Curva di apprendimento del TSRM junior nell'analisi TC pre-TAVR: l'incremento delle skill del TSRM neo-assunto con metodiche semi-automizzate a confronto con TSRM esperti (>5aa expertise)

Abstract

La procedura TAVI (Transcatheter Aortic Valve Implantation) rappresenta oggi un trattamento consolidato per la stenosi aortica severa, e la cardio-TC pre-procedurale riveste un ruolo fondamentale nella pianificazione dell’intervento. Obiettivo di questo elaborato è analizzare la curva di apprendimento di un TSRM neo-assunto nell’interpretazione della TC pre-TAVI, valutando il potenziale contributo di software semi-automatizzati nella crescita delle competenze tecniche. Il lavoro confronta le misurazioni ottenute con HeartNavigator (Philips) da parte del TSRM junior, dopo un breve training operativo, con quelle eseguite tramite Aquarius (TeraRecon) da un TSRM esperto con oltre cinque anni di attività nel settore. La ricerca si è focalizzata su tre principali obiettivi: valutare l’affidabilità delle misurazioni eseguite dal TSRM in formazione, confrontandole con quelle ottenute dal TSRM esperto; analizzare la riduzione dei tempi di esecuzione dell’analisi TC nel corso del periodo di apprendimento; stimare l’efficacia del supporto software come strumento didattico per favorire l’acquisizione di autonomia operativa. Lo studio, condotto su 36 cardio-TC di pazienti candidati a TAVI, mostra come l’automazione guidata delle misure (VBR, seni di Valsalva, altezza degli osti coronarici, STJ) favorisca una più rapida strutturazione del metodo analitico nelle prime fasi di formazione del TSRM. Il lavoro contribuisce a definire il valore formativo dei software dedicati nella pratica radiologica pre-TAVI, confermando che la combinazione tra automazione e supervisione esperta costituisce il modello più efficace per l’inserimento del TSRM nei team di imaging cardio-strutturale.

Transcatheter Aortic Valve Implantation (TAVI) is now a well-established treatment option for severe aortic stenosis, and pre-procedural cardiac CT plays a key role in planning the intervention. The aim of this study is to analyze the learning curve of a newly hired Radiologic Technologist (RT) in the interpretation of pre-TAVI CT scans, assessing the potential contribution of semi-automated software to the development of technical competencies. The work compares the measurements obtained using HeartNavigator (Philips) by the junior RT—following a brief operational training—with those performed with Aquarius (TeraRecon) by an experienced RT with more than five years of activity in the field. The research focused on three main objectives: assessing the reliability of the measurements performed by the RT in training, comparing them with those obtained by the expert RT; analyzing the reduction of CT analysis time throughout the learning period; evaluating the effectiveness of software support as a didactic tool to promote the acquisition of operational autonomy. The study, conducted on 36 cardiac CT scans of patients eligible for TAVI, shows that guided automation of measurements (VBR, Valsalva sinuses, coronary ostia height, STJ) supports a faster structuring of the analytical workflow during the initial training phase of the RT. This work contributes to defining the educational value of dedicated software in pre-TAVI radiological practice, confirming that a combination of automation and expert supervision represents the most effective model for integrating Radiologic Technologists into cardiac structural imaging teams.