Apprendimento automatico per prevedere il successo del recupero di spermatozoi in persone con sindrome di Klinefelter: studio multicentrico con validazione esterna
Un modello di machine learning sviluppato su 470 pazienti con sindrome di Klinefelter ha mostrato buona capacità predittiva del successo nel recupero di spermatozoi (TESE), con il modello Random Forest che ha ottenuto in validazione esterna accuratezza 0,83 e AUROC 0,95. I principali predittori erano FSH, testosterone totale, LH e volume testicolare.
Che cosa è stato fatto
Studio multicentrico retrospettivo su 470 pazienti con sindrome di Klinefelter sottoposti a testicular sperm extraction (TESE) tra gennaio 2021 e novembre 2025. I dati provenivano da 12 centri per il dataset interno (n = 307) e da un centro indipendente per la validazione esterna (n = 163). Sono stati sviluppati cinque algoritmi di apprendimento automatico (Random Forest, Decision Tree, AdaBoost, Gradient Boosting, Extreme Gradient Boosting) usando validazione incrociata stratificata ripetuta.
Risultati principali
Durante la validazione interna gli algoritmi ensemble hanno mostrato elevata discriminazione (AUROC medio > 0,95). In validazione esterna le prestazioni sono diminuite rispetto all'addestramento, ma il modello Random Forest ha mantenuto la miglior generalizzabilità con accuratezza 0,83, AUROC 0,95 e indice di Youden 0,73. L'analisi di interpretabilità (SHAP) ha indicato il FSH come il predittore più influente, seguito da testosterone totale, LH e volume testicolare bilaterale. Valori più alti di FSH e LH erano associati a minore probabilità di recupero di spermatozoi, mentre testosterone più alto e volumi testicolari maggiori erano associati a maggiore probabilità di successo.
Cosa può significare per pazienti e famiglie
Questi modelli possono fornire stime individualizzate della probabilità di ottenere spermatozoi con TESE in persone con sindrome di Klinefelter, supportando la consulenza clinica e le decisioni sui percorsi di fecondazione assistita. I parametri ormonali e il volume testicolare, già di uso clinico, si confermano utili per la valutazione prognostica.
Lo studio mostra che strumenti di machine learning basati su dati clinici e ormonali di routine possono aiutare a stimare la probabilità di successo del recupero di spermatozoi in persone con sindrome di Klinefelter. Questo può migliorare la consulenza sulla fertilità e aiutare a pianificare percorsi di trattamento più personalizzati, ma non sostituisce la valutazione clinica individuale.
Studio retrospettivo; diminuzione delle prestazioni in validazione esterna rispetto all'addestramento; risultati basati su dati osservazionali e su parametri disponibili nei centri coinvolti; sono necessari studi prospettici e integrazione clinica prima dell'uso routinario in pratica clinica.
Fonte scientifica
Questo articolo ha finalità informative e non sostituisce la valutazione di un medico.