AE-RADS: Meno Errori, Più Sicurezza in Radiologia – La Nuova Griglia che Cambia Tutto

Ciao a tutti! Oggi voglio parlarvi di qualcosa di fondamentale nel mio mondo, quello della radiologia diagnostica e della teleradiologia: la sicurezza del paziente e come gestiamo gli inevitabili “eventi avversi” (AE). Sapete, quegli incidenti o quasi-incidenti che possono capitare durante il percorso diagnostico. Gestirli bene è cruciale, non solo per le implicazioni mediche, legali e umane, ma anche perché è un requisito fondamentale per la qualità e la certificazione delle strutture sanitarie, almeno qui in Francia con l’HAS (Haute Autorité de Santé).

Il punto è che la diagnostica per immagini è sempre più centrale, specialmente nei pronto soccorso. Pensate che tra il 2012 e il 2019, l’uso della TAC è aumentato del 50%, mentre gli accessi al pronto soccorso “solo” del 20%… e il numero di radiologi? Stabile. Questa pressione crescente aumenta il rischio di AE, ed è qui che casca l’asino.

Il Problema: Griglie Generiche per Sfide Specifiche

Fino ad oggi, per analizzare e classificare questi eventi avversi, in Francia abbiamo usato una griglia standard fornita dall’HAS, basata su criteri internazionali (i CTCAE). È una scala generica a 5 punti. Il problema? È troppo generica per le complessità della radiologia. Non riesce a cogliere sfumature importanti: un protocollo di imaging inappropriato? Problemi con l’iniezione del mezzo di contrasto? Dubbi sulla dose di radiazioni? La griglia HAS fa fatica a inquadrare queste situazioni specifiche del nostro lavoro, eventi che magari non hanno un impatto clinico immediato, ma che dobbiamo assolutamente tracciare per migliorare e prevenire guai futuri.

Aggiungeteci poi la teleradiologia: io, radiologo, magari sono a chilometri di distanza dal tecnico e dal medico richiedente. Questo aumenta i rischi di problemi tecnici e di comunicazione. Identificare la fonte dell’errore e dare un feedback efficace diventa più complicato. Insomma, mancava uno strumento standardizzato, dettagliato, oggettivo e riproducibile, fatto apposta per la radiologia diagnostica, sia in presenza che a distanza.

La Nostra Risposta: Nasce AE-RADS

E allora, cosa abbiamo fatto? Ci siamo messi al lavoro, un team di radiologi esperti nella gestione degli AE, e abbiamo sviluppato una nuova griglia: l’abbiamo chiamata AE-RADS (Adverse Events Radiological Scoring System). Non è una semplice lista, ma un vero e proprio albero decisionale con 90 voci. L’idea è guidare l’analisi passo dopo passo.

Come funziona? Si parte identificando la fonte dell’incidente:

• Radiologo
• Tecnico di radiologia (radiographer)
• Medico prescrittore
• Strumenti informatici/tecnologici (PACS, RIS, rete, ecc.)

Poi si passa alla categoria principale del problema e, infine, si usa un fattore di modulazione per determinare la gravità. La cosa interessante è che AE-RADS distingue tra eventi avversi puramente radiologici (quelli senza impatto clinico immediato, ma da segnalare per la qualità) e quelli che hanno anche un impatto clinico (li chiamiamo ‘G+’). Per questi ultimi, la gravità clinica viene poi valutata usando la scala standard HAS/CTCAE (da G2 a G5), una volta note tutte le conseguenze sul paziente. Il grado G1, invece, in AE-RADS indica conseguenze minori senza reale impatto clinico per il paziente.

La Prova del Nove: AE-RADS vs HAS

Bello sulla carta, ma funziona? Per scoprirlo, abbiamo condotto uno studio osservazionale (approvato dal comitato etico della Società Francese di Radiologia, ovviamente!). Abbiamo preso 100 casi reali di eventi avversi già risolti dal database di IMADIS-Groupe, una società specializzata in teleradiologia per pronto soccorso. Questi casi erano già stati analizzati prospetticamente dal team di esperti usando la vecchia griglia HAS.

Poi, abbiamo chiesto a quattro valutatori “nuovi” (due radiologi senior e due tecnici esperti, futuri membri del team AE) di rianalizzare questi 100 casi in modo indipendente e “alla cieca” (senza sapere la valutazione originale o quella degli altri). Hanno usato sia la griglia HAS sia la nostra nuova AE-RADS. Per evitare che si ricordassero i casi, abbiamo anche mescolato l’ordine e fatto passare del tempo tra le valutazioni con una griglia e l’altra. Prima di iniziare, abbiamo fatto una sessione di training di 2 ore per essere sicuri che tutti usassero AE-RADS allo stesso modo.

Abbiamo confrontato le due griglie su due fronti principali:

1. Riproducibilità tra osservatori: Quanto erano d’accordo i quattro valutatori tra loro nell’usare ciascuna griglia (sia sul numero di AE identificati per paziente, sia sulla gravità dell’AE più serio)?
2. Accordo con il consenso degli esperti: Quanto le valutazioni dei quattro si avvicinavano alla valutazione “di riferimento” fatta in consenso dal team di esperti originali?

Cosa Abbiamo Scoperto? I Risultati Parlano Chiaro

E i risultati? Beh, sono stati davvero incoraggianti!

Innanzitutto, la riproducibilità tra i valutatori è risultata leggermente migliore con AE-RADS rispetto ad HAS, sia per il numero di eventi avversi rilevati (ICC = 0.690 vs 0.642) sia per la classificazione della gravità dell’evento più serio (Krippendorff alpha = 0.519 vs 0.506). Non sono differenze statisticamente enormi, ma indicano una tendenza positiva verso una maggiore coerenza con AE-RADS. Ma la cosa davvero notevole è che AE-RADS permetteva di valutare anche la fonte e il tipo di evento avverso (cosa che HAS non fa), e su questo i valutatori erano molto d’accordo tra loro (Kappa di Fleiss > 0.82, che è ottimo!).

Ma il dato più eclatante è stato l’accordo con il consenso degli esperti. Qui AE-RADS ha stravinto! L’accordo tra le valutazioni dei singoli lettori e il riferimento degli esperti è schizzato dal 25-47% ottenuto con la griglia HAS al 63-81% con AE-RADS. E l’accordo perfetto tra tutti e quattro i lettori e il consenso è passato dal misero 19% con HAS al ben più robusto 53% con AE-RADS. Questo significa che la nostra griglia aiuta i valutatori ad essere significativamente più allineati con una valutazione esperta e ponderata.

Un’altra osservazione interessante: con AE-RADS, molti eventi che con HAS erano stati classificati come G2, G3 o G4 (quindi con un certo impatto clinico presunto) sono stati “declassati” a G1 (conseguenza minore senza impatto reale). Ben 40 casi G2, 26 casi G3 e 2 casi G4 secondo HAS sono diventati G1 con AE-RADS. Questo non significa minimizzare, ma probabilmente riflette una valutazione più realistica e calibrata sul contesto radiologico. Spesso, nel percorso del paziente, ci sono altri passaggi (come la rilettura degli esami da parte di un secondo radiologo) che funzionano come reti di sicurezza e limitano l’impatto clinico di un errore iniziale. AE-RADS, basandosi sull’esperienza reale e fornendo criteri dettagliati, sembra catturare meglio questa realtà, evitando di sovrastimare la gravità basandosi solo sul singolo atto radiologico.

Vi faccio un esempio pratico tratto dallo studio: una TAC richiesta per trauma costale in un paziente anticoagulato. Il primo radiologo (in teleradiologia) non vede lesioni. Giorni dopo, un secondo radiologo (in loco) nota fratture e un ematoma con segni di sanguinamento attivo. Con AE-RADS, tutti i valutatori hanno identificato un solo AE (errore diagnostico del primo radiologo) e lo hanno classificato correttamente come G1 (nessun impatto clinico/terapeutico finale per il paziente, grazie alla seconda lettura). Con la griglia HAS, invece, c’era confusione: alcuni vedevano uno o due AE, classificandoli chi G1 chi G2. Vedete la differenza in termini di chiarezza e coerenza?

Ah, un’ultima cosa: analizzare un caso con AE-RADS ha richiesto in media poco più di un minuto in più rispetto ad HAS (5.3 min vs 4.0 min). Un tempo leggermente maggiore, ma assolutamente accettabile, spiegabile con la struttura più dettagliata (ma guidata) dell’albero decisionale e probabilmente ripagato dalla maggiore precisione e dalle informazioni aggiuntive ottenute (fonte e tipo di AE).

Perché AE-RADS Fa la Differenza?

Quindi, cosa significa tutto questo? Che AE-RADS sembra davvero uno strumento più adatto alla radiologia diagnostica. Offre:

• Una classificazione più dettagliata e specifica.
• Migliore coerenza tra diversi valutatori.
• Maggiore accordo con le valutazioni degli esperti.
• Identificazione chiara della fonte e del tipo di errore, fondamentale per capire dove intervenire con azioni correttive mirate.
• Una valutazione della gravità forse più realistica e calibrata sul contesto.

Certo, come per ogni strumento, è fondamentale che chi lo usa riceva una formazione adeguata. Capire come usare la griglia e perché è importante segnalare gli AE è cruciale per creare una cultura della sicurezza e del miglioramento continuo.

Uno Sguardo al Futuro: Cosa Ci Aspetta?

Non ci fermiamo qui, ovviamente. AE-RADS è promettente, ma ci sono ancora passi da fare.
Pensiamo che sia già utilizzabile (noi nel nostro gruppo lo stiamo già facendo!), ma raccomandiamo, per ora, di usare entrambe le classificazioni (HAS e AE-RADS) per gli eventi in Francia.
Il prossimo passo logico è integrare AE-RADS nei sistemi informatici che usiamo tutti i giorni (RIS, PACS) con interfacce semplici. Immaginate di poter segnalare e classificare un AE direttamente dal sistema!
Poi, sarà fondamentale validarlo su scala più ampia, in studi multicentrici e prospettici, coinvolgendo diverse popolazioni di pazienti (non solo emergenze) e diversi tipi di valutatori (medici richiedenti, amministratori…).
Potrebbe essere utile anche aggiungere un “alert” nei sistemi per identificare pazienti che hanno già avuto AE e richiedono attenzioni particolari, e creare database di casi AE per la formazione continua.
E perché non coinvolgere esperti di diritto sanitario per anticipare eventuali implicazioni legali? O usare metodologie come la FMEA (Failure Mode and Effect Analysis) per scovare potenziali punti deboli nel processo di segnalazione stesso?

Infine, l’intelligenza artificiale (AI) potrebbe giocare un ruolo enorme in futuro. Già oggi ci sono studi su come l’AI possa aiutare a identificare automaticamente potenziali AE dalle immagini, standardizzare la classificazione, analizzare i fattori contribuenti e persino predire i pazienti a rischio. Sistemi AI potrebbero monitorare i processi in tempo reale, segnalare deviazioni dai protocolli e fornire feedback ai radiologi. Certo, per addestrare questi sistemi servono grandi quantità di dati di alta qualità, etichettati da esperti… e qui AE-RADS potrebbe fornire proprio quella struttura dati standardizzata che serve!

Bisogna essere onesti anche sui limiti del nostro studio attuale: campione piccolo, focus sulla teleradiologia d’urgenza (che ha le sue specificità), impossibilità di valutare la coerenza dello stesso valutatore nel tempo (bias di memoria), e il fatto che alcuni autori lavorano per l’azienda da cui provenivano i dati (anche se abbiamo messo in atto diverse misure per minimizzare i bias). Inoltre, AE-RADS non è pensato per la radiologia interventistica, che ha sistemi di segnalazione specifici.

In Conclusione: Un Passo Avanti per la Sicurezza del Paziente

Gestire gli eventi avversi è una sfida continua e una responsabilità enorme in radiologia diagnostica. La griglia AE-RADS che abbiamo sviluppato non è la bacchetta magica, ma rappresenta un passo avanti significativo. Offre un approccio strutturato, specifico per il nostro campo, che migliora la coerenza e l’accuratezza della classificazione rispetto alle griglie generiche. Aiutandoci a capire meglio non solo cosa è andato storto, ma anche perché e a causa di chi/cosa, ci dà strumenti più efficaci per implementare azioni correttive mirate e rendere la radiologia diagnostica ancora più sicura per tutti i pazienti. È uno strumento che, secondo me, merita di essere ulteriormente esplorato e adottato.

Fonte: Springer