Solo il 35% dei laboratori di anatomia patologica italiani è digitale. Ecco perché questo blocca la medicina di precisione e come avviare un vero ammodernamento.
IA e anatomia patologica: il collo di bottiglia è la digitalizzazione
Solo circa un terzo dei laboratori di anatomia patologica italiani è realmente digitale. Il resto lavora ancora su vetrini fisici, microscopi ottici e processi manuali. Questo dato, che circola ormai da mesi tra società scientifiche e addetti ai lavori, racconta bene dove siamo bloccati: senza laboratori digitali, la medicina di precisione resta sulla carta.
Questo tema è centrale per la serie “IA nella Sanità Italiana: Innovazione Clinica”: possiamo parlare quanto vogliamo di algoritmi, diagnosi assistita e medicina personalizzata, ma se il flusso di lavoro del patologo non è digitalizzato, l’intelligenza artificiale non ha “materia prima” su cui lavorare.
In questo articolo vediamo perché il ritardo è così critico, quali sono gli ostacoli reali (ben più concreti del “manca la tecnologia”) e come strutturare un percorso di ammodernamento dei laboratori di anatomia patologica che porti davvero valore clinico, non solo nuove macchine.
Perché la digital pathology è la chiave della medicina di precisione
La digitalizzazione dei laboratori di anatomia patologica è il presupposto pratico per usare IA, big data e medicina di precisione in oncologia e non solo.
In sintesi: senza vetrini digitali, non c’è medicina di precisione scalabile.
Dal vetrino di vetro al vetrino digitale
Il passaggio è semplice da descrivere, meno da realizzare:
- il vetrino fisico viene acquisito con uno scanner ad alta risoluzione;
- l’immagine ottenuta (WSI, whole slide image) viene archiviata in un sistema dedicato;
- il patologo visualizza e referta dal PC o da una workstation dedicata;
- sulle stesse immagini possono lavorare algoritmi di IA per supportare diagnosi, grading, quantificazioni immunoistochimiche e molto altro.
Questo cambia tre cose fondamentali:
- Qualità e standardizzazione: le misurazioni diventano ripetibili, si riducono variabilità intra- e inter-osservatore, si applicano protocolli più uniformi.
- Scalabilità della medicina di precisione: biomarcatori complessi (es. TILs, pattern istologici predittivi di risposta) possono essere valutati su grandi numeri di pazienti, non solo in centri ultra-specialistici.
- Collaborazione e second opinion più rapide: i casi complessi viaggiano in digitale, non in corriere. Per i tumori rari fa la differenza tra fare una scelta terapeutica sicura in giorni o in settimane.
Dove entra in gioco l’IA
Nella pratica clinica italiana, le aree più promettenti sono chiare:
- screening e pre-lettura automatica (es. individuazione di aree sospette su biopsie prostatiche o intestinali);
- quantificazione automatica di marcatori (HER2, PD-L1, Ki-67, TILs in oncologia mammaria e polmonare);
- algoritmi prognostici/predittivi integrati con dati clinici e genomici per supportare scelte di terapia target;
- triage del carico di lavoro per distribuire i casi ai patologi in modo più efficiente.
La realtà? Molti ospedali stanno valutando questi strumenti, ma mancano ancora le basi infrastrutturali in gran parte dei laboratori: rete, storage, workflow digitali, integrazioni con LIS e cartella clinica elettronica.
Perché solo il 35% dei laboratori è digitale: problemi veri, non alibi
Se il tasso di digitalizzazione resta attorno al 35%, non è perché “manca la volontà” o “i patologi sono contrari”. Nella maggior parte delle strutture italiane ho visto piuttosto quattro ostacoli ricorrenti.
1. Investimenti frammentati e senza visione
Molte direzioni sanitarie acquistano uno scanner singolo per un progetto pilota o per la ricerca, senza ripensare l’intero percorso del vetrino. Così si creano isole digitali che non cambiano davvero il lavoro quotidiano del laboratorio.
Un laboratorio di anatomia patologica digitale, invece, richiede:
- scanner adeguato ai volumi (non solo “di fascia alta”, ma dimensionato bene);
- server e storage pensati per immagini che pesano centinaia di MB l’una;
- software di gestione della patologia digitale integrato con LIS e PACS;
- workstation ergonomiche per la refertazione digitale;
- rete interna in grado di reggere il traffico di immagini.
Senza questo, l’IA resta un bel concept in un convegno.
2. Workflow non riprogettato
Molti progetti di digital pathology si fermano perché si sovrappongono al flusso tradizionale invece di sostituirlo gradualmente.
Gli errori più frequenti:
- vetrini digitalizzati “in più” rispetto al percorso standard, con aumento di carico di lavoro;
- nessuna revisione di ruoli e competenze (es. tecnico di laboratorio, data manager, bioinformatico);
- nessun monitoraggio sistematico dei tempi di risposta e della qualità del referto.
Il risultato è prevedibile: il digitale viene percepito come un ostacolo, non come un aiuto.
3. Competenze e formazione
La digitalizzazione in anatomia patologica non è solo un tema IT. Serve un salto culturale:
- i patologi devono sentirsi coinvolti nella scelta degli strumenti e non subirli;
- tecnici e informatici devono parlare una lingua comune su immagini, standard, sicurezza;
- servono figure ponte (es. clinical data scientist, ingegnere clinico con competenze in IA) che oggi in molti ospedali mancano completamente.
4. Normativa, privacy e responsabilità medico-legale
Un’altra ragione per cui molti direttori sanitari frenano è la percezione di rischio:
- dove vengono conservate le immagini?
- chi è responsabile se un algoritmo sbaglia una quantificazione?
- quali standard seguire per garantire tracciabilità e sicurezza dei dati istologici digitali?
Sono domande legittime. La buona notizia è che esistono già linee di indirizzo, esperienze regionali e soluzioni conformi alle normative europee, ma serve un supporto progettuale strutturato, non basta l’offerta commerciale del singolo vendor.
Come impostare un percorso di ammodernamento del laboratorio
Un laboratorio che parte oggi non deve più sperimentare tutto da zero. Esiste una traccia abbastanza chiara che ho visto funzionare in diverse realtà italiane.
1. Assessment iniziale: numeri, non opinioni
Il primo passo è fare una fotografia oggettiva della situazione:
- numero di casi/anno per tipologia (istologia, citologia, autopsie);
- tempi medi di refertazione e colli di bottiglia;
- dotazione tecnologica attuale (scanner, LIS, PACS, storage, rete);
- modelli organizzativi (presenza di HUB oncologici, Rete Oncologica Regionale, ecc.).
Questo permette di rispondere a due domande essenziali:
- Qual è il valore clinico atteso dalla digitalizzazione per questo laboratorio? (es. ridurre i tempi di risposta per i tumori polmonari da 15 a 7 giorni)
- Quali sono i prerequisiti minimi tecnici e organizzativi che devo mettere a budget nel prossimo biennio?
2. Partire da un’area ad alto impatto clinico
Non ha senso voler digitalizzare tutto subito. La strategia più efficace è iniziare da un ambito oncologico prioritario, dove il beneficio è chiaro per tutti.
Esempi tipici in Italia:
- tumore della mammella (grading, Ki-67, HER2, second opinion)
- tumore del polmone (PD-L1, markers multipli)
- gastrointestinale (biopsie multiple, screening di massa)
Qui si possono introdurre in sequenza:
- scansione sistematica dei vetrini;
- refertazione digitale come modalità standard per i casi selezionati;
- strumenti di IA per la quantificazione automatica di specifici marcatori.
3. Integrare IA e digital pathology nel LIS e nella cartella clinica
IA e digitalizzazione non devono rimanere un “software a parte”. Devono integrarsi nel flusso informativo dell’ospedale.
Passaggi chiave:
- integrazione tra piattaforma di patologia digitale e LIS per evitare doppia registrazione;
- collegamento tra immagini digitali, referto strutturato e cartella clinica elettronica;
- standard condivisi per l’archiviazione a lungo termine delle WSI.
Questo è il livello che consente poi di collegare i dati istologici con genomica, radiologia, outcome clinici e alimentare davvero la medicina personalizzata.
4. Governance clinica dell’IA
Ogni progetto di IA in anatomia patologica deve avere una governance chiara:
- chi approva l’utilizzo clinico degli algoritmi?
- come vengono monitorate accuratezza, sensibilità, specificità nel tempo?
- come si gestiscono gli aggiornamenti dei modelli?
La soluzione che funziona meglio è creare un gruppo misto: patologi, oncologi, ingegnere clinico, responsabile ICT, DPO, risk manager. In molte realtà questo gruppo può diventare il nucleo di un futuro AI Committee aziendale.
Casi d’uso concreti: dove l’IA aiuta già oggi i patologici
Per capire perché vale la pena spingere sulla digitalizzazione, è utile guardare a casi d’uso già maturi, che diversi centri italiani stanno valutando o adottando.
Supporto al carico di lavoro
I laboratori sono sotto pressione: pensionamenti, carenza di patologi, aumento dei casi oncologici.
Algoritmi di IA possono:
- effettuare una pre-lettura delle vetrini e segnalare i casi negativi a basso rischio, che richiedono una revisione più rapida;
- mettere in evidenza aree sospette o pattern non usuali, riducendo il rischio di errori in condizioni di sovraccarico.
Non sostituiscono il patologo, ma restituiscono tempo clinico per i casi più complessi.
Quantificazione dei biomarcatori
Qui il contributo dell’IA è già molto maturo:
- conteggio delle cellule positive;
- valutazione dell’intensità di colorazione;
- calcolo di score standardizzati.
Questo porta tre benefici:
- maggiore riproducibilità tra laboratori diversi;
- report più facilmente confrontabili negli studi clinici;
- base solida per decisioni terapeutiche mirate (es. accesso a immunoterapie o farmaci target).
Supporto alla ricerca clinica e ai trial
Un laboratorio digitale diventa un motore di ricerca clinica:
- dataset di immagini istologiche strutturate;
- possibilità di correlare caratteristiche morfologiche con outcome e dati genomici;
- maggiore attrattività per studi multicentrici e trials internazionali.
Per un IRCCS o per un grande ospedale universitario questo si traduce in nuove opportunità di finanziamento e partnership industriali, oltre che in una migliore offerta terapeutica per i pazienti.
Da laboratorio “analogico” a hub di medicina di precisione
La distanza tra un laboratorio analogico e uno realmente data-driven non si colma solo con la tecnologia. Serve una scelta netta di politica sanitaria e di direzione aziendale.
Per restare coerenti con la serie “IA nella Sanità Italiana: Innovazione Clinica”, il messaggio è chiaro: senza anatomia patologica digitale, la medicina di precisione in Italia resterà a macchia di leopardo.
Nei prossimi 2–3 anni, chi investirà seriamente su:
- digitalizzazione completa del workflow;
- integrazione con IA clinicamente validata;
- formazione continua di patologi e tecnici;
- governance chiara di dati e algoritmi,
trasformerà il proprio laboratorio in un vero hub di medicina di precisione, capace di dialogare con oncologia, radiologia, genomica e telemedicina.
Per le direzioni sanitarie e i decisori regionali la domanda non è più “se” farlo, ma quanto tempo si può aspettare prima che il ritardo diventi strutturale rispetto ad altri sistemi sanitari europei.
Chi inizia ora, con un progetto ben disegnato, può sfruttare risorse, competenze e tecnologie già disponibili e costruire un vantaggio concreto per pazienti e professionisti.