Intelligenza artificiale e Teleradiologia (DELFI)
Una delle recenti innovazioni tecnologiche implementate nell’ambito della diagnostica per immagini è stata la teleradiologia.
Oggi, un esame radiologico può essere completamente delocalizzato, liberando gli operatori coinvolti nel processo decisionale di diagnosi e cura dall’obbligo di compresenza fisica. In sostanza, un esame diagnostico può essere fisicamente eseguito in un luogo, refertato in un altro, mentre la decisione clinica finale può essere presa in un terzo e così via.
Ciò ha permesso, in primis, di estendere il servizio di radiologia e di portarlo in zone periferiche che ne erano prive, favorendone così l’accessibilità. Inoltre, sta contribuendo a mantenere attivi servizi altrimenti destinati alla chiusura a causa di rimodulazioni organizzative dettate da politiche sanitarie o a difficoltà a reperire determinate figure professionali (1).
L’importanza di tale innovazione si è manifestata in tutta la sua efficacia durante il periodo pandemico. La possibilità di eseguire prestazioni a domicilio o nelle RSA ha permesso la riduzione dell’afflusso nelle strutture ospedaliere ormai stracolme e allo stremo per l’infezione dovuta al virus Sars-Cov 2. Come tutte le innovazioni, anche questa introduce nuovi elementi di complessità: infatti se la scelta di una Direzione Strategica verte sullo svolgimento di esami di radiologia all’interno di un presidio ospedaliero periferico in cui non si può garantire la presenza quotidiana del medico radiologo, le indagini radiografiche vengono inviate in un hub distante dalla zona di acquisizione.
Questo si traduce in un aumento dell'impegno del medico radiologo localizzato nell’hub il quale dovrà soddisfare le richieste sia della sua postazione fisica che dell’area periferica. Aumentare il numero di esami diagnostici da refertare significa aumentare il rischio di errore (2) e aumentare anche i tempi stessi della refertazione (3;4). Altro elemento di complessità emerge nel rapporto ISTISAN 10/44 “Linee guida per l’assicurazione di qualità in teleradiologia” in cui si afferma che: “ il medico richiedente comunica telefonicamente con il radiologo, ne verifica l’identità, e lo informa dei dati clinici ai fini della giustificazione; Trasmette la richiesta firmata digitalmente ed aggiunge alla teletrasmissione oltre ai dati clinici rilevanti anche quelli richiesti dal radiologo in telegestione”.
Nella pratica clinica alcuni aspetti vanno dunque trattati con particolare attenzione e l’aspetto tecnologico può e deve supportare medico prescrivente e medico radiologo, nelle fasi di anamnesi e visita del paziente nonché nell’attribuzione della corretta priorità al TAT (turnaround time) dei pazienti clinicamente più rilevanti. Come riportato nella tabella degli errori diagnostici redatta da Kim & Mansfield (5), una storia clinica incompleta o non precisa rappresenta circa il 2% degli errori diagnostici totali. Inoltre, Ghazala Wahid e colleghi (6) hanno dimostrato che nel loro gruppo di studio una storia clinica incompleta influisce sul 34.8 % dei ritardi di refertazione mentre i problemi di comunicazione tra il medico prescrivente e il medico radiologo determinano il 14% dei ritardi.
Pertanto, la priorità di refertazione in alcuni contesti può rappresentare la differenza fra la diagnosi di frattura ricevuta dopo pochi minuti o anche dopo molti giorni. Questo vuol dire ritardare il percorso di cura, con tutte le conseguenze associate (6;7). Principio che viene opportunamente sottolineato nelle “Indicazioni nazionali per l’erogazione delle prestazioni in telemedicina “ del 27 Ottobre del 2020 in cui si afferma che : “Il medico esegue e invia il telereferto in tempi idonei alle necessità cliniche del paziente …” . All’interno di questo contesto trova giusta applicazione l’uso dell’intelligenza artificiale. I software di intelligenza artificiale permettono di gestire la dose radiante, effettuano ricostruzioni dei settori anatomici, fanno analisi quantitative aumentando la sensibilità e la specificità nell’individuazione di fratture di tutti i distretti corporei (8) e fanno analisi qualitative. Inoltre, costituiscono un valido aiuto nella compilazione del referto perchè automatizzano tutte le operazioni ripetitive, facilitando il compito del radiologo.
Materiali e metodi
In questo contesto si colloca tale sperimentazione. Si tratta di uno studio multicentrico esteso a tutto il territorio nazionale. All’interno di un sistema PACS dedicato unicamente allo scopo, verranno inviate le immagini diagnostiche in formato DICOM, collegato al software di IA “BoneView” e “ChestView” della Gleamer. Qualsiasi utente, previa pseudonimizzazione o totale anonimizzazione delle immagini di radiologia tradizionale può collegarsi al PACS e ottenere i risultati dell’analisi automatica.
Le indagini oggetto della ricerca sono le seguenti:
- RX torace per la diagnosi di:
- Pneumotorace
- Consolidazione
- Versamento pleurico
- Noduli
- Massa mediastinica
- RX estremità, pelvi, colonna vertebrale toracica e lombare, coste per la ricerca di
- Fratture
- Lussazioni
- Lesioni ossee
- Versamenti
Non sono oggetto di studio immagini di radiologia tradizionale dei seguenti distretti: cranio, massiccio facciale e colonna cervicale. Inoltre, non rientrano all’interno di tale sperimentazione le immagini radiologiche del torace per pazienti di età inferiore ai 15 anni.
Questo studio si rivolge sia agli adulti che ai bambini di entrambi i sessi.
Si consiglia l’invio di immagini della miglior qualità possibile. Il software non può processare immagini di scarsa qualità.
Inoltre, una volta effettuata questa valutazione sarebbe utile l’inserimento del referto strutturato (9) del medico radiologo al fine di valutare la corrispondenza con i dati del software. Tale referto sarà successivamente confrontato con una terza valutazione fatta in doppio cieco.
Al termine delle operazioni, saranno resi disponibili due sondaggi. Il primo mira a comprendere il feedback degli attori principalmente coinvolti nel percorso diagnostico: i tecnici di radiologia ed i medici radiologi. Nella seconda, il medico radiologo potrà valutare la priorità di refertazione delle evidenze individuate.
Il periodo di sperimentazione sarà di 6 mesi, suddiviso in due fasi che si alterneranno ogni mese. Nella prima, la valutazione delle immagini verrà effettuata secondo la modalità ordinaria. Solo la seconda prevederà l'utilizzo del software.
I titolari di tale studio sono AITASIT e Vito Mancusi TSRM presso ASP Basilicata. Al termine, le informazioni raccolte saranno elaborate da quest’ultimi e da Mario Giovanni Tamburriello TSRM presso ASP Basilicata. La collaborazione alla realizzazione di tale studio è aperta a chiunque intenda confrontarsi con questa nuova realtà.
Obiettivi dello studio
In ultima analisi, il progetto si pone l'obiettivo di ridefinire la worklist di refertazione in base alle priorità. Il TSRM che lavora in teleradiologia in base ai risultati del software può valutare se porre immediatamente in refertazione l’indagine radiografica. In questo modo si riduce il tempo di attesa, l’area patologica viene individuata prima e prima l’utente può essere inserito nel percorso di cura. Infine, in base alle evidenze cliniche, l'obiettivo è anche quello di implementare nel software dei protocolli di urgenza che segnalino la necessità di procedere il prima possibile alla produzione del referto.
Questa sperimentazione nasce dall'idea di poter fornire un valido supporto integrativo al tradizionale flusso di lavoro radiologico. Non prevede la sostituzione di una o più figure professionali. Si vuole dimostrare se e quanto l’utenza tragga beneficio diretto da una tecnologia che riesca a soddisfare in tempi rapidi la propria richiesta, efficientando al contempo il tempo impiegato dagli operatori, diminuendone stress e rischi.
Bibliografia
- https://www.lastampa.it/cuneo/2023/04/21/news/meno_risorse_turni_massacranti_la_sanita_pubblica_in_codice_rosso-12766893/amp/;
- INAIL (2017) CARICHI DI LAVORO E SICUREZZA DEGLI OPERATORI SANITARI Benessere di medici e infermieri, performance e conseguenze sulla sicurezza dei pazienti ;
- Canon CL, Chick JFB, DeQuesada I, Gunderman RB, Hoven N, Prosper AE. Physician burnout in radiology: perspectives from the field. Am J Roentgenol. 2022;218(2):370-4;
- Parikh JR, Wolfman D, Bender CE, Arleo E. Radiologist burnout according to surveyed radiology practice leaders. J Am Coll Radiol. 2020;17(1):78-81;
- Kim YW, Mansfield LT (2014) Fool me twice: delayed diagnoses in radiology with emphasis on perceptuated errors. AJR 202:465–470;
- Ghazala Wahid et all “Causes of Delay in Radiological Reporting and ways to Reduce them”, Vol. 12 No. 3 (2022): Journal of Saidu Medical College, Swat;
- Cournane S, Conway R, Creagh D, Byrne DG, Sheehy N, Silke B. Radiology imaging delays as independent predictors of length of hospital stay for emergency medical admissions. Clin Radiol. 2016;71(9):912-8;
- Ali Guermazi, MD, PhD et all “Improving Radiographic Fracture Recognition Performance and Efficiency Using Artificial Intelligence”. Radiology 2021; 000:1–10;
- Ganeshan D, Duong PT, Probyn L, Lenchik L, McArthur TA, Retrouvey M, Ghobadi EH, Desouches SL, Pastel D, Francis IR. Structured Reporting in Radiology. Acad Radiol. 2018 Jan;25(1):66-73. doi: 10.1016/j.acra.2017.08.005. Epub 2017 Oct 10. PMID: 29030284.