Notizie
Carcinoma basocellulare vulvare: il ruolo della chirurgia di Mohs
Nel 2025, alcuni studiosi cileni e statunitensi hanno pubblicato su Clinical and Experimental Dermatology una revisione sistematica dedicata al carcinoma […]
Efficacia dell’intelligenza artificiale nella prognosi del cancro dell’ovaio
Un gruppo di ricercatori ha eseguito una revisione sistematica con la finalità di valutare l’impiego di algoritmi di apprendimento automatico (ML – machine learning) nella previsione degli esiti di sopravvivenza per le pazienti affette da carcinoma ovarico (OC). Vengono esaminati endpoint prognostici chiave, tra i quali la sopravvivenza globale (OS), la sopravvivenza libera da recidiva (RFS), la sopravvivenza libera da progressione (PFS) e la previsione della risposta al trattamento (TRP), al fine di valutare l’efficacia di questi algoritmi e di identificare le caratteristiche significative che influenzano l’accuratezza predittiva.
Sono stati esplorati con attenzione i database PubMed, Scopus, Web of Science e Cochrane alla ricerca di lavori pertinenti pubblicati negli ultimi dieci anni. Alla fine, gli esperti hanno selezionato 32 documenti che hanno soddisfatto i criteri di inclusione. È interessante notare che la maggior parte delle pubblicazioni è emersa dopo il 2021.
Gli algoritmi comunemente utilizzati per la previsione della sopravvivenza includono la foresta casuale (random forest), le macchine a vettori di supporto, la regressione logistica, XGBoost e vari modelli di apprendimento profondo (deep learning). Sono state frequentemente impiegate metriche di valutazione come l’area sotto la curva (AUC) (18 studi), l’indice di concordanza (C-index) (11 studi) e l’accuratezza (11 studi). L’età alla diagnosi, lo stadio tumorale, i livelli di CA-125 e i fattori correlati al trattamento sono stati costantemente evidenziati come predittori significativi, sottolineando la loro rilevanza nella prognosi dell’OC.
Gli Autori concludono che i modelli di ML dimostrano un potenziale considerevole per la previsione degli esiti di sopravvivenza nell’OC; tuttavia, persistono sfide relative all’accuratezza e alla interpretabilità dei modelli. L’integrazione di diversi tipi di dati – come set di dati clinici, di imaging e molecolari – promette di migliorare le capacità predittive. I futuri progressi dipenderanno dall’integrazione di fonti di dati eterogenee con approcci ML multimodali che sono cruciali per migliorare la precisione prognostica nell’OC.
Fonte: Cancer Rep (Hoboken). 2025
https://onlinelibrary.wiley.com/doi/10.1002/cnr2.70138
