Il possibile ruolo di un sistema AI-driver nella diagnostica di screening del carcinoma colon-rettale

Abstract

Introduzione: Negli ultimi anni l’evoluzione tecnologica ha portato ad un progressivo passaggio dalla medicina tradizionale ad una medicina automatizzata, supportata da algoritmi capaci di analizzare enormi quantità di dati clinici, ridurre le tempistiche di refertazione e diagnosi, rendere le terapie sempre più mirate e precise prevenendo l’insorgenza di nuove patologie con l’obiettivo finale di migliorare la qualità delle cure per i pazienti. Questa transizione si inquadra in una realtà complessa legata ai continui tagli alla Sanità Pubblica che mettono a dura prova il nostro sistema sanitario con un aumento dei carichi di lavoro a fronte di risorse umane sempre più inadeguate. L’integrazione della tecnologia digitale e dell’intelligenza artificiale può rappresentare quindi una possibile risposta alle criticità legate ai ritardi diagnostici, specialmente nei casi oncologici, dove la tempestività dell’intervento può risultare cruciale. Scopo del lavoro: Questo studio propone di analizzare e ottimizzare le tempistiche del ciclo analitico dei campioni istologici con l’obiettivo di ridurre/eliminare i ritardi diagnostici. Lo studio ha previsto inizialmente un monitoraggio del tempo totale che intercorre tra la ricezione di un campione, l’analisi, lo studio, e la refertazione del risultato (di seguito TAT - Turn-Around Time), nonché lo studio sulle biopsie coliche con l’intento di sviluppare un metodo operativo in grado di consentire, attraverso l’ausilio dell’intelligenza artificiale, la classificazione automatica delle lesioni e la corretta assegnazione della priorità diagnostica riducendo i TAT clinici. Materiali e Metodi: Lo studio è stato condotto sui campioni istologici presenti presso l’Anatomia Patologica dell’Ospedale di Imperia. Inizialmente è stato effettuato un monitoraggio dei “TAT” clinici su tutti i campioni di biopsie coliche pervenuti nell’anno 2024 per identificare i ritardi analitici. Successivamente è stato condotto uno studio retrospettivo sui camp

ntroduction: In recent years, technological evolution has led to a progressive shift from traditional medicine to automated medicine, supported by algorithms capable of analyzing enormous amounts of clinical data, reducing reporting and diagnosis times, and making therapies increasingly targeted and precise, thus preventing the onset of new pathologies. This transition is part of a complex reality linked to ongoing cuts to public healthcare, which are severely straining our healthcare system, resulting in increased workloads and increasingly inadequate human resources. The integration of digital technology and artificial intelligence may therefore represent a potential response to the critical issues related to diagnostic delays, especially in oncology cases, where timely intervention can be crucial. Purpose of the study: This study aims to analyze and optimize the analytical cycle times of histological samples with the aim of reducing/eliminating diagnostic delays. The study initially included monitoring the total time between sample receipt, analysis, testing, and reporting of the results (hereinafter, TAT - Turn-Around Time), as well as a study of colonic biopsies. The aim was to develop an operating method that, using artificial intelligence, would enable automatic classification of lesions and correct diagnostic prioritization, thus reducing clinical TATs. Materials and Methods: The study was conducted on histological samples held at the Pathology Department of Imperia Hospital. Initially, clinical TATs were monitored on all colonic biopsy samples received in 2024 to identify analytical delays. Subsequently, a retrospective study was conducted on colonic histological samples collected between November 30, 2024, and April 30, 2025, representing 21.6% of the annual caseload. The analytical cycle was divided into three phases (T0: pre-analytical, T1: analytical, T2: post-analytical). The critical issues of each phase were analyzed, highlighting how T1 represents t