Notizie
Genetica del cancro ovarico associato a endometriosi
Fino all’1.6% delle pazienti affette da endometriosi sviluppa un carcinoma ovarico epiteliale. La sovrapposizione genetica tra endometriosi e tumore dell’ovaio […]
Intelligenza artificiale e patologie ovariche
L’integrazione dell’intelligenza artificiale (AI) nella medicina della riproduzione e nell’oncologia ginecologica ha impresso una svolta trasformativa nella diagnosi, nella prognosi e nella gestione delle patologie ovariche, incluse le neoplasie maligne, le disfunzioni endocrine e le compromissioni funzionali.
In conformità con le linee guida PRISMA 2020, Hang Yu e Lifan Peng hanno eseguito una revisione sistematica e una meta-analisi con l’obiettivo di sintetizzare le evidenze derivanti da 81 studi peer-reviewed per valutare l’efficacia, le applicazioni cliniche e i limiti dei modelli di AI e di apprendimento automatico (machine learning, ML) nell’intero spettro della salute e della patologia ovarica.
È stata eseguita un’esplorazione sistematica delle banche dati PubMed/MEDLINE, Embase, Web of Science, Cochrane Library e Scopus alla ricerca di lavori pertinenti, pubblicati tra gennaio 2015 e gennaio 2026, incentrati sullo sviluppo, la validazione o l’applicazione clinica di modelli di AI/ML per la fisiopatologia ovarica o nella sua gestione clinica. La qualità degli studi è stata valutata mediante lo strumento QUADAS-2 per gli studi di accuratezza diagnostica e lo strumento PROBAST per i modelli predittivi.
Il team ha eseguito una sintesi narrativa e una meta-analisi a effetti casuali, completate da analisi dei sottogruppi prestabilite, meta-regressione e analisi di sensibilità per esplorare l’eterogeneità. Le applicazioni sono state classificate in: tumore dell’ovaio (diagnosi, stadiazione, prognosi, guida al trattamento), endocrinologia della riproduzione (riserva ovarica, sindrome dell’ovaio policistico (PCOS), stimolazione ovarica) e biologia ovarica di base.
I modelli di AI hanno dimostrato un’elevata accuratezza diagnostica per il tumore dell’ovaio attraverso l’impiego di dati multimodali, inclusi la radiomica ecografica (sensibilità aggregata 89-94%, specificità 85-91%, AUC 0.92) e l’integrazione di biomarcatori sierici (AUC 0.94). Le piattaforme di intelligenza artificiale spiegabile (explainable AI, XAI) si sono dimostrate efficaci nel prevedere la possibilità di ottenere una citoriduzione chirurgica completa nelle pazienti con carcinoma ovarico avanzato (AUC aggregata 0.87). Nella medicina della riproduzione, gli algoritmi di AI hanno ottimizzato i protocolli di stimolazione ovarica e previsto la crescita follicolare, mostrando prestazioni affidabili nella stima della risposta ovarica nei percorsi di fecondazione in vitro (IVF) (AUC aggregata 0.81).
È stata riscontrata una considerevole eterogeneità (I² 68-85% nelle analisi principali), riconducibile prevalentemente al disegno retrospettivo degli studi, alla variabilità delle architetture di AI e alla mancanza di procedure di validazione standardizzate. Solo il 22% degli studi inclusi ha riportato una validazione esterna prospettica e multicentrica. Gli Autori concludono che l’AI offre prospettive di grande interesse per personalizzare e migliorare la gestione delle patologie ovariche.
Il passaggio dalla ricerca alla pratica clinica di routine richiede tuttavia rigorose validazioni prospettiche multicentriche, standardizzazione delle metodologie e dei criteri di reporting, una fluida integrazione nei flussi di lavoro clinici e una solida governance etica e regolatoria, tesa a garantire un’implementazione responsabile ed equa.
Fonte: J Ovarian Res. 2026
https://link.springer.com/article/10.1186/s13048-026-02083-0
