Déploiement de la pathologie numérique en Vénétie : 8 étapes pour réussir

Clinical

Azienda Zero est le principal fournisseur de soins de santé public de la région Vénétie, au nord de l’Italie. Son système de santé dessert près de 5 millions de personnes. Dans les 12 hôpitaux de la région, le flux de travail de routine des laboratoires de pathologie représente environ 240 000 lames par mois et près de 3 millions de lames par an.

Ce volume élevé justifie l’adoption d’un système de pathologie numérique partagé par les laboratoires. Le projet de numérisation vise à créer un processus sécurisé et standardisé pour améliorer les soins cliniques aux patients.

Cet article couvre les huit composantes essentielles du projet de transformation de la pathologie numérique en Vénétie. Il est basé sur la publication récente de Eccher et al. (2024) intitulée « Digital pathology structure and deployment in Veneto : a proof-of-concept study ».

8 composantes dans le flux de travail de pathologie numérique

Système d’acquisition d’images
Poste de travail et logiciel de visualisation
Système de Gestion de Laboratoire (SGL)
Stockage
Intelligence artificielle
Réseaux de spécialistes
Suivi du système, contrôles qualité et archivage des échantillons de tissu
Validation

Passons-les en revue une à une.

1. Système d’acquisition d’images

La première étape du passage au numérique consiste à mettre en place des scanners. Les caractéristiques techniques requises dépendent fortement des besoins spécifiques des laboratoires. En Vénétie, quatre catégories de scanners ont été sélectionnées pour répondre à tous les différents cas d’utilisation :

Scanners à haut débit pour le diagnostic de routine dans les établissements à volume élevé
Scanners à débit moyen pour les hôpitaux communautaires plus petits
Scanners à faible débit pour la microscopie à fluorescence et les examens peropératoires sur site
Scanners pour les besoins spécifiques de la cytopathologie, où la numérisation de plusieurs plans focaux prend généralement plus de temps et produit des fichiers numériques plus volumineux

2. Poste de travail et logiciel de visualisation

Dans le projet Vénétie, 230 postes de travail ont été utilisés pour permettre aux pathologistes, résidents, étudiants, et autres professionnels de visualiser et d’analyser des images de lames entières (WSI). Chaque poste de travail est équipé de deux écrans : un pour afficher des images histologiques et l’autre pour les données avec des moniteurs Full HD approuvés par la Food and Drug Administration américaine (résolution de 1920 x 1080 pixels), d’au moins 27 pouces.

Le logiciel de visualisation ou viewer associé permet de visualiser des lames virtuelles et de naviguer dans les WSI (Whole Slide Images) avec diverses fonctions d’annotation, comme le traçage de régions d’intérêt, le zoom avant et arrière, la rotation et la mesure.

3. Système de gestion de laboratoire (SGL)

Un système de gestion de laboratoire web unique a été choisi pour tous les laboratoires de la région Vénétie. L’objectif était d’unifier le flux de travail de pathologie à travers l’ensemble du réseau régional.

4. Stockage

Selon les directives du Royal College of Pathologists du Royaume-Uni, les lames et frottis histologiques doivent être conservés pendant 1 an, et les blocs pendant toute la durée de vie du patient. Lors du déploiement d’une solution de stockage de fichiers numériques, il est crucial de prendre en compte le nombre et la taille des fichiers, le nombre des utilisateurs qui accéderont aux fichiers, l’interface utilisateur, le niveau de protection et de sécurité des données, ainsi que le budget.

Dans le projet Vénétie, deux systèmes d’archivage des images ont été mis en place : un système d’archivage local à court terme pour la gestion locale initiale dans les laboratoires et un système d’archivage central basé sur le cloud pour une identification et une récupération faciles et rapides des cas.

5. Intelligence artificielle

La mise en œuvre de l’IA est une composante clé du projet Vénétie, améliorant la précision du diagnostic et réduisant les interprétations subjectives et les délais d’exécution. L’équipe du projet a choisi d’adopter en routine clinique les outils de Deep Learning basés sur l’intelligence artificielle d’Aiforia, notamment :

Aiforia^® Prostate Cancer Gleason Grade Groups - qui soutient la détection de l’adénocarcinome et aide à la création de groupes selon le score de Gleason à partir d’images de lames entières (WSI).
Aiforia^® Breast Cancer Ki67, ER, et PR – qui soutient la détection de carcinomes invasifs et la classification des cellules tumorales positives et négatives pour Ki67, ER et PR en se basant sur des images de lames entières (WSI) ou sur des zones d’images sélectionnées de tissus mammaires cancéreux.
Aiforia^® Lung Cancer PD-L1 – qui soutient la détection des zones de carcinome invasif dans les échantillons de patients et la notation des cellules tumorales PD-L1 négatives et positives, dans les cas de cancer du poumon non à petites cellules (CPNPC).

Tous les modèles d’IA mentionnés ci-dessus, ainsi que le Aiforia^® Clinical Suite Viewer correspondant, sont certifiés CE-IVD pour une utilisation diagnostique dans les pays de l’UE et de l’EEE. Ils sont également disponibles pour un usage à des fins de recherche uniquement (RUO) et des études de performance uniquement (PSO) dans toutes les autres régions.

Découvrez les insights du Professeur Angelo Paolo Dei Tos de l’Université de Padoue sur l’impact de la pathologie numérique et de l’IA ↓

En savoir plus sur les solutions cliniques d’Aiforia ici →

6. Réseaux de spécialistes

Le projet Vénétie vise à améliorer la gestion des cas complexes de néphropathologie en harmonisant les méthodologies d’analyse et de reporting des services de néphrologie avec celles des laboratoires de pathologie. Cette initiative permettra de connecter le réseau régional de néphrologie, de faciliter la gestion des cas complexes, d’assurer des contrôles qualité rigoureux, et d’améliorer la prise en charge thérapeutique des patients.

7. Suivi du système, contrôles qualité et archivage des prélèvements

Pour garantir l’exactitude et la cohérence tout au long du workflow, de nombreuses étapes de contrôle qualité ont été intégrées. Chaque échantillon est identifié avec un code-barres unique pour assurer une traçabilité tout au long de son cycle de vie. L’équipement de lecture des codes-barres est intégré au système informatique du laboratoire local.

8. Validation

Le College of American Pathologists (CAP) a établi des directives pour la validation des systèmes WSI à des fins diagnostiques en pathologie avant utilisation pour des soins aux patients.

Selon les directives du CAP, un ensemble de validation doit inclure au moins 60 cas pour une application ou un cas d’utilisation, reflétant le spectre et la complexité des types d’échantillons. Plusieurs pathologistes par centre, expérimentés en pathologie numérique, contribueront à améliorer le processus de validation en évaluant de manière aléatoire des WSI sélectionnées, précédemment évaluées par microscopie optique (LM) conventionnelle, après une période de washout d’au moins deux semaines. L’objectif est d’atteindre un seuil de concordance diagnostique de 95 % entre les diagnostics LM et WSI. Bien que toutes les divergences identifiées entre les diagnostics WSI et les lames de verre doivent être résolues, atteindre ce seuil de concordance est crucial.

Avantages de la pathologie numérique

Ce projet de transformation numérique dans la région Vénétie est une étape importante pour l’adoption plus généralisée de la pathologie numérique et de l’IA en Italie.

Les bénéfices estimés du projet incluent :

1) Économies financières

Plusieurs études ont estimé les économies à plus de 250 000 dollars par établissement et par an suite à la mise en œuvre de la pathologie numérique. Ces économies sont également attendues dans la région Vénétie en raison de la réduction des coûts opérationnels et des actifs.

2) Meilleur échange d’informations

Le déploiement à grande échelle de la pathologie numérique et de l’IA améliorera considérablement le flux d’informations au sein du réseau hospitalier. Cela renforcera la normalisation et la reproductibilité des comptes rendus de pathologie. De plus, les médecins pourront obtenir des deuxièmes avis à distance, ce qui optimisera la prise en charge clinique des patients.

3) Opportunités de formation

Un système d’archivage étendu des lames numérisées permettra de créer des référentiels de pathologie qui aideront les internes, les étudiants et les jeunes pathologistes à élargir leurs connaissances. Les données numériques, facilement accessibles, accéléreront également l’adoption de diagnostics guidés par IA, car elles pourront être utilisées pour la validation externe d’algorithmes existants et comme base pour le développement de nouveaux modèles d’IA.

A lire également :

Clinical