Nel panorama della Sanità Digitale italiana, si fa strada un’idea innovativa: un “sistema terzo” basato sull’Intelligenza Artificiale, integrato con la piattaforma regionale di gestione immagini radiologiche (VNA/PACS, Vendor Neutral Archive/Picture Archiving and Communication System) e con la Patologia Digitale, per migliorare gli screening diagnostici su scala regionale.
Questa soluzione – frutto di un project work di chi scrive [Alberto Panese (ACSS Lombardia) e Riccardo Giovanazzi (IRCCS San Gerardo), ndr] – promette diagnosi più tempestive e accurate.
Indice degli argomenti
Un ecosistema digitale in evoluzione: il contesto del project work
Negli ultimi anni, la Sanità Digitale in Italia sta vivendo una profonda trasformazione, sospinta anche dagli investimenti del PNRR (Missione 6) e da normative nazionali che spingono verso l’integrazione dei servizi digitali.
In Lombardia, ad esempio, sono in fase di implementazione:
- una piattaforma regionale VNA/PACS (Vendor Neutral Archive) per centralizzare l’archiviazione e condivisione delle immagini diagnostiche (radiografie, risonanze, ecc.) tra tutti gli enti sanitari pubblici e privati accreditati;
- un sistema regionale di Digital Pathology per gestire in modo unificato i laboratori di anatomia patologica con vetrini digitalizzati, consentendo la potenziale applicazione di algoritmi di AI sulle immagini istologiche per aumentare precisione e velocità diagnostica;
- una nuova Infrastruttura Regionale di Telemedicina (IRT) per abilitare teleconsulti e telerefertazioni fra specialisti di diverse strutture, senza spostamenti, migliorando la collaborazione clinica a distanza.
Queste iniziative, integrate con il Fascicolo Sanitario Elettronico 2.0 (FSE 2.0), creano un ecosistema digitale in cui fluiscono tutti i dati sanitari del cittadino.
Ad esempio, il decreto ministeriale 7 settembre 2023 ha disposto che gli inviti ai programmi di screening siano recapitati tramite il FSE, e che quest’ultimo includa referti basati su immagini (non solo radiologiche, ma anche di altre specialità come medicina nucleare, cardiologia, ecc.) completi delle immagini stesse.
Regione Lombardia ha già adeguato i sistemi: tramite il portale Prenota Salute, le cittadine possono autonomamente prenotare la mammografia di screening, ricevendo poi nel proprio FSE l’invito e, in futuro, l’esito refertato con relative immagini.
L’Intelligenza Artificiale a supporto della diagnostica: l’idea di un “sistema terzo” integrato
Il contesto normativo e tecnologico appena analizzato fa da base al project work -presentato da chi scrive (Panese e Giovanazzi, ndr) – che propone di sfruttare proprio l’integrazione tra PACS e Patologia Digitale, aggiungendo un terzo elemento intelligente: l’AI applicata agli screening diagnostici.
L’idea progettuale è introdurre una piattaforma di Intelligenza Artificiale come “terzo lettore” nell’ambito degli screening diagnostici regionali, in particolare, inizialmente, per lo screening del tumore alla mammella.
Nel programma standard, le mammografie di screening (rivolte a donne 45-74 anni) vengono già esaminate da due radiologi indipendenti (doppia lettura) per aumentare l’accuratezza. Il sistema proposto aggiunge un algoritmo di AI che analizza le stesse immagini mammografiche e fornisce ai medici un’indicazione ulteriore sulle aree sospette e sulle probabilità di lesioni, fungendo da supporto decisionale.
In pratica, l’AI agisce come un “terzo occhio”: può segnalare anomalie potenzialmente sfuggite e contribuire a ridurre i falsi negativi (tumori mancati) e i falsi positivi (richiami inutili) nelle diagnosi.
Già oggi, esistono strumenti AI in mammografia che confermano questo potenziale. Ad esempio, Saige-Q è un algoritmo validato che identifica mammografie sospette e allerta prontamente il radiologo, mentre ScreenTrust CAD combina lettura automatica e umana migliorando la scoperta di casi tumorali iniziali; tali soluzioni, adottate in centri di senologia, hanno mostrato un significativo miglioramento delle performance diagnostiche.
Integrando uno strumento simile nel flusso regionale, ogni mammografia caricata sul VNA/PACS regionale sarebbe analizzata dall’AI: i risultati (es. punteggi di rischio, indicazione di aree anomale) sarebbero resi disponibili al radiologo, in modo che egli possa consultarli durante la refertazione.
Questo avverrebbe in tempo reale, anche grazie alla rete IRT di telemedicina: un radiologo di un ospedale potrebbe confrontarsi via teleconsulto con un collega di un altro ente e con il “parere” aggiuntivo dell’AI sulle immagini.
Vantaggi e prospettive d’uso
Il vero valore aggiunto del progetto, però, sta nell’integrazione multidisciplinare: collegare le immagini radiologiche del sospetto nodulo rilevato allo screening con le immagini anatomopatologiche del campione bioptico prelevato in caso di richiamo.
Oggi, se la mammografia evidenzia un dubbio, la paziente viene richiamata per approfondimenti (ecografia, biopsia…); il tessuto prelevato viene analizzato dal patologo e digitalizzato in vetrini ad alta risoluzione. Il progetto prevede che anche queste immagini istologiche digitali confluiscano nel sistema: l’AI le analizza per riconoscere cellule tumorali o alterazioni tissutali, contribuendo alla diagnosi definitiva.
In prospettiva, l’AI potrebbe correlare i risultati radiologici e patologici: ad esempio, un pattern dubbio in mammografia viene confermato come maligno dall’istologia, “insegnando” così al modello a riconoscere meglio quel pattern in futuro. Viceversa, se il nodulo sospetto si rivela benigno, l’AI apprende al fine di ridurre falsi allarmi simili.
Questo circolo virtuoso migliora continuamente la sensibilità e specificità degli algoritmi man mano che aumentano i dati a disposizione. Si ottiene un duplice vantaggio: da un lato, diagnosi più accurate e uniformi sul territorio (grazie allo skill combinato di medici + AI); dall’altro, si arricchisce il patrimonio di dati clinici utilizzabili per ricerca ed epidemiologia, dato che tutte le informazioni di imaging e patologia confluiscono in un repository centrale.
Non solo screening mammografico
Il progetto si concentra inizialmente sullo screening mammografico, ma è pensato come scalabile ad altri screening basati su imaging.
In futuro, lo stesso modello AI potrebbe supportare lo screening del tumore prostatico (ad esempio, analizzando immagini ecografiche o risonanze multiparametriche della prostata), del colon-retto (integrando magari immagini endoscopiche e dati da analisi di laboratorio come il sangue occulto fecale) o della cervice uterina (Pap test digitalizzati e colposcopie).
Anche negli screening polmonari con TC a basso dosaggio – ormai avviati in sperimentazione – l’AI può aiutare a identificare noduli sospetti precocemente.
L’Intelligenza Artificiale nella diagnostica come moltiplicatore di forza clinica
In Lombardia, ogni anno si eseguono circa 1 milione di mammografie di screening (donne 45-74 anni) e vengono invitati circa 900mila cittadini per il colon-retto e 210 mila donne per la cervice; volumi enormi, in crescita, difficili da gestire con le sole risorse umane.
Un sistema AI centralizzato consentirebbe di ottimizzare le risorse specialistiche: ad esempio, escludendo automaticamente gli esami chiaramente negativi, i radiologi e anatomo-patologi potrebbero concentrarsi sui casi più complessi, abbattendo i tempi d’attesa per i referti e coprendo anche zone carenti di personale grazie al teleconsulto.
In altri termini, l’Intelligenza Artificiale applicata alla diagnostica diventerebbe un moltiplicatore di forza clinica, aiutando a offrire uno standard di cura elevato e uniforme su tutto il territorio.
Le fasi del project work
Va sottolineato che il successo di questa integrazione richiede un’attenta validazione clinica e una graduale introduzione: il project work ipotizza fasi progressive in cui inizialmente l’AI affianca i due medici (terzo lettore), poi potrebbe sostituire il secondo lettore umano, e infine – a regime – operare come primo filtro autonomo con supervisione finale dello specialista. Solo dopo rigorosi test e formazione del personale (previsti nel progetto) si potrà passare alle fasi successive.
Il risultato atteso è migliorare sensibilità e specificità degli screening (si stimano incrementi al 95%–98% in sensibilità nell’ipotesi di AI come lettore unico a regime), riducendo i “cancro di intervallo” (tumori scoperti tra un controllo e l’altro) e aumentando la sopravvivenza grazie a diagnosi più precoci.
Intelligenza Artificiale nella diagnostica: una fase entusiasmante per l’AI in Sanità
L’arrivo dell’AI in Sanità – come emerge anche da questo innovativo progetto di Intelligenza Artificiale nella diagnostica – apre una fase entusiasmante e cruciale.
Il project work sull’integrazione tra VNA/PACS, Patologia Digitale e AI negli screening regionali, infatti, ne è un chiaro esempio: mostra come sia possibile mettere insieme innovazione tecnologica e visione organizzativa per affrontare problemi reali (carenza di specialisti, eterogeneità territoriale, bisogno di maggiore produttività diagnostica) con soluzioni nuove.
Le prospettive delineate dalla radiologia aumentata dall’AI fino al monitoraggio domiciliare intelligente e alla ricerca data-driven tratteggiano una sanità futura più proattiva, precisa e personalizzata.
Certo, le sfide non mancano: servono regole certe, evidenze cliniche solide, formazione e un cambio di mentalità. Ma il percorso è segnato.
Per approfondire: Il Project Work di Alberto Panese e Riccardo Giovanazzi
“Previsione di un sistema terzo per sfruttare le potenzialità date dall’integrazione di un sistema di digital pathology e di digital imaging (PACS) su scala regionale. Intelligenza artificiale applicata negli screening a supporto della diagnostica“
