Revelio è un progetto avanzato per lo sviluppo di un sistema di Artificial Intelligence (AI) per il supporto diagnostico di precisione che trova applicazione nei programmi di screening per la prevenzione del tumore al seno.
Il Team del progetto è composto da ingegneri esperti di algoritmi AI, da professionisti con esperienza decennale nell’organizzazione e direzione delle aziende sanitarie pubbliche, e da diversi professionisti sanitari per validare la soluzione dal punto di vista clinico-scientifico.
I destinatari del progetto sono tutte le unità di senologia impiegate nei programmi di screening per la prevenzione del tumore al seno.
Il sistema permette di elaborare le immagini diagnostiche degli studi mammografici mettendo a disposizione le seguenti funzionalità:
1. Individuazione della lesione sospetta – Individuazione di posizione, forma e dimensione (segmentazione) della lesione sospetta
2. Score di malignità – Predizione dello score di malignità che indica la probabilità della presenza di una neoplasia maligna
3. Densità mammografica – Stima la densità mammografica secondo la codifica internazionale BI-RADS
Il sistema presenta, perciò, i seguenti casi d’uso:
1. Triage veloce degli studi normali – Diminuzione di circa il 60% del carico di lavoro dei radiologi attraverso il triage automatico degli studi normali senza compromettere le performance diagnostiche
2. Diagnosi precoci del tumore al seno – Incremento delle performance nel diagnosticare il tumore al seno al primo stadio (T1)
3. Abbattimento dei falsi negativi – L’ulteriore lettura della mammografia da parte dell’AI in second o third opinion (in aggiunta al doppio cieco dei radiologi) abbatte il numero dei falsi negativi
4. Incremento della performance diagnostica nelle mammele dense più difficili da interpretare
5. Supporto decisionale sulle azioni da intraprendere nei casi più complessi BI-RADS 3 e 4
Tutti questi casi d’uso possono implementare, nel loro complesso, un protocollo di screening aumentato e potenziato dall’AI che permette di ottenere i seguenti vantaggi per i destinatari del progetto:
• Abbattimento del carico di lavoro dei radiologi stimato a più della metà scartando automaticamente gli studi mammografici normali senza aumentare il rischio di falsi negativi
• Suggerimento ad effettuare un’escalation diagnostica ad esami di secondo livello per gli studi risultati normali dalla lettura in doppio cieco ma che hanno ricevuto dall’AI uno score di malignità alto (third opinion)

FREKI – SMART HOSPITALS
Abbiamo sviluppato una soluzione robotica innovativa per automatizzare il processo di campionamento microbiologico delle superfici in ambito ospedaliero, al fine di riconoscere precocemente patogeni come batteri e virus, i quali, se non individuati tempestivamente, potrebbero diffondersi incontrollabilmente. Il lavoro ha coinvolto l’addestramento di FREKI (Mosaico Monitoraggio Integrato s.r.l., Boston Dynamics), piattaforma robotica mobile a guida autonoma (Spot) finanziata dal progetto europeo ODIN – Smart Hospitals, per eseguire le operazioni tradizionalmente svolte a mano dagli operatori sanitari.
Le sfide legate al campionamento tramite swab includono molteplici variabili influenzate dall’intervento manuale dell’operatore, dalla pressione esercitata nel campionamento e dall’accessibilità non sempre agevole dei punti di prelievo. Questo approccio innovativo offre numerosi vantaggi: il robot può eseguire le misurazioni in modo ripetuto e continuativo, anche durante le ore notturne, garantendo così l’omogeneità e l’affidabilità dei risultati. Inoltre, il robot supera le limitazioni umane nell’efficace copertura delle superfici da campionare e nella ripetizione coerente delle operazioni di campionamento.
Il campionamento automatizzato può essere eseguito anche in ambienti pericolosi per il personale sanitario, come durante la gestione di malattie altamente contagiose, riducendo così il rischio di contagio per i professionisti. Nel progetto, ci siamo concentrati sul campionamento da parte di FREKI su superfici di particolare interesse, le maniglie, riconosciute come punti critici per la trasmissione di batteri e agenti patogeni.
Abbiamo implementato un modello di Intelligenza Artificiale basato su YOLOv8n per la rilevazione degli oggetti, addestrandolo con oltre 1500 fotografie delle maniglie presso il Simulation Center dell’Università Campus Bio-Medico di Roma, arrivando a una percentuale di successo nel riconoscimento del target del 95%. Utilizzando tecniche avanzate di Computer Vision e Stereo Vision, abbiamo stimato con precisione la distanza tra la maniglia individuata e il robot, con un errore massimo di 2 centimetri. Attraverso l’analisi della disparità tra le posizioni delle bounding boxes nelle due inquadrature della fotocamera montata sul braccio robotico di FREKI, siamo riusciti a ottenere una stima accurata della profondità, fondamentale per garantire un’ottimale esecuzione dell’attività di campionamento.

Vista la necessità di rafforzare i percorsi e i processi di lavorazione del Laboratorio di Anatomia Patologica, l’AOU Federico II, nell’ambito del progetto POR Campania FESR 2014-2020, obiettivo specifico 2.2, azione 2.2.1, ha deciso di investire sulla Digital Pathology dotandosi di soluzioni sia hardware che software, per l’acquisizione, la gestione, la condivisione e l’interpretazione delle informazioni di anatomia patologica, inclusi vetrini e dati, in un ambiente completamente digitale, al fine di supportare la diagnosi di precisione per cure sempre più personalizzate.

Nello specifico, l’AOU Federico II si è dotata di:
• un software di Digital Pathology, integrato con il LIS Winsap 3.0 di Anatomia Patologica in uso presso l’AOU ed interoperabile con gli strumenti diagnostici del laboratorio di Anatomia Patologica (es: scanner di vetrini);
• strumenti diagnostici di ultima generazione: scanner digitali automatizzati per vetrini, workstation di refertazione, stampanti per vetrini e per etichette QR-Code, stampanti per biocassette, server, tissue microarrayer (TMA) semiautomatic.

Le immagini di digital pathology possono essere archiviate verso il PACS aziendale e successivamente recuperate, condivise a distanza tra colleghi ed analizzate mediante tecniche di intelligenza artificiale supportando il patologo ed il medico durante le fasi di diagnosi, prognosi e trattamento terapeutico garantendo un servizio di cura per il paziente più efficiente e di elevata qualità.

La patologia digitale e l’uso dell’intelligenza artificiale si apprestano a rappresentare una nuova “rivoluzione” nel campo della patologia e a cambiare di conseguenza il ruolo del patologo nel percorso diagnostico-terapeutico del paziente consentendo di:
• Migliorare il processo di diagnosi in termini di tempo e precisione;
• Aumentare l’efficienza e la produttività attraverso un elevato livello di automazione, standardizzazione delle procedure e gestione paperless;
• Aumentare il livello di servizio ai pazienti;
• Facilitare le attività di second opinion e consentire processi diagnostici a distanza;
• Creare gradualmente un archivio digitale dei vetrini che possa essere utilizzato non solo per il processo diagnostico ma anche per scopi di ricerca, educazionali e sviluppo di nuovi algoritmi AI.

Background
The Model for Assessing Artificial Intelligence (MAS-AI) was proposed in 2022 with the aim to support the traditional Health Technology Assessment (HTA) in the evaluation of AI-based clinical models, in particular the imaging ones. The legal liability of these new technologies it’s of great importance in order to safely implement them into clinical practice. This framework was developed by a multidisciplinary team of expert in order to define the minimum standards necessary to integrate an AI system into clinical workflow.
This study investigates the MAS-AI adaptability to other types of AI technologies and its trasferability in the Italian context.

Methods
We applied MAS-AI, a framework for evaluating AI’s value in healthcare, to conduct a technology assessment of an AI model developed internally named BLOC-OP. BLOC-OP utilizes AI to enhance the operational efficiency of the surgical unit and enhance the operating list scheduling. It’s trained with the real time and automated collection of patient’s surgical block, operating room and recovery room lenght of staying and by integrating these data with patient’s features and type of surgery.
We evaluated BLOC-OP’s features outlined in the project documentation using the evaluation criteria provided by MAS-AI.

Results
We successfully adhered to the methodological framework of MAS-AI and conducted a comprehensive assessment of BLOC-OP across all dimensions. Detailed descriptions of each domain within the framework, along with a summary table, were compiled.
This case study suggests the potential adaptation of MAS-AI to the Italian context and its applicability in evaluating organizational AI models like BLOC-OP.

In this work, a novel method for selecting the optimal set of input features for classifying the presence of congestive heart failure (CHF) using a supervised machine learning approach is presented. Secondary data in the form of long-term (20 hours) electrocardiogram (ECG) Holter monitor data for normal and CHF patients were obtained from PhysioNet. A random forest classifier (RFC) was employed to carry out the binary classification task and two different models were explored. The datasets were pre-processed and analysed to obtain heart rate variability (HRV) measures in the time, frequency, and non-linear domains. For the first model, the embedded RFC feature importance attribute was employed, and the 10 most important input features selected. The second model adopts a multi-classifier technique which integrates the feature weight importance correlation (FWIC) method. Fourteen commonly used classifiers were aggregated to select the 10 best features, based on the frequency of occurrence of each feature across all classifiers and the associated feature importance score. For each classifier, features were ordered based on rated order of importance and score (1 being the highest and 10 the lowest). Preference was given to features occurring more frequently across all classifiers. Where features report the same frequency across classifiers, a higher value of the mean feature importance score was used to decide their hierarchy in the frequency table. Features occurring more than once were subjected to iterative correlation analysis based on the order of importance of the feature in the frequency table. Correlation values were used to remove features from the dataset once the set correlation iteration threshold (CIT) value (≤0.45 & 0.40 respectively) was exceeded. Results obtained on the test set for Model 1 showed a root mean squared error (RMSE) of 0.25 and a prediction accuracy of 0.94. For Model 2b (where CIT≤0.40), the model attained 100% accuracy. Additionally, stratified shuffle split cross-validation was employed to test the effect of class imbalance and data leaks on model performance. Interestingly, the test accuracy for Model 2b remained at 100% for each stratified fold. Consequently, The FWIC input feature selection method provides a generalised approach to feature engineering for machine learning models irrespective of the algorithm used, thus assuring optimal model performance as well as the relevance of predicted variables to the diagnosis.

Il progetto COACH si concentra sull’impatto dell’invecchiamento della popolazione e sulle relative sfide che ne conseguono per i sistemi sanitari globali. Obiettivo della presente progettualità è quello di fornire strumenti digitali adeguati al fine di affrontare la crescente domanda di cure a lungo termine, con un’enfasi sulla prevenzione e l’identificazione precoce delle malattie croniche.
La proposta mira a sviluppare strumenti tecnologicamente innovativi per supportare la prevenzione, diagnosi, terapia e follow-up delle patologie croniche. Il progetto COACH si focalizza sull’Insufficienza Respiratoria Cronica (IRC) come patologia di riferimento e propone l’utilizzo di tecnologie di monitoraggio domiciliare per consentire l’esame a distanza dei pazienti e il monitoraggio continuo dello stato di salute nel loro ambiente di vita.
Il progetto si propone di affrontare le criticità legate alla prescrizione dell’ossigenoterapia, fornendo strumenti di telemonitoraggio, televisita e telecooperazione sanitaria. Ciò consentirà di accorciare le distanze tra pazienti e personale sanitario, facilitando la valutazione remota dei pazienti da parte degli specialisti e agevolando la cooperazione tra professionisti della salute.
Le attività del progetto includono la ricerca di elementi innovativi per la diagnosi e cura della IRC, la raccolta di informazioni cliniche per alimentare un algoritmo intelligente, l’analisi di azioni quotidiane e stili di vita influenti sulla condizione del paziente combinate a tecniche di intelligenza artificiale per la realizzazione di un Decisional Support System in grado di predire il riacutizzarsi del quadro patologico dei pazienti affetti da IRC.
La proposta mira a fornire un modello di rete assistenziale per migliorare le conoscenze dei professionisti nella gestione delle patologie croniche, con un focus iniziale sulla IRC. Gli obiettivi includono la diagnosi predittiva, il monitoraggio remoto, la stimolazione psico-cognitiva attraverso Digital Therapeutics e la valutazione dell’efficacia della proposta in termini di miglioramenti clinici e gestionali. In particolare, ciò che si vuole fornire tramite i Digital Therapeutics sono funzionalità integrate all’app fruibile dai pazienti che stimolino dal punto di vista psico-cognitivo il paziente spronandolo (grazie alla combinazione di grafica, tecniche psicologiche e logiche di consumer behaviour) ad aderire alle terapie e a stili di vita corretti tramite specifici messaggi e notifiche.

La sanità pubblica sta incontrando difficoltà crescenti nel sostenere le richieste degli utenti. Ogni esame o visita specialistica passa attraverso il sistema di prenotazione CUP, che cerca di garantire, grazie a una priorità prestabilita, l’erogazione della prestazione. Liste di attesa, errori di appropriatezza, squilibri tra domanda e offerta, sistema rigido diviso in tempi prestabiliti… sono tutti aspetti di un sistema destinato a collassare. Ed è qui che ci può venire in aiuto l’intelligenza artificiale: l’integrazione di un sistema CUP, slegato parzialmente o totalmente dall’operatore “umano”, con un supporto digitale capace di calcolare possibilità e disponibilità, insieme alla pertinenza della richiesta, sarebbe in grado di utilizzare al meglio le risorse fornendo risposte adeguate alla maggior parte degli iter diagnostico-terapeutici. La ricetta medica, con indicazione di prestazione (codice univoco), unita alla diagnosi posta dal medico prescrittore, viene esaminata dal sistema CUP-IA, prima indagando la situazione caso per caso, e poi analizzando le varie disponibilità sul territorio, segnalando le eventuali urgenze. Il paziente può diventare parte attiva nel processo di prenotazione, in quanto CUP-IA può analizzare il dato anamnestico per potenziare la ricerca, e eventualmente adattare i tempi necessari all’erogazione della prestazione. Non esisterà più la prenotazione “urgente” a 10 giorni, 30-60 giorni o 4 mesi: il sistema analizzerà il triplice dato (codice richiesta, quesito diagnostico, anamnesi del paziente) insieme alla disponibilità di posti per la prestazione, e cercherà la miglior soluzione possibile per ogni caso. CUP-IA potrà anche segnalare al medico eventuali errori nell’iter (es. prestazione non appropriata a seconda del quesito, o in seguito all’anamnesi del paziente), e integrarsi con il sistema di prenotazione trasporti, o anche valutare l’opzione più vicina (consentendo al paziente il minor spostamento, secondo le condizioni socio-economico-sanitarie). La parte “umana” del CUP rimarrebbe a supporto per l’inserimento dei dati dell’utente (in primis per la popolazione anziana), senza però dover forzare la scelta dei tempi di prenotazione. Il sistema digitale integrato CUP-IA sarebbe in grado di rivoluzionare il concetto di liste di attesa, di tempi di prenotazione, di appropriatezza di prestazione, e potrebbe essere collegato a ogni presidio sanitario del territorio (con migliore risposta nel minor tempo possibile).

L’ASL di Nuoro, nell’ambito delle attività della Comunità di pratica che sviluppa il PDTA del melanoma, ha intrapreso un percorso per migliorare la diagnosi e il monitoraggio delle lesioni melanocitarie attraverso strumenti di IA. In particolare si è scelto di utilizzare uno strumento caratterizzato dalla capacità di catturare immagini ad alta risoluzione, per poter effettuare una diagnosi più efficace.
L’utilizzo dei software di intelligenza artificiale consente l’analisi e l’elaborazione sia delle immagini cliniche del corpo del paziente che delle immagini dermoscopiche e tricoscopiche, fornendo informazioni cruciali al medico nel processo diagnostico e terapeutico.
La standardizzazione delle immagini cliniche permette il confronto a distanza di tempo per verificare l’evoluzione delle lesioni preesistenti o la comparsa di nuove lesioni. Le informazioni vengono acquisite su un avatar 3D che permette una mappatura veloce. L’algoritmo della IA individua e segnala variazioni morfologiche, di colore e di dimensione che si sono verificate nel tempo, così come nuove variazioni della pelle facendo fare un salto in avanti importantissimo dal punto di vista della prevenzione dei tumori della pelle e non solo.
Grazie all’analisi avanzata e alla gestione dei dati forniti dall’IA, il progetto ha l’obiettivo di migliorare la qualità dell’assistenza fornita ai pazienti, ridurre i tempi d’attesa per la diagnosi e garantire una gestione più efficace delle patologie cutanee andando ad impattare nella prevenzione dei tumori della pelle ed alla conseguente riduzione della mortalità.
I risultati attesi sono:
• Miglioramento della prevenzione e della diagnosi precoce dei tumori cutanei;
• Riduzione tempi visita dermatologica in videodermatoscopia con riduzione delle liste d’attesa
• Maggiore efficacia dei follow-up delle malattie melanocitarie e non melanocitarie.
• Potenziale utilizzo nel follow-up per valutare i risultati terapeutici di malattie come la psoriasi o altre malattie infiammatorie cutanee.
In conclusione, l’applicazione della IA nella gestione dei pazienti con patologie cutanee, permetterà la ASL 3 di Nuoro di fare un salto in avanti importante nella prevenzione, diagnosi e cura di patologie importanti come i melanomi. Grazie alla mappatura 3D ad alta risoluzione ed alla efficacia delle informazioni fornite dalla IA ci sarà un miglioramento importante nella gestione dei pazienti.

L’Ingegneria Clinica si trova attualmente a fronteggiare sfide sempre più pressanti nella gestione avanzata delle apparecchiature medicali all’interno delle strutture sanitarie.
L’incessante incremento dei costi di gestione, l’aumento della complessità ed eterogeneità delle apparecchiature e la crescente pressione verso l’aumento della produttività, innescano tangibili tensioni che si riverberano anche sui sistemi di gestione della manutenzione CMMS. Per fronteggiare queste sfide, è necessario che i CMMS in uso implementino meccanismi evoluti finalizzati a migliorare automazione ed accuratezza di elaborazione, ai fini di una migliore pianificazione della manutenzione e della sostituzione del parco macchine aziendale.
In risposta a queste sfide, emerge la proposta audace di sfruttare la potenza dell’Intelligenza Artificiale (IA) per un radicale cambio di paradigma nella gestione dell’Ingegneria Clinica.
In questo caso, l’IA si profila come strumento chiave per potenziare l’efficienza operativa, automatizzare le attività di routine, ridurre i costi ed assistere i professionisti nel loro processo decisionale, attingendo dati dai dispositivi medici.
Un applicativo pilota basato su IA è stato impiegato sui dati macchina raccolti attraverso due differenti software di gestione delle apparecchiature biomediche operative presso i presidi milanesi dell’ASST Fatebenefratelli-Sacco e Fondazione IRCCS Ca’ Granda Ospedale Maggiore Policlinico, con l’intento di realizzare due obiettivi.
In primo luogo, si prevede che l’IA in questione generi autonomamente piani strategici di manutenzione per i professionisti dell’Ingegneria Clinica basandosi su rapporti dettagliati sul malfunzionamento dei dispositivi. Per raggiungere questo obiettivo, l’IA adotta un approccio discernente, dando priorità alla manutenzione in base a informazioni specifiche e a un insieme di indicatori chiave di prestazione (KPIs) meticolosamente elaborati.
In secondo luogo, l’impiego dell’IA si estende alla formulazione di piani per la sostituzione degli strumenti e ammodernamento tecnologico seguendo la logica del tipo “Disinvestement for Investment”.
La scalabilità del sistema così ideato permette quindi l’implementazione ad un ampio spettro di contesti sanitari. Tale forma di IA, si configura quindi, non solo come una soluzione indipendente, ma come una forza dinamica e integrativa pronta a incidere in modo significativo e migliorare le strategie di gestione sanitaria sia a livello micro che macro.

Nel contesto attuale, dove l’intelligenza artificiale (AI) è al centro dell’innovazione in medicina, l’introduzione della logica fuzzy come sottocampo dell’AI rappresenta un salto qualitativo nella precisione diagnostica, soprattutto per affrontare patologie complesse come il COVID-19. L’incorporazione di questa tecnologia non solo affina la capacità di analisi in presenza di dati incerti o parziali ma stabilisce anche un nuovo standard per l’accuratezza e la velocità diagnostica. Proponiamo di assemblare un team interdisciplinare, inclusi ingegneri software esperti in AI e logica fuzzy, ingegneri clinici, biomedici, esperti PND, e ricercatori, con l’obiettivo di sviluppare soluzioni tecnologiche che si integrano armoniosamente nel workflow clinico, elevando significativamente l’efficacia della diagnostica. La nostra visione include la formazione dedicata del personale clinico per l’adozione di queste innovazioni, assicurando che il progresso tecnologico vada di pari passo con l’applicabilità pratica e l’efficienza operativa. Questo approccio non solo garantisce un flusso continuo di innovazione ma anche una gestione del progetto agile e centrata sugli obiettivi clinici, promettendo un avanzamento tangibile nella cura e nel trattamento dei pazienti. Attraverso questa collaborazione, miriamo a dimostrare come l’integrazione di AI e logica fuzzy possa rivoluzionare il campo dell’ingegneria clinica, offrendo strumenti diagnostici di precisione senza precedenti, con un impatto diretto sulla qualità dell’assistenza e sui risultati sanitari.