Intelligenza artificiale e chirurgia ginecologica: prospettive e sfide

Commento a:
Pipes GM, Hung AJ, Kim KH.
Artificial intelligence and gynecologic surgery
Obstet Gynecol. 2025 Nov 1;146(5):672-678. doi: 10.1097/AOG.0000000000006052. Epub 2025 Aug 28. PMID: 40875991

Riassumere la letteratura attuale sull’utilizzo dell’intelligenza artificiale nella chirurgia ginecologica: è questo l’obiettivo della review di Grace M. Pipes e collaboratori, del dipartimento di Ostetricia e Ginecologia al Cedars-Sinai Medical Center di Los Angeles (Stati Uniti). Il lavoro è stato condotto sotto l’egida dell’American Board of Obstetrics and Gynecology.
L’intelligenza artificiale (IA) sta ridefinendo i paradigmi della medicina moderna, e la chirurgia ginecologica rappresenta uno dei campi di applicazione più promettenti. La revisione dei ricercatori statunitensi esplora come il machine learning, il deep learning e l’analisi dei dati stiano trasformando la pratica clinica, dalla pianificazione pre-operatoria alla valutazione oggettiva delle competenze chirurgiche.
Il cuore tecnologico
Il potenziale dell’IA risiede nella capacità di elaborare modelli matematici non lineari complessi per simulare le performance intellettuali umane. Gli aspetti tecnologici più interessanti evidenziati nell’articolo includono:

• computer vision e deep learning: attraverso l’uso di reti neurali artificiali multistrato, l’IA è in grado di identificare pattern astratti in ampi set di dati. Un esempio è l’algoritmo di Baeten e collaboratori, capace di individuare metastasi tumorali nei linfonodi sentinella in pazienti con cancro della cervice con una precisione del 100%, superando in efficienza l’analisi patologica tradizionale (Baeten IGT, Hoogendam JP, Stathonikos N, Gerestein CG, Jonges GN, van Diest PJ, et al. Artificial intelligence-based sentinel lymph node metastasis detection in cervical cancer. Cancers (Basel) 2024;16:3619. doi: 10.3390/cancers16213619);
• metriche di performance automatizzate (APM): nella chirurgia robotica l’IA non analizza solo immagini, ma acquisisce dati cinematici (coordinate cartesiane dei movimenti) e metriche degli eventi (uso degli strumenti, gestione della telecamera). Questi dati, raccolti tramite sistemi come dVLogger o Intuitive Surgical, permettono di mappare con un elevato grado di oggettività l’abilità del chirurgo;
• realtà aumentata intra-operatoria: una delle sfide più grandi in chirurgia ginecologica è la mobilità degli organi pelvici. La tecnologia sta evolvendo verso sistemi in grado di sovrapporre mappe digitali all’anatomia reale. Ricerche innovative utilizzano la trattografia tensoriale di diffusione (MR-DTI), una tecnica avanzata di risonanza magnetica, per visualizzare la direzione delle fibre tissutali in vivo, aiutando il chirurgo a localizzare miomi sottomucosi con una precisione superiore a quella consentita dalla RM tradizionale;
• chirurgia semi-autonoma: nel progetto STAR (Smart Tissue Autonomous Robot), la frontiera più avanzata di questo settore, un algoritmo di pianificazione del percorso in 3D permette la chiusura robotica semi-autonoma di una cupola vaginale sintetica, ottenendo una costanza nella dimensione del morso e nella spaziatura dei punti superiore a quella dei chirurghi umani.

Applicazioni cliniche e formazione
L’IA impatta su diverse fasi del percorso di cura:

• pianificazione preoperatoria: modelli di machine learning vengono utilizzati sia per distinguere patologie benigne (leiomiomi) e patologie maligne (leiomiosarcomi), sia per prevedere l’estensione dell’endometriosi profonda, permettendo una più accurata stratificazione del rischio;
• previsione degli outcome: l’unione di dati clinico-patologici e metriche cinematiche intraoperatorie si è dimostrata più efficace dei modelli clinici tradizionali nel prevedere i tempi di recupero e le complicazioni post-operatorie;
• training e valutazione: tradizionalmente, la competenza chirurgica è valutata in base al volume di casi o a scale soggettive. L’IA introduce la valutazione più oggettiva: algoritmi di deep learning possono analizzare i video chirurgici per assegnare punteggi di abilità (come il GEARS) senza intervento umano, facilitando un feedback immediato e standardizzato per i tirocinanti.

Sfide, limiti e trasparenza
Nonostante l’entusiasmo tecnologico, il settore deve affrontare criticità significative:

• l’effetto «black box»: molti algoritmi di IA sono percepiti come scatole nere, nelle quali il processo decisionale rimane opaco. Emerge quindi la necessità di una «Explainable AI», fondamentale per ottenere la fiducia dei clinici e l’approvazione regolatoria da parte di enti come la FDA, e una piena compliance rispetto alle fonti normative come il GDPR;
• qualità dei dati: la mancanza di set di dati pubblici e standardizzati (a eccezione del dataset JIGSAWS) limita la validazione esterna dei modelli;
• sicurezza e allucinazioni: le preoccupazioni riguardanti la sicurezza dei dati e il rischio di allucinazioni dell’IA richiedono una vigilanza costante e l’aggiornamento continuo delle linee guida etiche e professionali.

Conclusioni
L’intelligenza artificiale non è più una prospettiva futura, ma una realtà in rapida evoluzione che promette di rendere la chirurgia ginecologica più sicura, precisa e personalizzata. La transizione verso una “partnership” fra chirurgo e macchina dipenderà dalla capacità umana di standardizzare la raccolta dei dati e di rendere i modelli trasparenti e interpretabili, garantendo sempre la sicurezza del paziente come priorità assoluta.