L’intelligenza artificiale entra sempre più concretamente nella pratica clinica della medicina della riproduzione. Un nuovo studio multicentrico italiano, presentato al Congresso Nazionale SIRU in corso a Siena, ha dimostrato come l’utilizzo di modelli di machine learning possa migliorare in modo significativo la capacità di prevedere il successo dei cicli di procreazione medicalmente assistita.
Il progetto, promosso dalla SIRU, è coordinato dall’IRCCS Ospedale San Raffaele di Milano e realizzato in collaborazione con il Policlinico di Milano e l’Ospedale Niguarda, l’Ospedale di Cattolica e il Centro U.M.R – Hera di Catania: ha analizzato circa 6.250 cicli PMA realizzati tra il 2019 e il 2024, con l’obiettivo di sviluppare un modello predittivo in grado di stimare la probabilità di gravidanza sulla base di dati clinici reali della coppia.
Lo studio ha analizzato due momenti chiave del percorso clinico. Già nella fase iniziale di counseling il modello ha mostrato una buona capacità predittiva. Tuttavia, è dopo il completamento del ciclo di PMA che le performance migliorano sensibilmente, grazie all’integrazione dei dati embriologici e di laboratorio.
Tra i fattori più rilevanti per il successo emergono il numero di embrioni crioconservati e il numero di zigoti normalmente fecondati, insieme all’età della donna, ai parametri ormonali e seminali.
“La ricerca appare biologicamente coerente, perché riflette bene le diverse fasi del percorso PMA. Prima del ciclo il modello può basarsi solo sui fattori di partenza della coppia, mentre dopo il trattamento incorpora anche dati che descrivono la risposta biologica reale e l’esito del lavoro di laboratorio. È questo che rende la stima più solida”, commentano il dottor Enrico Papaleo, responsabile Centro di Medicina Riproduttiva dell’IRCCS Ospedale San Raffaele di Milano e il dottor Luca Pagliardini, biologo responsabile Laboratorio PMA della medesima Unità.
“I risultati dello studio – afferma Antonino Guglielmino, fondatore della SIRU – confermano che l’intelligenza artificiale può rappresentare un supporto concreto per il clinico, migliorando la capacità di integrare informazioni complesse e offrire alle coppie una valutazione più accurata delle probabilità di successo; in particolare, può migliorare il counseling, aiutando a gestire le aspettative e a ridurre il rischio di abbandono precoce dei trattamenti”.
L’applicazione del machine learning consente infatti di distinguere tra una valutazione iniziale della prognosi e una stima successiva fondata sui risultati effettivamente ottenuti nel ciclo, offrendo così una misura più realistica del potenziale riproduttivo maturato e informazioni più chiare per il counseling della coppia.
