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
1. 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.
2. Itri JN, Tappouni RR, McEachern RO, et al. Fundamentals of diagnostic error in imaging. RadioGraphics. October 2018;38(6). doi: 10.1148/rg.2018180021.
3. 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.
4. 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.
5. 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.
