Mo Abdolell, VD och grundare, Densitas Inc – Intervjuerien

Mo Abdolell är VD och grundare av Densitas Inc., ett företag som fokuserar på mammografiföretaget och som tillhandahåller maskinlärningslösningar för personlig brösthälsa med tekniker som fokuserar på brösttäthet, klinisk bildkvalitet och anpassad risk.

Mo är också docent i diagnostisk radiologi vid Dalhousie University och har som konsultbiostatistiker 25 års erfarenhet av studieutformning, statistisk analys och maskinlärning inom biomedicinsk/ klinisk forskning.

Kan du berätta om din resa bakom lanseringen av Densitas, Inc?
Sedan jag kan minnas har jag velat förbättra hälsan för underservicede befolkningar globalt. Jag ville arbeta för Världshälsoorganisationen på något sätt som gjorde god användning av mina matematiska benägenheter. Det fungerade inte riktigt. Istället studerade jag biostatistik på graduate school vid Dalla Lana School of Public Health, University of Toronto, och avslutade min avhandling i maskinlärning innan jag började arbeta på sjukhus och hälsoforskningsinstitutioner. Jag har undervisat och handledt doktorander i olika områden, inklusive biostatistik, epidemiologi, biomedicinsk teknik och hälso-/medicinsk informatik med fokus på diagnostisk avbildning. Detta har gett mig en första radens plats vid skärningspunkten för olika vetenskapliga discipliner och har gett mig en bred perspektiv på hur artificiell intelligens kan användas för att leverera bättre patientresultat.

Någon som har haft en stor inverkan på beslutet att lansera Densitas har varit Dr. Judy Caines, som var den grundande medicinska direktören för Nova Scotia Breast Screening Program i Halifax, Kanada. Dr. Caines var en sann pionjär och innovatör i sin kliniska praktik med en oföränderlig fokus på att uppnå praktiska och hållbara lösningar för att förbättra kvaliteten på vården och patientresultaten inom kvinnors brösthälsa. Hennes absoluta engagemang och drivkraft för excellens var inspirerande. Hon stödde och uppmuntrade mina tidiga undersökningar inom digital mammografi, en av vilka ledde till utvecklingen av en algoritm för att mäta brösttäthet som den visas i en mammografi. Det allra första som Dr. Caines sa när algoritmen var färdig var att hon ville använda den i klinisk praktik. Detta var den puff som ledde till lanseringen av företaget, vilket slutligen stängde cirkeln på min långvariga önskan att bidra på något sätt till att förbättra den globala hälsan genom att etablera ett partnerskap med RAD-AID International för att leverera bättre brösthälsa i låginkomstländer och medicinskt underservicede regioner i världen.

Det kan komma som en överraskning för många att brösttäthet är en faktor i risken för bröstcancer. Kan du dela dina åsikter om detta?

Brösttäthet hänvisar till mängden epitelial och stromal komponenter i bröstvävnaden, och bröstcancer förekommer vanligtvis i epitelceller. Ju mer epitelvävnad det finns i bröstet, desto större chans att cancer kan förekomma i epitelcellerna.

Dessutom kan tät bröstvävnad och underliggande bröstcancer båda visas vita på en mammografi, vilket innebär att tät vävnad kan dölja närvaron av cancer och öka risken för att missa cancern. I själva verket har hälften av alla kvinnor täta bröst, och hälften av bröstcancerfallen i täta bröst missas.

Dessa fakta är i linje med forskning som visar att kvinnor med extremt täta bröst har en 4-6 gånger ökad risk att utveckla bröstcancer jämfört med kvinnor med feta bröst, och riskmodeller som tar hänsyn till brösttäthet förutsäger bröstcancer bättre än de som inte gör det.

Vilka är de olika maskinlärningsteknikerna som används när det gäller att analysera brösttäthet?

På en hög nivå finns det i princip tre data-modelleringstrategier för att bygga algoritmer som beräknar brösttäthet. Dessa inkluderar statistisk inlärning, maskinlärning och djupinlärning, där varje efterföljande tillvägagångssätt kräver allt större mängder märkt träningsdata. Statistisk inlärning och maskinlärningsalgoritmer kräver att handgjorda bildfunktioner utvecklas som ingångar för att förutsäga brösttäthet. Djupinlärning kräver inte att handgjorda bildfunktioner utvecklas, utan upptäcker istället dessa funktioner själv, driven av den tillgängliga träningsdatan.

Hur kan AI hjälpa till att minska utbrändhet för radiologer?

Utbrändhet erkänns av Världshälsoorganisationen som ett “yrkesfenomen” som kännetecknas av känslor av utmattning, isolering, cynism och minskad professionell engagemang.

Byråkratiska uppgifter som journalföring, rapportering, administrativt pappersarbete och obligatoriska ackrediteringsansvar är de ledande orsakerna till utbrändhet för de flesta radiologer.

AI-automatisering integrerad med digitalisering kan leverera bättre rapportering och arbetsflödeseffektivitet, liksom bättre bildkvalitet och förbättrad processhantering, som frigör radiologer från tråkiga och upprepade rapporterings- och administrativa uppgifter som leder till utbrändhet. Sådana lösningar tillåter radiologer att ägna mer tid åt tolkningsuppgifter och fokusera på patientvård.

Densitas hjälper också avdelningar för avbildning med arbetsflödeseffektivitet och efterlevnad av nationella riktlinjer. Kan du berätta om hur Densitas möjliggör detta?

Nästan 40 delstater i USA har antagit lagstiftning om brösttäthetsmeddelande som kräver att kvinnor måste informeras om sin brösttäthet. Detta omfattar över 85 % av den skärmberättigade befolkningen i landet. Brösttäthet rapporteras visuellt enligt American College of Radiology BI-RADS-täthetsgrad, som har visat sig vara opålitlig och inte reproducerbar, tidskrävande, ett extra rapporteringssteg och distraherande från den primära uppgiften att upptäcka cancer.

En viktig aspekt av FDA Mammografi Kvalitetsstandardlagen (MQSA) Enhancing Quality Using the Inspection Program (EQUIP) är att den ledande tolkande läkaren ska säkerställa att register om kvalitetskontroll (inklusive korrigerande åtgärder) och patientpositionering, samt korrigerande åtgärder i händelse av otillräcklig klinisk bildkvalitet, upprätthålls och uppdateras. Dessutom kräver MQSA EQUIP att ett kvalitetsprogram etableras och att associerade register upprätthålls. MQSA EQUIP anger standarder men är inte preskriptiv i sina krav. Klinisk bildkvalitet bedöms subjektivt och är inte standardiserad. Administrationen av ett kvalitetssystem som fokuserar på den ledande tolkande läkarens och den ledande kvalitetskontrollteknikerns ansvar är vanligtvis inte digitaliserad, är mycket tidskrävande och inte ersättning. Men ackreditering av mammografianläggningar beror på en anläggnings förmåga att visa en effektiv implementering av ett sådant system.

Densitas ai-plattformen levererar AI-automatisering av brösttäthet, klinisk bildkvalitet och bröstcancerriskbedömning på mammografinivå vid vårdgivartillfället, samt på kliniken och hälso- och sjukvårdssystemnivå via en avancerad webbaserad analytisk gränssnitt.

Integreringar med branschledare, inklusive Nuance, ikonopedia, Three Palm Software och stora PACS-leverantörer, säkerställer att brösttäthet, bildkvalitet och riskpoäng automatiskt infogas i system som redan är etablerade i radiologers rapporterings- och arbetsflöden, vilket eliminerar transkriptionsfel, förbättrar rapporteringshastigheten och prioriterar studier för granskning.

Det avancerade webbaserade analysystemet tillhandahåller automatiserad rapportering och revision, digitaliserade arbetsflöden, hälso- och sjukvårdssystemomfattande kvalitetskontroll och benchmarking av prestation och resursanvändning, samt automatisering av administrativa uppgifter.

Kan du diskutera Densitas samarbete med RAD-AID International och hur det hjälper underservicede regioner?
Målet med samarbetet är att tillhandahålla lågresursinstitutioner med utbildning, kliniskt stöd och praktisk utbildning så att de kan anta hållbara mammografipraktiker som utnyttjar praktiska AI-drivna tillämpningar. För bröstavbildningsavdelningar i deltagande institutioner förväntas programmet hjälpa till att förbättra kvaliteten på patienthanteringsbeslut och förbättra tidig sjukdomsdiagnos.

Kenya är ett land med nästan 5 miljoner kvinnor som är berättigade till screeningmammografi, men det finns bara 3 specialistutbildade bröstbilderare i hela landet. Tanzania är ett land med 58 miljoner människor, men har bara 450 tekniker för hela landet. Detta är bara två exempel på många sådana underservicede länder i världen. Att screena så många kvinnor med bara ett fåtal specialistutbildade bröstradiologer och radiologitekniker är omöjligt.

Storskaliga populationsomfattande screeningsprogram, som bröstcancerscreening, kännetecknas av höga patientvolymer som driver behovet av effektiva kliniska arbetsflöden, standardisering av processer och vård, optimering av upprepade rapporterings- och administrativa uppgifter, kostnadseffektiv patient- och processhantering, samt efterlevnad av nationella ackrediteringsstandarder.

Densitas artificiella intelligenslösningar möter dessa utmaningar med automatiserad brösttäthets-, bröstcancerrisk- och klinisk bildkvalitetsbedömning.

Slutligen är målet att förbättra bröstcancerscreening genom tidigare upptäckt och bättre behandling för att rädda liv.

Densitas har också lanserat ett program för att hjälpa till med radiologipersonal under COVID-19-pandemin. Vad är programmet som erbjuds?

I dessa utanför tillfällen är den primära vården nödvändigtvis inriktad på kritiskt sjuka patienter.

En olycklig följd av COVID-19 är att bröstcancerscreening i stor utsträckning har lagts på is.

Men även i de hårdast drabbade regionerna ser vi redan mammografianläggningar som planerar att öka, börjande med diagnostiska och följt av screeningsmammografibokningar. När det sker kommer den enorma mängden patienter som väntar på bröstscreening under de kommande veckorna och månaderna (omplanerade och nya) att utgöra en monumental utmaning för mammografianläggningar och hälso- och sjukvårdssystem, med radiologipersonal som är hårt ansträngd.

Det kommer att vara viktigt att säkerställa att klinisk bildkvalitet upprätthålls på högsta nivå trots stressen av överbelastad avbildningsgenomströmning. AI-automatisering av klinisk bildkvalitetsbedömning, integrerad i ett omfattande analys- och rapporteringsplattform, kommer att förbättra MQSA-inspektionsberedskapen och kommer att frigöra kritiska resurser för patientvård. AI-automatisering av brösttäthets- och bröstcancerriskbedömning och rapportering kommer att öka arbetsflödeseffektiviteten och stödja anpassade uppföljnings-screeningprotokoll.

Vi vill hjälpa till. Under en begränsad tid erbjuder vi vår Densitas ai-plattform som en riskfri, avgiftsfri testversion till utvalda kvalificerade hälso- och sjukvårdssystem, sjukhus och avbildningscenter.

Densitas ai-plattformen kommer att (1) hjälpa till att bekämpa den förestående bristen på personal med AI-automatisering av uppgifter, (2) tillhandahålla arbetsflödeseffektivitet som minskar bördan av tråkiga, (3) tidskrävande och upprepade uppgifter och hjälpa till att mildra personalbrist, (4) lindra betydande resurs- och administrativa krav på FDA Mammografi Kvalitetsstandardlag-inspektioner, (5) digitalisera processer för att maximera social distansering i klinisk vård på ett kontinuerligt sätt.

Densitas ai-plattformen kan distribueras på distans.

Densitas kommer att engagera och stödja 20 platser. Ansöknings- och kvalificeringsdatum är den 30 juni 2020 eller när vi är fullt utnyttjade, beroende på vilket som inträffar först.

Klicka här för att läsa mer om hur AI kan hjälpa till att minska utbrändhet i din mammografipraktik.

Tack för intervjun. Det finns mycket viktig information här om brösthälsa. Alla som vill lära sig mer bör besöka Densitas.