Workflow diagnostico molecolare decentralizzato
Sequenza di attività che porta il test molecolare vicino al punto di bisogno, riducendo il ricorso esclusivo al laboratorio centrale. Include preparazione del campione, amplificazione, raccolta del dato, interpretazione e refertazione digitale.

AI/ML in diagnostica
Insieme di algoritmi che possono supportare classificazione del risultato, riconoscimento di pattern anomali, lettura assistita del segnale, controllo qualità e monitoraggio operativo. In un dispositivo diagnostico, l’AI deve essere validata e controllata lungo il ciclo di vita del prodotto.[11]

Curve Ct
Curve di fluorescenza generate durante la real-time PCR. Sono il dato grezzo da cui si ricavano informazioni come presenza del target, valore di soglia e qualità del segnale.

Controllo qualità automatizzato
Insieme di regole software, controlli interni e monitoraggi strumentali che permettono di segnalare risultati dubbi, run non validi o deviazioni operative prima che il referto venga rilasciato.

Manutenzione predittiva
Uso di dati operativi e modelli analitici per identificare segnali precoci di guasto o drift strumentale, riducendo fermi imprevisti e migliorando continuità operativa.[9]

Human-in-the-loop
Modello in cui il sistema automatizza attività ripetitive o analitiche, ma la supervisione finale e la responsabilità clinica restano in capo al professionista.

La diagnostica molecolare decentralizzata sta entrando in una fase nuova. La prima fase è stata portare la PCR fuori dal laboratorio centrale; la seconda è stata connettere gli strumenti; la terza, oggi, consiste nel trasformare il workflow in un sistema data-driven, dove ogni curva, flag, log e metadato contribuisce alla qualità complessiva del processo. La prospettiva non è più soltanto eseguire un test vicino al paziente, ma governare una rete di test come un’infrastruttura clinica e industriale distribuita.[7]

In questo scenario, automazione e AI non sono accessori. Sono il livello che rende scalabile la decentralizzazione. Senza software di gestione, controlli automatici, protocolli standardizzati e capacità di audit, una rete di strumenti distribuiti rischia di moltiplicare variabilità e complessità. Con un’architettura ben progettata, invece, la stessa rete può diventare più rapida, più controllabile e più utile per decisioni cliniche e organizzative.[1] Il tema è particolarmente rilevante per Helyx Industries S.p.A. perché tocca il cuore del nuovo assetto industriale: Hyris per la qPCR distribuita, Vytro per le applicazioni cliniche e IVD, Mytho per la dimensione NGS e bioinformatica. L’articolo si concentra soprattutto su Hyris, perché il workflow decentralizzato basato su Hyris System™ (bCUBE™, bAPP™, reagenti) è l’ambiente naturale in cui automazione e AI possono trasformare dati molecolari in processi ripetibili e governabili. Il riferimento a Vytro resta rilevante quando la stessa infrastruttura supporta pannelli clinici, validazioni IVD e uso ospedaliero.

L’obiettivo qui non è presentare l’AI come una promessa generica. In diagnostica, l’AI è utile solo se risolve problemi molto concreti: lettura coerente delle curve, riduzione dei risultati dubbi, standardizzazione del controllo qualità, monitoraggio dei dispositivi, interoperabilità, audit trail e gestione del rischio. Per questo la domanda corretta non è “quanta AI c’è nel workflow?”, ma “quali passaggi del workflow diventano più sicuri, veloci o controllabili grazie all’AI?”.

Un workflow molecolare decentralizzato non è semplicemente una PCR eseguita su uno strumento più piccolo. È un processo composto da elementi fisici, chimici, digitali e organizzativi che devono lavorare insieme: campione, reagenti, strumento, protocollo, software, controllo qualità, report e tracciabilità. Nei modelli point-of-care descritti in letteratura, la vicinanza al paziente è utile solo se accompagnata da procedure chiare, risultati interpretabili e capacità di integrazione con il sistema diagnostico più ampio.[7]

Le pubblicazioni su bCUBE™ e sui test rapidi Hyris hanno mostrato come una piattaforma portatile possa essere utilizzata in scenari near-patient o fuori dal laboratorio pienamente attrezzato, con risultati confrontati rispetto a metodi di riferimento. Gli studi su SARS-CoV-2 hanno valutato l’uso di strumenti e kit Hyris in contesti di diagnostica rapida, evidenziando il ruolo potenziale delle piattaforme portatili per aumentare capacità di testing e accessibilità del risultato.[4][5][6]

Nel modello Hyris, il valore non è soltanto nel dispositivo. bCUBE™ rappresenta il nodo fisico; bAPP™ rappresenta il livello software che permette di controllare, raccogliere e organizzare il dato; i reagenti e i protocolli definiscono il contenuto biologico del test. Questa integrazione è il punto essenziale: se ogni componente segue logiche diverse, la decentralizzazione aumenta la complessità; se lo stack è progettato come sistema, la complessità viene assorbita dalla piattaforma e non scaricata sull’operatore. L’automazione agisce soprattutto su tre passaggi. Il primo è l’esecuzione del protocollo, dove la macchina riduce la variabilità legata a tempi, temperature e gestione del run. Il secondo è l’acquisizione del segnale, dove curve e log vengono salvati in modo strutturato. Il terzo è l’interpretazione, dove il software può applicare regole coerenti e segnalare risultati dubbi o non conformi. In una rete distribuita, questi tre passaggi sono il fondamento della comparabilità tra siti diversi.

Il cloud aggiunge un livello ulteriore: consente di vedere strumenti e risultati come parte di una rete, non come unità isolate. Questo non significa che ogni decisione debba essere automatizzata, ma che ogni run può essere tracciato, controllato, archiviato e confrontato. La diagnostica connessa ha già dimostrato il proprio valore anche in programmi di sanità pubblica, dove la connettività diagnostica può trasformare il risultato di laboratorio in un dato azionabile per sorveglianza e decision-making.[8]

La parte più interessante dell’AI nella PCR non è il linguaggio futuristico, ma la capacità di leggere segnali complessi in modo coerente. Una curva Ct non è solo un numero: è una sequenza temporale, con andamento, rumore, fase esponenziale, plateau, eventuali deviazioni e pattern atipici. Due curve con lo stesso Ct possono avere qualità molto diversa. È qui che l’analisi data-driven può aggiungere valore rispetto alla sola soglia statica. La letteratura recente sul machine learning nel point-of-care mostra che modelli AI possono essere applicati a segnali diagnostici di diversa natura - dai test ottici alle tecniche di amplificazione degli acidi nucleici - per migliorare sensibilità, lettura del segnale e accessibilità operativa. La promessa, però, è accompagnata da sfide note: generalizzabilità dei modelli, qualità del training set, rischio di bias, interpretabilità e validazione in ambienti reali.[1]

Nel perimetro qPCR, Pereira et al. hanno descritto sviluppo, validazione e implementazione di un metodo qPCR multitarget per genotipizzazione HPV supportato da automazione software, data science e AI. Il punto più interessante non è solo l’uso dell’algoritmo, ma il fatto che l’automazione sia stata validata in un contesto di laboratorio clinico e applicata a un assay ad alto throughput, dove ridurre interventi manuali e variabilità interpretativa ha valore operativo diretto.[3]

Per Helyx Industries S.p.A., questo tema è strategico perché collega Hyris e Vytro. Hyris fornisce la logica di piattaforma distribuita e connessa; Vytro rappresenta il livello di applicazione clinica, dove kit e pannelli IVD richiedono standardizzazione, robustezza e refertazione chiara. L’AI, in questa prospettiva, non è un layer ornamentale: è un modo per proteggere la qualità del dato quando il test esce dal laboratorio centrale e deve rimanere interpretabile, confrontabile e auditabile.

In diagnostica, il controllo qualità non è un passaggio accessorio. È la condizione che rende utilizzabile il risultato. In un laboratorio centralizzato, molte deviazioni vengono intercettate da personale esperto, routine consolidate e revisione manuale.

In un sistema decentralizzato, questa protezione deve essere incorporata nel workflow: controlli interni, regole software, alert, audit trail e supervisione remota devono funzionare come una rete di sicurezza. Un modulo di controllo qualità automatizzato può agire su più livelli: verifica della corretta esecuzione del protocollo, analisi della curva, controllo della presenza o assenza dei segnali attesi, identificazione di pattern non coerenti con una vera amplificazione, tracciamento del lotto e dell’operatore, segnalazione di risultati borderline. Questi elementi non eliminano la validazione umana, ma riducono il numero di decisioni lasciate alla sola esperienza individuale. Questo è un passaggio decisivo per la scalabilità. Se ogni sito periferico interpreta il risultato secondo prassi locali, la rete si frammenta.

Se invece le regole di qualità sono codificate e distribuite attraverso una piattaforma comune, il laboratorio centrale può mantenere la regia scientifica pur lasciando l’esecuzione vicino al punto di cura. È la differenza tra decentralizzazione debole e decentralizzazione governata. La logica REASSURED, proposta per la diagnostica decentralizzata, include non solo accuratezza, rapidità e accessibilità, ma anche connettività, facilità d’uso e robustezza. Questi criteri sono rilevanti perché ricordano che il test point-of-care non deve essere solo piccolo e veloce: deve essere anche sicuro, interpretabile, utilizzabile e inseribile in sistemi sanitari reali.[10]

Nel caso di Hyris System™, la combinazione tra bCUBE™, bAPP™ e protocolli standardizzati risponde esattamente a questa esigenza: rendere il test distribuito senza renderlo isolato. Il controllo qualità diventa quindi una funzione di piattaforma, non solo una responsabilità del singolo operatore.

I benefici di AI e automazione vanno tradotti in KPI, altrimenti restano narrazione tecnologica. Nel workflow diagnostico molecolare, i più rilevanti sono TAT, fail rate, ripetizioni, uptime, tempo di validazione, carico manuale e qualità del dato. Non tutti sono sempre pubblicati come metriche comparative, ma tutti incidono sulla sostenibilità operativa del modello decentralizzato.

Il TAT è il KPI più visibile. Nei modelli point-of-care, ridurre trasporto, batch e attesa del laboratorio centrale può abbreviare il tempo tra campione e decisione. L’automazione può contribuire su un secondo livello: riducendo passaggi manuali, standardizzando controlli di qualità e segnalando risultati dubbi o non conformi all’interno di regole predefinite. Questo non significa anticipare il referto, ma rendere più efficiente e tracciabile il percorso che porta dal dato grezzo alla validazione.[1][2]

Il fail rate è meno visibile ma altrettanto importante. Ogni test fallito consuma reagenti, tempo, capacità strumentale e fiducia. L’automazione può ridurre alcune cause operative di fallimento, mentre il controllo qualità software può intercettare anomalie prima che diventino referti non utilizzabili. L’esperienza descritta da Pereira et al. nel contesto qPCR multitarget mostra come data science e automazione possano migliorare la gestione di dataset complessi e ridurre l’intervento manuale nell’analisi.[3]

L’uptime è il KPI che più interessa a chi gestisce una rete di strumenti. Una singola macchina ferma può essere un problema; un parco distribuito senza monitoraggio può diventare un rischio organizzativo. La manutenzione predittiva applicata alle apparecchiature medicali si basa proprio sull’analisi continua dei segnali operativi per identificare pattern di guasto o degrado prima dell’interruzione del servizio.[9]

Il ROI non va letto come semplice confronto tra costo del test decentralizzato e costo del test centralizzato. Il valore economico nasce dal percorso: meno attesa, meno ripetizioni, minore dipendenza logistica, migliore utilizzo del personale, riduzione dei fermi macchina e maggiore disponibilità del dato. In sanità, il costo di un risultato tardivo può essere più alto del costo del reagente. Per questo la diagnostica automatizzata va valutata come infrastruttura operativa, non solo come consumabile.

Un laboratorio tradizionale spesso scopre un problema quando il guasto è già avvenuto: un canale ottico non performa, una temperatura non raggiunge il setpoint, un software non registra correttamente il dato. In un modello distribuito questo rischio aumenta, perché gli strumenti non sono tutti fisicamente vicini al team tecnico. Il monitoraggio continuo serve proprio a trasformare ogni dispositivo in un nodo osservabile. La manutenzione predittiva usa dati operativi - temperature, tempi di rampa, segnali ottici, error log, cicli di utilizzo, frequenza di anomalie - per stimare quando un componente o un processo sta uscendo da una finestra attesa. Shamayleh et al. descrivono un approccio IoT e machine learning per la manutenzione predittiva delle apparecchiature medicali, basato sull’uso di dati real-time per anticipare failure mode e supportare decisioni manutentive.[9]

Applicata a una rete qPCR distribuita, questa logica ha un valore evidente. Se un dispositivo in un sito periferico mostra drift progressivo, il sistema può segnalarlo prima che produca una serie di run dubbi. Se un gruppo di strumenti mostra pattern ricorrenti, il team qualità può indagare lotto, protocollo, condizione ambientale o comportamento operativo. Il dato tecnico diventa così uno strumento di prevenzione, non solo di diagnosi del guasto.

Anche qui l’AI non sostituisce le procedure. Le rafforza. La manutenzione programmata resta necessaria; l’AI permette di renderla più mirata. La differenza è passare da un calendario cieco a un modello in cui il calendario viene integrato da evidenze di utilizzo reale. Per un laboratorio o un network sanitario, significa ridurre il rischio di fermo inatteso e rendere più affidabile la pianificazione della capacità diagnostica.

Automazione e AI non eliminano il laboratorio. Lo trasformano. Il laboratorio centrale resta il presidio di competenza, qualità e responsabilità scientifica; ciò che cambia è la distribuzione delle attività operative. Una parte dell’esecuzione si avvicina al punto di cura, mentre validazione, supervisione, controllo qualità e analisi aggregata rimangono governati in modo centrale.

Questo spostamento cambia le competenze richieste. Il tecnico non è più soltanto esecutore manuale di passaggi ripetitivi; diventa gestore di processo, supervisore di workflow e interprete di dati. Serve familiarità con dashboard, flag, audit trail, alert, output algoritmici e procedure di escalation. Allo stesso tempo, figure di laboratorio, IT, qualità e data science devono lavorare insieme. La connettività diagnostica aggiunge un ulteriore livello. Mujuni et al. mostrano come piattaforme digitali connesse possano andare oltre la semplice trasmissione del risultato, generando dati azionabili in tempo reale per malattie infettive e sanità pubblica. Il messaggio è trasferibile anche al contesto industriale: un risultato diagnostico connesso è più utile di un risultato isolato, perché può alimentare monitoraggio, qualità e decisioni organizzative.[8]

Il rischio è credere che la tecnologia basti da sola. Non basta. Una rete automatizzata senza governance genera nuovi rischi: accessi non controllati, dati non standardizzati, alert ignorati, responsabilità poco chiare. Per questo un progetto di diagnostica molecolare AI-enabled deve includere procedure, ownership dei dati, formazione, gestione delle deviazioni e piani di continuità operativa. In questa cornice, il modello One Group - Three Divisions di Helyx Industries S.p.A. aiuta a leggere correttamente il posizionamento. Hyris presidia la piattaforma distribuita; Vytro può tradurre quella piattaforma in applicazioni cliniche IVD e pannelli ad alto valore; Mytho presidia un perimetro diverso, quello NGS e bioinformatico, dove la logica dei dati è ancora più profonda ma non va confusa con la PCR. La coerenza industriale nasce proprio dal distinguere le competenze e poi farle dialogare.

Il passaggio da software di supporto a componente che incide sul risultato diagnostico cambia tutto. Quando un algoritmo interpreta un segnale, segnala un’anomalia o contribuisce alla validazione, non può essere trattato come una semplice funzione informatica. Deve essere progettato, validato, documentato e monitorato come parte del sistema diagnostico. Le Good Machine Learning Practice dell’IMDRF stabiliscono principi per lo sviluppo di dispositivi medicali AI/ML sicuri ed efficaci lungo l’intero ciclo di vita. Tra i punti centrali rientrano qualità dei dati, training e test set appropriati, gestione del rischio, validazione indipendente, trasparenza e monitoraggio post-market.[11]

Negli Stati Uniti, la FDA ha sviluppato un percorso dedicato ai Predetermined Change Control Plans per funzioni software AI-enabled, proprio perché i modelli possono evolvere nel tempo. La logica è chiara: l’innovazione iterativa è possibile, ma deve essere prevista, controllata e accompagnata da metodologia di sviluppo, validazione e valutazione dell’impatto.[12]

In Europa, l’AI Act introduce un quadro orizzontale per i sistemi di intelligenza artificiale e si intreccia con MDR e IVDR quando l’AI entra in dispositivi o software medicali. Il documento MDCG/AIB 2025-6 chiarisce proprio l’interazione tra regolamenti medical device, IVDR e AI Act, includendo anche i dispositivi diagnostici in vitro con componenti AI.[13][14]

La trasparenza è un altro punto critico. Le guiding principles FDA/Health Canada/MHRA per i dispositivi ML-enabled insistono sulla necessità di comunicare chiaramente intended use, performance, limiti, dati usati e logica di aggiornamento. In pratica, l’utente deve sapere non solo che il sistema usa AI, ma anche che cosa l’AI fa, quando è affidabile e quando serve escalation.[15]

Infine c’è la cybersecurity. Una rete diagnostica connessa amplia la superficie di attacco: strumenti, cloud, dati, interfacce e API diventano parte del rischio clinico. La FDA richiama la necessità di threat modeling, architettura di sicurezza e documentazione lungo il ciclo di vita del dispositivo. Per una piattaforma diagnostica distribuita, sicurezza informatica e qualità diagnostica non sono più temi separati.[16]

D: Quando si parla di AI nella diagnostica molecolare, dove vede il rischio maggiore di fraintendimento?

Lorenzo Colombo: Il fraintendimento più frequente è pensare che l’AI sia un pulsante magico. Non lo è. In diagnostica molecolare il valore nasce da dati buoni, controlli robusti e processi ben disegnati. L’AI può leggere pattern che per un operatore sarebbero difficili da cogliere, ma se il workflow è fragile, l’algoritmo non lo salva. Per questo ragioniamo sempre in termini di sistema: strumento, reagente, software, qualità e supervisione devono stare insieme.

D: Qual è il punto in cui l’automazione cambia davvero il lavoro del laboratorio?

Lorenzo Colombo: Cambia il rapporto con la ripetibilità. In un laboratorio tradizionale molta qualità dipende dall’esperienza delle persone, che resta fondamentale. Ma quando porti il test in più sedi, con operatori e condizioni diverse, devi incorporare una parte di quella qualità nel processo. L’automazione serve a questo: ridurre passaggi ambigui, rendere le decisioni tracciabili e permettere al laboratorio centrale di mantenere una regia scientifica anche quando l’esecuzione avviene altrove.

D: L’AI potrà sostituire la validazione umana?

Lorenzo Colombo: No, e non è questo l’obiettivo. La validazione umana resta il punto di responsabilità. L’AI può aiutare a intercettare meglio segnali deboli o anomali e a leggerli in modo più coerente. Può segnalare una curva anomala, un pattern debole, una possibile deriva dello strumento. Ma la decisione finale, soprattutto quando ha un impatto clinico, deve restare dentro un perimetro professionale chiaro. Io vedo l’AI come un copilota: aumenta capacità e attenzione, non sostituisce il pilota.

D: Perché il cloud è così importante in un workflow decentralizzato?

Lorenzo Colombo: Perché senza cloud il rischio è avere tanti piccoli laboratori isolati. Con il cloud, invece, ogni nodo entra in una logica comune: stessi protocolli, stessi controlli, stessi criteri di lettura, dati disponibili per audit e miglioramento. Il cloud non è solo archiviazione. È il modo in cui trasformi una costellazione di strumenti in una rete diagnostica governata.

D: Come si inserisce questo tema nella nuova struttura Helyx a tre divisioni?

Lorenzo Colombo: Hyris è il cuore della piattaforma distribuita: hardware, software, reagenti e workflow. Vytro porta questa capacità verso applicazioni cliniche, pannelli e kit IVD. Mytho lavora su un livello diverso, quello NGS e bioinformatica, ma condivide la stessa cultura del dato. La cosa importante è non confondere i perimetri: ogni divisione ha una missione chiara. Il valore del gruppo sta nel fatto che queste missioni possono dialogare senza sovrapporsi.

D: Qual è il prossimo salto credibile?

Lorenzo Colombo: Più che un salto unico, vedo una convergenza. Strumenti più stabili, reagenti più robusti, software più intelligenti, AI più spiegabile, qualità più automatizzata. La direzione è rendere la diagnostica molecolare più prevedibile e più scalabile. Non basta essere veloci: bisogna essere affidabili nello stesso modo, in posti diversi, con persone diverse e carichi di lavoro diversi.

Automazione e AI stanno trasformando la diagnostica molecolare decentralizzata da insieme di strumenti portatili a infrastruttura digitale governata. La differenza è sostanziale: uno strumento esegue un test; una piattaforma controlla il processo, registra il dato, applica regole di qualità e consente supervisione su scala. Le evidenze disponibili indicano una traiettoria precisa. Il machine learning può supportare la lettura del segnale nel point-of-care; la data science può automatizzare analisi qPCR multitarget; la connettività può trasformare risultati locali in dati azionabili; la manutenzione predittiva può aumentare continuità e affidabilità operativa.[1][3][8][9]

Il limite è altrettanto chiaro: in diagnostica l’AI non può essere trattata come un elemento puramente commerciale. Deve essere validata, monitorata, spiegabile e integrata in un sistema qualità. Le linee guida GMLP, i percorsi FDA per i cambiamenti predeterminati, l’AI Act e la guida MDCG/AIB confermano che il futuro dell’AI medicale sarà misurato tanto sulla performance quanto sulla governance.[11][12][13][14]

Per Helyx Industries S.p.A. in questo contesto si parla di Hyris, qPCR distribuita, cloud, qualità del dato e piattaforma. Ma è anche un'occasione utile a "leggere" l’intero assetto industriale. Vytro beneficia della stessa infrastruttura quando il workflow diventa clinico e IVD; Mytho dimostra che il gruppo sta costruendo competenze anche nel livello più avanzato del dato genomico. One Group - Three Divisions significa proprio questo: perimetri distinti, ma una logica comune di biologia molecolare industrializzata. La nuova frontiera è progettare workflow diagnostici in cui ogni fase - dalla curva Ct al referto, dal controllo qualità alla manutenzione, dal singolo device al network - diventi più tracciabile, più standardizzata e più affidabile. In questo senso, automazione e AI non sostituiscono il laboratorio: lo estendono.