Triage con intelligenza artificiale in uno screening mammografico regionale: validazione, GDPR e AI Act
Un programma di screening mammografico regionale invita 120.000 donne l'anno su 14 mammografi di tre produttori, con mammografia 2D e tomosintesi. La regione vuole introdurre un software di IA con marcatura CE (MDR classe IIa) come triage per mettere in cima alla lista di refertazione i casi sospetti, senza sostituire il radiologo. La validazione del fornitore riporta AUC 0,94, sensibilità 91% e specificità 88% su 45.000 esami di un singolo centro; uno studio esterno indipendente riporta AUC 0,81 su una popolazione con prevalenza 0,4%. Nel centro pilota locale l'AUC a tre mesi è 0,86, ma il fornitore ha usato quei dati per il fine-tuning del modello. Il programma prevede archiviazione delle immagini su cloud, pseudonimizzate, per 10 anni, e di riutilizzarle per migliorare il modello. La direzione sanitaria chiede un parere prima della delibera di adozione.
1. Commenta i valori di AUC disponibili e definisci cosa serve prima dell'adozione.
Read the worked answer
Lettura dei numeri
0,94 è verosimilmente sovrastimato: studio monocentrico, prevalenza arricchita, case mix omogeneo, stesso produttore di mammografi. L'AUC è formalmente indipendente dalla prevalenza, ma non dallo spettro della malattia né dalla tecnologia di acquisizione. Il dato esterno di 0,81 sulla popolazione reale è la stima più credibile. Il valore locale di 0,86 è inutilizzabile come prova di efficacia perché il modello è stato fine-tuned su quegli stessi dati: si tratta di data leakage, non di validazione.
Cosa serve prima della delibera
- Valutazione prospettica in modalità silente su dati locali consecutivi, con protocollo pre-registrato e senza addestramento sui dati di test.
- Stratificazione per produttore, 2D vs tomosintesi, densità mammografica (ACR A-D), età, protesi, chirurgia mammaria.
- Numerosità: con 120.000 esami/anno e un detection rate dello 0,5-0,7% si osservano 600-840 carcinomi/anno; per stimare una sensibilità attorno al 90% con intervallo di confidenza di ±5% servono alcune centinaia di carcinomi, quindi 6-12 mesi.
- Endpoint: sensibilità, tasso di richiamo, VPP, detection rate, carcinomi d'intervallo, carico di lavoro, tempo alla diagnosi.
- Verifica documentale: intended use, certificato CE, piano di PMCF, politica di aggiornamento del modello, studio di lettura con i radiologi.
- Human oversight: il radiologo decide sempre; i casi in cui l'IA e il radiologo discordano vanno rivisti.
2. Quali obblighi discendono da GDPR e AI Act e come li organizzi?
Read the worked answer
GDPR
- Base giuridica: dati sanitari ex art. 9; per lo screening pubblico si invoca l'art. 9(2)(h) e (i) con la legge nazionale e l'art. 6(1)(e); il consenso non è la base ordinaria.
- DPIA obbligatoria (art. 35): trattamento su larga scala di dati sanitari con nuova tecnologia.
- La pseudonimizzazione non è anonimizzazione (considerando 26): i dati restano personali e soggetti a minimizzazione, limitazione della conservazione, sicurezza.
- Contratto con il fornitore cloud ex art. 28: luogo dei server, cifratura, controllo accessi, sub-responsabili, notifica delle violazioni.
- Trasparenza verso le assistite (art. 13-14) e garanzia che la decisione clinica resti umana (art. 22).
- Conservazione a 10 anni: da giustificare e limitare alla finalità diagnostica; per il riuso a fini di sviluppo serve una base distinta e una valutazione specifica.
AI Act
- Un'IA che è componente di sicurezza di un dispositivo medico MDR classe IIa è ad alto rischio (art. 6, Allegato I). Il fornitore ha gli obblighi principali; il programma di screening è deployer: uso conforme alle istruzioni, supervisione umana, monitoraggio, conservazione dei log, informazione di operatori e pazienti, valutazione d'impatto sui diritti fondamentali (art. 27) in quanto soggetto pubblico.
- Tempistica: gli obblighi per i sistemi ad alto rischio dell'Allegato I si applicano dal 2 agosto 2027. Malfunzionamenti gravi vanno gestiti anche come vigilanza MDR.
3. Come imposti il monitoraggio post-adozione e quali indicatori usi per intercettare il drift?
Read the worked answer
Fasi
- Pre-go-live: definizione della baseline e dei limiti di allarme.
- Shadow mode per almeno 3 mesi: l'IA gira senza influenzare il flusso, si confrontano le sue priorità con la refertazione reale.
- Go-live graduale per dispositivo e per sede, con revisione centralizzata dei casi discordanti.
Indicatori mensili
- tasso di richiamo, detection rate, VPP;
- carcinomi d'intervallo e falsi negativi (audit casuale del 5% dei casi negativi);
- distribuzione dei punteggi IA con population stability index e carta di controllo (CUSUM/SPC) per identificare spostamenti della popolazione o della tecnologia;
- metriche per singolo mammografo, perché il drift può nascere dall'acquisizione e non dal modello;
- tempo di refertazione e numero di casi portati in cima alla lista.
Governo del cambiamento
- Ogni aggiornamento del modello è un cambio di dispositivo: richiede nuova validazione locale e change control documentato.
- Clausole contrattuali su accesso ai dati, audit, diritti di utilizzo e uscita.
- Riverifica annuale su campione casuale e rivalutazione straordinaria dopo sostituzione di mammografi, cambi di protocollo o modifiche dei criteri di screening.