L’inaccuratezza dei risultati della diagnostica radiologica può determinare ritardi nel trattamento, costi sanitari più elevati, mancati guadagni e inefficienze operative. Oltre il 20 percento dei referti radiologici contiene qualche errore.¹ Le stime variano, ma il tasso medio di errore diagnostico di questi referti varia dal tre al cinque percento. Si tratta di circa 40 milioni di errori diagnostici all’anno.²
Per ridurli, è fondamentale migliorare l’accuratezza delle immagini e dei referti radiologici.
Le cause del problema
Perché ci sono così tanti errori? Sono diversi i fattori che entrano in gioco e il carico di lavoro potrebbe essere tra i principali. I radiologi devono leggere e interpretare centinaia di immagini al giorno. Uno studio parla di una media di un’immagine ogni tre o quattro secondi per riuscire a tenere sotto controllo il carico di lavoro. Questo aumenta sensibilimente la probabilità di commettere un errore umano.³
Altri fattori importanti sono:
- Scarsa qualità dell’immagine
- Mancanza di supporto per il personale di radiologia
- Errori di trascrizione
- Limitata standardizzazione dei processi
- Annotazioni scritte male e/o confuse
Fortunatamente, la tecnologia odierna può correre in aiuto.
L’intelligenza artificiale trasforma la diagnostica
La radiologia è l’ambito ideale per le applicazioni di intelligenza artificiale (IA) perché si basa sui dati. In questo campo l’IA permette di semplificare il flusso di lavoro e ridurre i tempi di lettura, favorisce la diagnosi precoce della malattia e migliora l’accuratezza diagnostica.⁴ Consente inoltre di estrarre automaticamente le informazioni quantitative, un’operazione spesso considerata troppo dispendiosa in termini di tempo per essere eseguita di routine.⁵
Nuovi strumenti e sistemi di intelligenza artificiale mirano a migliorare notevolmente la potenza di elaborazione dei sistemi precedenti, consentendo ai radiologi di segmentare le lesioni e identificare i vasi con facilità. L’obiettivo? Diagnosi più rapide e accurate e risultati migliori per i pazienti.
La collaborazione migliora le prestazioni
Se l’intelligenza artificiale riguarda l’apprendimento automatico, la connettività virtuale ha a che fare con l’apprendimento umano. Abilitare la formazione e il supporto da parte dei colleghi, in tempo reale, può trasformare il modo in cui i team di radiologia apprendono e lavorano. Tale collaborazione può migliorare l’efficienza del flusso di lavoro e l’accuratezza clinica, promuovendo al contempo la standardizzazione.
Semplificazione dei referti
La compilazione del referto con i dati dell’esame è un momento critico del flusso di lavoro radiologico di cui è possibile migliorare l’accuratezza. Spesso i report includono misurazioni e dettagli dettati dai radiologi a partire da un foglio di lavoro scritto a mano da un ecografista e scansionato nel PACS (il sistema di archiviazione e trasmissione delle immagini). Si tratta di un’attività dispendiosa in termini di tempo e soggetta a un notevole margine di errore.
La tecnologia avanzata aiuta a eliminare il rischio di errori e semplifica il flusso di lavoro trasferendo i dati direttamente nel sistema di dettatura. Quando i dati ecografici vengono trasmessi direttamente dallo scanner e popolano i referti ecografici, i radiologi non devono preoccuparsi di interpretare un foglio scritto a mano o di ricontrollare le immagini per assicurarsi che un numero sia corretto. Possono dedicare più tempo a ciò che sanno fare meglio: interpretare le immagini.
Spianare la strada ad una maggiore precisione
L’integrazione dell’intelligenza artificiale e di altri strumenti digitali nel processo di imaging può migliorare l’assistenza ai pazienti, aumentare l’efficienza e far progredire la pratica. Tali soluzioni non sono più un “nice to have”: rappresentano un percorso necessario.
CONTENUTO CORRELATO
Uno sguardo al futuro digitale degli ultrasuoni: Karley Yoder presenta il mercato degli ultrasuoni digitali e dell’intelligenza artificiale, mentre il Dr. Jason Wiesner di Sutter Health parla delle sfide che stanno affrontando.
BIBLIOGRAFIA
- Frequency and Spectrum of Errors in Final Radiology Reports Generated With Automatic Speech Recognition Technology; Quint, Leslie E. et al.; Journal of the American College of Radiology, Volume 5, Issue 12, 1196 – 1199.
- Itri JN, Tappouni RR, McEachern RO, et al. Fundamentals of diagnostic error in imaging. RadioGraphics. October 2018;38(6). doi: 10.1148/rg.2018180021.
- Hosny A, Parmar C, Quackenbush J, et al. Artificial intelligence in radiology. Nature Reviews Cancer. May 2018;18:500-510. doi: 10.1038/s41568-018-0016-5.
- van Leeuwen KG, de Rooij M, Schalekamp S, et al. How does artificial intelligence in radiology improve efficiency and health outcomes? Pediatric Radiology. June 2021;52:2087-2093. doi: 10.1007/s00247-021-05114-8.
- Guilford-Blake R. Wait. Will AI replace radiologists after all? Radiology Business. Published February 18, 2020. https://radiologybusiness.com/topics/artificial-intelligence/wait-will-ai-replace-radiologists-after-all. Accessed March 2, 2023.


