Мо Абдолелл, генеральний директор та засновник Densitas Inc – Серія інтерв’ю

Мо Абдолелл є генеральним директором та засновником компанії Densitas Inc., яка зосереджена на mammography підприємства та надає рішення на основі машинного навчання для персоналізованого здоров’я грудей з технологіями, орієнтованими на густину грудей, клінічну якість зображень та індивідуальний ризик.

Мо також є асоційованим професором діагностичної радіології в університеті Далхаузі та має 25 років досвіду роботи консультантом-біостатистиком у сфері дослідження дизайну, статистичного аналізу та машинного навчання в біомедичній та клінічній сфері.

Розкажіть нам про свій шлях до створення Densitas, Inc.?
Від самого початку я хотів покращити здоров’я недопредставлених популяцій у світі. Я хотів працювати у Всесвітній організації охорони здоров’я в якійсь якості, яка б зробила добру послугу моїм математичним нахилам. Але це не склалося. Замість цього, я вивчав біостатистику в аспірантурі школи громадського здоров’я Далла Лани в університеті Торонто, закінчив свою дисертацію з машинного навчання, після чого перейшов на роботу в лікарні та установи охорони здоров’я. Я викладав і керував аспірантами в різних галузях, включаючи біостатистику, епідеміологію, біомедичну інженерію та інформатику охорони здоров’я, з акцентом на діагностичній візуалізації. Це дало мені можливість спостерігати за перетином різних наукових дисциплін та зрозуміти, як штучний інтелект може бути використаний для покращення результатів лікування пацієнтів.

Хтось, хто мав великий вплив на рішення про створення Densitas, була доктор Джуді Кейнс, яка була засновником медичної дирекції програми скринінгу грудей в Новій Шотландії, Канада. Доктор Кейнс була справжнім лумінаром та інноватором у своїй клінічній практиці з незмінним фокусом на досягненні практичних та сталих рішень для покращення якості лікування та результатів пацієнтів у сфері здоров’я грудей жінок. Її абсолютна відданість та наполегливість були надихаючими. Вона підтримувала та заохочувала мої ранні дослідження в галузі цифрової мамографії, одним з яких було розроблення алгоритму для вимірювання густини грудей на мамограмі. Перше, що сказала доктор Кейнс, коли алгоритм був завершений, було те, що вона хоче використовувати його в клінічній практиці. Це було те, що спонукало до створення компанії, що в кінцевому підсумку закрило коло мого довгострокового бажання зробити свій внесок у покращення глобального здоров’я шляхом створення партнерства з RAD-AID International для надання кращого здоров’я грудей у країнах з низькими доходами та медично недопредставлених регіонах світу.

Чи може бути сюрпризом для багатьох, що густина грудей є фактором ризику раку грудей. Розкажіть нам про свою думку щодо цього?

Густина грудей відноситься до кількості епітеліальних та стромальних компонентів тканини грудей, а рак грудей найчастіше з’являється в епітеліальних клітинах. Отже, чим більше епітеліальної тканини в грудях, тим більша ймовірність того, що рак з’явиться в епітеліальних клітинах.

Крім того, густі тканини грудей та підлягають раку грудей обидва виглядають білими на мамограмі, що означає, що густі тканини можуть маскувати присутність раку та збільшити ризик пропуску раку. Насправді, половина жінок мають густі груди, а половина випадків раку грудей у густих грудях пропускаються.

Ці факти узгоджуються з дослідженнями, які показують, що жінки з надзвичайно густими грудьми мають у 4-6 рази підвищений ризик розвитку раку грудей порівняно з жінками з жирними грудьми, а моделі ризику, які включають густину грудей, краще передбачають розвиток раку грудей, ніж ті, які не включають.

Які різні технології машинного навчання використовуються при аналізі густини грудей?

На високому рівні існують три основні стратегії моделювання даних для побудови алгоритмів, які обчислюють густину грудей. Це статистичне навчання, машинне навчання та глибоке навчання, кожна наступна підхід вимагає все більших та більших позначених навчальних даних. Алгоритми статистичного навчання та машинного навчання вимагають розробки ручних особливостей зображень як вхідних даних для передбачення густини грудей. Глибоке навчання не вимагає розробки ручних особливостей зображень, а скоріше відкриває ці особливості самостійно, керуючись наявними навчальними даними.

Як штучний інтелект може допомогти зменшити вичерпання радіологів?

Вичерпання визнане Всесвітньою організацією охорони здоров’я як «феномен зайнятості», характеризується відчуттям виснаження, ізоляції, цинізму та зниження професійної залученості.

Бюрократичні завдання, такі як ведення документів, звітність, адміністративна паперова робота та обов’язкові процедури акредитації, є основними зареєстрованими причинами вичерпання для більшості радіологів.

Автоматизація штучного інтелекту, інтегрована з цифровізацією, може забезпечити кращу звітність та ефективність робочого процесу, а також покращити якість зображень та процеси управління, звільняючи радіологів від монотонних та повторюваних звітних та адміністративних обов’язків, які призводять до вичерпання. Такі рішення дозволяють радіологам присвятити більше часу інтерпретативним завданням та зосередитися на догляді за пацієнтами.

Densitas також допомагає відділам візуалізації у підвищенні ефективності робочого процесу та дотриманні національних рекомендацій. Розкажіть нам, як Densitas забезпечує це?

Практично 40 штатів у США прийняли законодавство про повідомлення про густину грудей, яке зобов’язує жінок інформувати про густину їхніх грудей. Це охоплює понад 85% населення, яке підлягає скринінгу. Густина грудей візуально повідомляється згідно з шкалою BI-RADS Американського коледжу радіології, яка виявилася ненадійною та не репродуктивною, часу, додаткового кроку звітності, та відволікає від основної задачі виявлення раку.

Одним з ключових аспектів Закону про стандарти якості мамографії FDA (MQSA) є те, що головний лікар-радіолог повинен забезпечити належнє підтримання та оновлення записів щодо контролю якості (включаючи коригувальні дії) та позиціонування пацієнтів, а також коригувальні дії у разі недостатньої клінічної якості зображень. Крім того, MQSA вимагає створення програми забезпечення якості та підтримання відповідних записів. MQSA встановлює стандарти, але не є прескриптивним у своїх вимогах. Клінічна якість зображень суб’єктивно оцінюється та не стандартизована. Адміністрування системи якості, орієнтованої на відповідальність головного лікаря-радіолога та головного технолога контролю якості, зазвичай не цифровізається, дуже часу, та не оплачується. Однак акредитація установ mamografie залежить від здатності установи продемонструвати ефективну реалізацію такої системи.

Платформа densitasai забезпечує автоматизацію штучного інтелекту для густини грудей, клінічної якості зображень та оцінки ризику раку грудей на рівні мамограми, а також на рівні клініки та системи охорони здоров’я через розширений веб-інтерфейс аналітики.

Інтеграція з лідерами галузі, включаючи Nuance, ikonopedia, Three Palm Software, та основних постачальників PACS, забезпечує те, що густина грудей, якість зображень та оцінка ризику автоматично впроваджуються в системи, які вже добре встановлені в роботі радіологів та робочих процесах, усуваючи помилки транскрипції, підвищуючи швидкість звітності та пріоритезуючи дослідження для перегляду.

Розширений веб-інтерфейс аналітики забезпечує автоматизовану звітність та аудит, цифровізацію робочих процесів, контроль якості та бенчмаркінг продуктивності та використання ресурсів, а також автоматизацію адміністративних завдань.

Розкажіть нам про партнерство Densitas з RAD-AID International та про те, як воно допомагає недопредставленим регіонам?
Метою партнерства є надання установам з низькими ресурсами освіти, клінічної підтримки та практичної підготовки, щоб вони могли впроваджувати сталий мамографічний скринінг, який використовує практичні застосунки штучного інтелекту. Для відділів візуалізації грудей у закладах, які беруть участь у програмі, очікується, що вона допоможе покращити якість прийняття рішень щодо лікування пацієнтів та покращити раннє виявлення захворювань.

Кенія – це країна з майже 5 мільйонами жінок, які підлягають скринінговому мамографічному обстеженню, але там є тільки 3 фахівці з мамографії в整个 країні. Танзанія – це країна з 58 мільйонами населення, але там є тільки 450 технологів для всієї країни. Це лише два приклади багатьох таких недопредставлених країн у світі. Скринінг такої кількості жінок з лише декількома фахівцями з мамографії та радіологічними технологами просто неможливий.

Масштабні програми скринінгу, такі як скринінг раку грудей, характеризуються високими обсягами пацієнтів, які створюють потребу у ефективних клінічних робочих процесах, стандартизації процесів та догляду, оптимізації повторюваних звітних та адміністративних завдань, ефективному управлінні пацієнтами та процесами, а також дотриманні національних стандартів акредитації.

Рішення штучного інтелекту Densitas допомагають подолати ці виклики за допомогою автоматизованої оцінки густини грудей, оцінки ризику раку грудей та клінічної якості зображень.

У кінцевому підсумку мета полягає у покращенні скринінгу раку грудей шляхом раннього виявлення та кращого лікування для порятунку життів.

Densitas також запустив програму для допомоги радіологічному персоналу під час пандемії COVID-19. Що за програма пропонується?

У ці непередбачувані часи основна увага приділяється пацієнтам, які знаходяться у критичному стані.

Неприємною наслідком COVID-19 є те, що скринінг раку грудей майже повністю припинився.

Однак навіть у найбільш постраждалих регіонах ми вже бачимо, як мамографічні відділення планують відновлення роботи, починаючи з діагностичної, а потім скринінгової мамографії. Коли це відбувається, величезна кількість пацієнтів, які чекають на скринінг грудей у найближчі тижні та місяці (перенесені та нові), представлятиме величезний виклик для мамографічних відділень та систем охорони здоров’я, з радіологічним персоналом, який знаходиться під великим тиском.

Буде важливо забезпечити, щоб клінічна якість зображень була збережена на найвищому рівні, незважаючи на навантаження великої кількості пацієнтів. Автоматизація штучного інтелекту клінічної якості зображень, інтегрована в комплексну аналітику та звітність, підвищить підготовленість до інспекцій MQSA та звільнить важливі ресурси для догляду за пацієнтами. Автоматизація штучного інтелекту густини грудей та оцінки ризику раку грудей та звітності підвищить ефективність робочого процесу та підтримає індивідуальні протоколи скринінгу.

Ми хочемо допомогти. На обмежений час ми пропонуємо нашу платформу densitasai як безкоштовну пробну версію для відібраних кваліфікованих систем охорони здоров’я, лікарень та центрів візуалізації.

Платформа densitasai допоможе (1) боротися з майбутнім напливом завдань за допомогою автоматизації штучного інтелекту, (2) забезпечити ефективність робочого процесу, яка зменшить навантаження монотонних, (3) часу, та повторюваних завдань та допоможе запобігти вичерпанню персоналу, (4) полегшити значні ресурсні та адміністративні вимоги інспекцій Закону про стандарти якості мамографії FDA, (5) цифровізацію процесів для максимального дотримання принципів соціальної дистанції в клінічній допомозі на постійній основі.

Платформа densitasai може бути розгорнута віддалено.

Densitas підтримає 20 сайтів. Термін реєстрації та кваліфікації – 30 червня 2020 року або до повної реєстрації, залежно від того, що відбувається раніше.

Натисніть тут, щоб дізнатися більше про те, як штучний інтелект може допомогти зменшити вичерпання у вашій мамографічній практиці.

Дякуємо за інтерв’ю. Тут є багато важливої інформації щодо здоров’я грудей. Хто бажає дізнатися більше, повинен відвідати Densitas.