne, są najczęstszymi przyczynami wypalenia się większości radiologów.

Automatyzacja sztucznej inteligencji zintegrowana z cyfryzacja może dostarczyć lepsze raportowanie i efektywność przepływu pracy, a także lepszą jakość obrazu i zarządzanie procesami, które uwolnią radiologów od nużących i powtarzalnych zadań raportowania i administracyjnych, które prowadzą do wypalenia. Takie rozwiązania pozwalają radiologom poświęcić więcej czasu na zadania interpretacyjne i skupić się na opiece pacjentów.

Densitas pomaga również działom obrazowania w efektywności przepływu pracy i zgodności z wytycznymi krajowymi. Czy możesz opowiedzieć nam, jak Densitas umożliwia to?

Prawie 40 stanów w USA uchwaliło ustawodawstwo dotyczące gęstości piersi, które nakazuje kobietom informowanie o ich gęstości piersi. Dotyczy to ponad 85% populacji kwalifikującej się do badań w całym kraju. Gęstość piersi jest raportowana wizualnie zgodnie ze skalą gęstości BI-RADS Amerykańskiego Kolegium Radiologii, która okazała się niewiarygodna i niepowtarzalna, czasochłonna, dodatkowy krok raportowania, i rozpraszająca od podstawowego zadania wykrywania raka.

Kluczowym aspektem ustawy o jakości mammografii FDA (MQSA) jest to, że główny lekarz interpretujący musi zapewnić właściwe utrzymanie i aktualizację rekordów dotyczących kontroli jakości (w tym działań naprawczych) i pozycjonowania pacjentów, a także działania naprawcze w przypadku niewystarczającej jakości obrazu klinicznego. Ponadto MQSA wymaga ustanowienia programu kontroli jakości i utrzymania związanych z nim rekordów. MQSA ustanawia standardy, ale nie są one wiążące. Jakość obrazu klinicznego jest oceniana subiektywnie i nie jest standaryzowana. Zarządzanie systemem jakości skupionym na odpowiedzialności LIP i głównego technika QC nie jest zwykle cyfryzowane, jest bardzo czasochłonne i nie jest refundowane. Jednak akredytacja mammografii zależy od zdolności placówki do wykazania skutecznego wdrożenia takiego systemu.

Platforma densitasai dostarcza automatyzację sztucznej inteligencji gęstości piersi, jakości obrazu klinicznego i oceny ryzyka raka piersi na poziomie mammografii, a także na poziomie klinicznym i systemu opieki zdrowia, za pomocą zaawansowanego interfejsu analitycznego opartego na sieci Web.

Integracje z liderami branży, w tym Nuance, ikonopedia, Three Palm Software i głównymi dostawcami PACS, zapewniają, że gęstość piersi, jakość obrazu i ocena ryzyka są automatycznie osadzane w systemach, które są już dobrze ugruntowane w raportowaniu i przepływie pracy radiologów, eliminując błędy transkrypcyjne, poprawiając szybkość raportowania i priorytetyzując badania do przeglądu.

Zaawansowany system analityczny oparty na sieci Web zapewnia automatyczne raportowanie i audyt, cyfryzowane przepływy pracy, kontrolę jakości i benchmarking wydajności i wykorzystania zasobów, a także automatyzację zadań administracyjnych.

Czy możesz omówić partnerstwo Densitas z RAD-AID International i jak ono pomaga obszarom zaniedbanym?
Celem partnerstwa jest dostarczenie instytucjom o niskich zasobach edukacji, wsparcia klinicznego i szkoleń praktycznych, aby mogły przyjąć zrównoważone praktyki mammografii, wykorzystując praktyczne aplikacje napędzane sztuczną inteligencją. Dla działów obrazowania piersi w uczestniczących instytucjach program ma na celu poprawę jakości decyzji dotyczących zarządzania pacjentami i poprawę wczesnego wykrywania chorób.

Kenia to kraj z prawie 5 milionami kobiet, które kwalifikują się do mammografii, ale jest tylko 3 specjalistów od obrazowania piersi w całym kraju. Tanzania to kraj o 58 milionach ludzi, ale ma tylko 450 techników dla całego kraju. Są to tylko dwa przykłady wielu takich obszarów zaniedbanych na świecie. Badanie tak dużej liczby kobiet z tylko garstką specjalistów szkoleniowych i technicznych jest po prostu niemożliwe.

Programy badań przesiewowych, takie jak badanie raka piersi, charakteryzują się dużą liczbą pacjentów, co powoduje potrzebę efektywnych przepływów pracy, standaryzacji procesów i opieki, optymalizacji powtarzalnych zadań raportowania i administracyjnych, efektywnego zarządzania pacjentami i procesami, a także przestrzegania standardów akredytacji krajowej.

Rozwiązania sztucznej inteligencji Densitas adresują te wyzwania, dostarczając automatyczne oceny gęstości piersi, ryzyka raka piersi i jakości obrazu klinicznego.

Ostatecznym celem jest poprawa badań przesiewowych raka piersi poprzez wcześniejsze wykrywanie i lepsze leczenie, aby uratować życie.

Densitas uruchomił również program, aby pomóc personelowi radiologicznemu podczas pandemii COVID-19. Jaki program jest oferowany?

W tych bezprecedensowych czasach, główny focus opieki jest koniecznie poświęcony krytycznie chorym pacjentom.

Niestety, jednym z następstw COVID-19 jest to, że badanie raka piersi zostało w dużej mierze wstrzymane.

Jednakże, nawet w najbardziej dotkniętych regionach, widzimy już, że placówki mammografii planują wznowienie, rozpoczynając od badań diagnostycznych, a następnie badań przesiewowych. Kiedy to się stanie, ogromna liczba pacjentów oczekujących na badanie piersi w nadchodzących tygodniach i miesiącach (przełożone i nowe) będzie stanowić ogromne wyzwanie dla placówek mammografii i systemów opieki zdrowia, z personelem radiologicznym rozciągniętym na cienkim lodzie.

Będzie ważne, aby zapewnić, że jakość obrazu klinicznego jest utrzymana na najwyższym standardzie, pomimo stresu przeładowanej wydajności obrazowania. Automatyzacja sztucznej inteligencji oceny jakości obrazu klinicznego, zintegrowana z kompleksowym systemem analitycznym i raportowym, zwiększy przygotowanie do inspekcji MQSA i uwolni kluczowe zasoby dla opieki pacjentów. Automatyzacja sztucznej inteligencji gęstości piersi i oceny ryzyka raka piersi zwiększy efektywność przepływu pracy i wesprze dostosowane protokoły przesiewowe.

Chcemy pomóc. Dla ograniczonego czasu oferujemy naszą platformę densitasai jako bezpłatną, bez ryzyka próbę dla wybranych, kwalifikujących się systemów opieki zdrowia, szpitali i centrów obrazowania.

Platforma densitasai (1) pomoże w walce z nadchodzącym zapolem zadań, (2) dostarczy efektywność przepływu pracy, która zmniejszy ciężar nużących, (3) czasochłonnych i powtarzalnych zadań i pomoże złagodzić wypalenie personelu, (4) złagodzi znaczne wymagania zasobowe i administracyjne inspekcji FDA Mammography Quality Standards Act, (5) cyfryzuje procesy, aby maksymalizować zasady dystansu społecznego w opiece klinicznej na stałe.

Platforma densitasai może być wdrożona zdalnie.

Densitas wesprze 20 placówek. Termin rejestracji i kwalifikacji to 30 czerwca 2020 r. lub do momentu, gdy będziemy w pełni zakwalifikowani, w zależności od tego, co nastąpi wcześniej.

Kliknij tutaj, aby przeczytać więcej o tym, jak sztuczna inteligencja może pomóc w redukcji wypalenia w Twoim zakładzie mammografii.

Dziękuję za wywiad. Jest tu wiele ważnych informacji na temat zdrowia piersi. Każdy, kto chce dowiedzieć się więcej, powinien odwiedzić Densitas.