Automazione deterministica
Software che applica regole definite in anticipo, per esempio invalidando un run quando un controllo obbligatorio non amplifica.

Machine learning sulla curva
Modello che riconosce pattern nel segnale fluorescente; la performance va dimostrata nell’assay, nella piattaforma e nella popolazione previste [2,4].

Intended purpose
Funzione dichiarata del software, con input, output, utenti, popolazione, contesto d’uso e decisione influenzata chiaramente definiti [4,11,12].

Validazione esterna
Verifica su dati indipendenti e condizioni rappresentative, inclusi strumenti, lotti, siti, matrici e sottogruppi che il modello incontrerà nell’uso previsto [4,6–8].

Change control
Governo di versioni, modifiche e aggiornamenti, con valutazione dell’impatto, criteri di accettazione, monitoraggio e possibilità di fallback [4,9,10].

Nella diagnostica molecolare, “intelligenza artificiale” può indicare oggetti molto diversi: un classificatore di curve, un sistema di controllo qualità multi-sito, un’interfaccia che ordina i casi da revisionare o una dashboard che aggrega risultati già validati. La distinzione incide sul tipo di errore possibile, sull’evidenza necessaria e sulla responsabilità associata all’output.

Questo Insight distingue tre livelli — interpretazione del segnale, sorveglianza del processo e lettura epidemiologica — e li esamina attraverso casi applicativi nelle infezioni. Più che stabilire se l’AI sia “migliore” della lettura convenzionale, occorre capire quando una funzione algoritmica diventi valutabile, verificabile e utile senza nascondere l’incertezza.

L’etichetta “AI-driven” viene applicata a fenomeni diversi: un termociclatore collegato al cloud, una soglia calcolata automaticamente, un software che verifica i controlli, un modello di machine learning che classifica una curva e una dashboard che mostra la distribuzione geografica dei positivi. Sono funzioni potenzialmente utili, con requisiti di prova differenti.

Una regola che invalida il run quando il controllo interno non amplifica è automazione deterministica: il criterio è definito in anticipo e il software lo applica. Un modello che apprende da migliaia di curve a distinguere segnali plausibili, artefatti e casi dubbi appartiene al machine learning. Una mappa che aggrega risultati già validati non interpreta il test: supporta invece la lettura epidemiologica. Trattare tutti e tre i livelli come “AI” aumenta l’impatto del claim e riduce la possibilità di valutarli.

La domanda utile riguarda l’input ricevuto dall’algoritmo, l’output prodotto, la decisione influenzata e il comportamento previsto in caso di errore. È questo passaggio a riportare il discorso dal marketing alla diagnostica.

La real-time PCR genera una serie temporale di misure fluorescenti. Il Cq — il ciclo in cui il segnale supera una soglia — condensa quella dinamica in un valore operativo, ma non descrive da solo forma, pendenza, rumore di fondo, plateau, comportamento dei controlli o interazioni fra canali. MIQE 2.0, linea guida per il reporting di esperimenti qPCR, richiede trasparenza su pre-analitica, progettazione dell'assay, efficienza, limiti di rilevazione e quantificazione, controlli e disponibilità dei dati grezzi [1]. Non è uno standard autonomo di validazione clinica; rende però verificabile ciò che il workflow ha misurato e documentato, condizione necessaria anche per valutare un algoritmo.

Un esempio spesso citato è qPCRdeepNet, modello sviluppato per interpretare letture fluorescenti di un assay SARS-CoV-2 senza dipendere esclusivamente dal Cq. Nel dataset studiato, l’analisi della curva completa ha mostrato potenziale come strumento di quality assurance e per identificare risultati anomali [2]. Il dato conferma che il segnale contiene pattern utilizzabili, ma resta circoscritto a quell’assay e a quelle condizioni: la trasferibilità a un altro assay o termociclatore, a una matrice diversa o a un patogeno con dinamiche differenti deve essere dimostrata.

Qui passa un confine decisivo: in diagnostica, una buona performance retrospettiva su dati interni apre la validazione; non la conclude.

Il caso applicativo più diretto riguarda la classificazione delle curve. Un modello può assistere nella distinzione fra positivo, negativo, invalido o dubbio; riconoscere andamenti incompatibili con l'amplificazione attesa; evidenziare curve tardive o irregolari; proporre una revisione prioritaria. Nei pannelli multiplex può anche considerare le relazioni fra target e controlli, invece di valutare ogni canale isolatamente [2,4].

Il beneficio operativo potenziale è la consistenza: nei laboratori ad alto volume e nelle reti multi-sito, un sistema ben validato può applicare lo stesso criterio e rendere più visibili le eccezioni. Il verbo corretto resta però “assistere”. Il significato del risultato dipende anche da ciò che la curva non mostra: contaminazione, qualità del campione, inibizione, fase della malattia, terapia, prevalenza e storia del paziente [1,3,4].

Uno studio su piattaforme NAAT altamente automatizzate per SARS-CoV-2 ha stimato una quota molto bassa di falsi positivi nella coorte analizzata; gli autori hanno però limitato la generalizzabilità della stima ad altri contesti [3]. Quando la prevalenza è bassa, anche errori rari possono incidere sulla probabilità che un positivo sia davvero tale. Il software può riconoscere una curva insolita; l’informazione clinica mancante resta irrisolta.

Un workflow robusto conserva una categoria di incertezza. Forzare ogni caso in “positivo” o “negativo” può apparire efficiente, ma sottrae alla revisione proprio i campioni che richiedono ripetizione, metodo ortogonale o revisione specialistica [4].

L’AI può osservare serie di run e siti diversi per riconoscere cambiamenti che il singolo test non rende evidenti: aumento degli invalidi, spostamento della distribuzione dei Cq, crescita del rumore in un canale, differenze fra lotti, strumenti o operatori. A questo livello l’unità di analisi diventa il processo, anziché il singolo paziente [4].

Connettività e standardizzazione sono decisive. Per confrontare dati provenienti da una rete occorrono metadati coerenti: versione del software, lotto reagenti, strumento, assay, matrice, procedura di estrazione, controlli, condizioni ambientali e interventi tecnici. Senza questa struttura, il modello può rilevare una variazione senza sapere se rappresenti un problema analitico, un cambiamento epidemiologico o una semplice modifica del workflow [1,4].

La distinzione fra drift biologico e drift tecnico è particolarmente importante nelle malattie infettive. Un aumento di positività può segnalare un focolaio, una contaminazione o un nuovo criterio di invio dei campioni. Una mutazione nel bersaglio può ridurre la performance dell’assay; una modifica del reagente può alterare la forma delle curve. L’allarme è utile quando conduce a un’indagine riproducibile, non quando si limita a produrre più notifiche [1,4].

I principi internazionali di good machine learning practice indicano quindi dataset rappresentativi dell’uso previsto, separazione adeguata fra training e test, valutazione dell’interazione uomo–AI, informazioni chiare agli utenti e monitoraggio nel ciclo di vita [4]. L’algoritmo opera dentro il sistema qualità, senza sostituirne responsabilità e controlli.

Una rete di test distribuiti può produrre un flusso geotemporale utile. Aggregando risultati con data, luogo, target e popolazione di riferimento, gli strumenti analitici possono riconoscere variazioni inattese, cluster o differenze territoriali. Il possibile beneficio riguarda la tempestività della lettura collettiva, non l’accuratezza della singola PCR [5].

La qualità epidemiologica dipende però dal denominatore. Dieci positivi possono significare cose diverse se derivano da venti test su sintomatici, da mille screening o da un nuovo sito appena attivato. Se cambiano accesso, criteri di campionamento o capacità, cambia anche la serie osservata. Le revisioni sui sistemi AI di early warning evidenziano problemi di volume, granularità, disponibilità, bias e adattabilità dei dati [5]. Priva di contesto, una dashboard trasforma il testing in una mappa, non necessariamente in sorveglianza.

Servono quindi dati clinici minimali, regole di accesso, interoperabilità, protezione delle informazioni e una chiara separazione fra risultato individuale e uso aggregato. La velocità del dato acquista valore soltanto se le autorità o le strutture sanitarie dispongono di soglie, competenze e procedure per reagire [5].

Nelle infezioni respiratorie, l’analisi automatizzata delle curve può aiutare a gestire volumi elevati e pannelli multi-target. Lo studio su qPCRdeepNet mostra fattibilità nel dataset e negli assay valutati, senza dimostrare trasferibilità generale [2]. Per l’adozione conta quindi la validazione esterna su stagioni, varianti, siti e prevalenze diverse, più di una percentuale di accuratezza isolata.

Nelle infezioni sessualmente trasmesse, il caso d'uso andrebbe definito tenendo conto di coinfezioni, target a bassa concentrazione e conseguenze cliniche differenti. Un algoritmo può rendere uniforme l'applicazione di criteri e la revisione dei controlli; non può trasformare un target rilevato in malattia attiva senza considerare matrice, storia naturale, finestra diagnostica e linee guida applicabili. Si tratta di condizioni da verificare nell'intended purpose, non di un beneficio già dimostrato [1,4].

Per un eventuale uso nella sepsi o nelle infezioni ospedaliere, la valutazione deve estendersi oltre la lettura della curva e comprendere prelievo, volume, preparazione, concentrazione dell’agente, contaminazione e distinzione fra colonizzazione e infezione. Una classificazione più rapida, da sola, non dimostra un miglioramento del sample-to-answer o degli esiti. L’AI può essere valutata per triage e controllo del processo. L’eventuale beneficio clinico va dimostrato sul workflow completo e su endpoint definiti in anticipo [1,4,6–8].

Ne emerge una regola pratica: il maggior valore non coincide sempre con la funzione algoritmica più spettacolare. Segnalare presto un run anomalo o evitare una ripetizione inutile può essere più utile di generare un’interpretazione complessa.

Una valutazione credibile parte dall’uso previsto: popolazione, campione, assay, strumento, operatore e decisione. Da queste variabili discendono dati e metriche. Sensibilità e specificità possono non bastare; occorre considerare calibrazione, performance per sottogruppi, comportamento nei casi fuori distribuzione, tasso di override umano, errori concordanti e discordanti, tempo risparmiato e conseguenze degli errori [4,6–8].

TRIPOD+AI, CONSORT-AI e SPIRIT-AI sono linee guida di reporting, non standard di validazione. Rendono più trasparenti modelli, protocolli e trial richiedendo descrizioni dei dati, dell'intervento, dell'interazione uomo–AI e degli errori [6–8]. Il principio è utile anche in diagnostica: l'evidenza deve permettere di valutare il modello come componente di un percorso, senza attribuire a queste checklist una funzione regolatoria o validativa che non hanno.

La validazione esterna deve includere condizioni che il modello incontrerà davvero: strumenti differenti, nuovi lotti, operatori, matrici, co-infezioni, prevalenze e qualità variabile del campione. Dopo il rilascio occorre osservare se la distribuzione dei dati cambia. Un modello “bloccato” può perdere performance; uno aggiornabile introduce il problema opposto, perché ogni modifica può cambiare il profilo di rischio [4,9,10].

Nel 2025 la FDA ha proposto, in una draft guidance, un'impostazione di total product lifecycle per le funzioni software AI-enabled; nello stesso anno ha pubblicato la guidance finale sui predetermined change control plans per modifiche pianificate [9,10]. I due documenti hanno status diverso, ma convergono su un punto operativo: apprendimento e aggiornamento richiedono versioni, limiti, monitoraggio e change control trasparenti.

Applicata alla PCR, l’AI può valorizzare dati che oggi vengono compressi, scartati o osservati troppo tardi. Può rendere più coerente l’interpretazione, individuare segnali deboli nel processo e collegare una rete. Il valore cresce quando resta visibile il confine fra ciò che l’algoritmo sa e ciò che richiede contesto [2,4,5].

Per un laboratorio o una rete sanitaria, chiedere “avete l’AI?” serve a poco. La valutazione deve invece verificare quali errori la funzione intenda ridurre, su quali dati sia stata validata, come gestisca il dubbio, che cosa mostri all’utente, come venga monitorata e quale decisione sia destinata a supportare. Le risposte distinguono una funzione digitale da una capacità diagnostica [4,9,10,12].

La PCR AI-driven va letta come un’architettura di supporto a un processo molecolare, più che come una categoria autonoma di test. La sua maturità si misura dalla precisione con cui separa segnale, processo e popolazione; dalla qualità dei dati; dalla capacità di dichiarare l’incertezza; dalla validazione esterna e dalla disciplina con cui gestisce gli aggiornamenti [4,9,10].

Il futuro più credibile evita di consegnare la diagnosi a un algoritmo invisibile. Punta su sistemi nei quali automazione e machine learning rendono il workflow più osservabile, portano l’attenzione sui casi rilevanti e producono dati utilizzabili. L’intelligenza emerge dall’intera architettura, comprese le regole che stabiliscono quando fidarsi, quando verificare e quando fermarsi.