Dopo aver esaminato il contesto generale nella Prima Parte e l’impatto clinico nella Seconda Parte, questa ultima sezione affronta le questioni di governance, etica e regolamentazione. Si analizzano i meccanismi di selezione professionale e il ruolo dell’IA nel garantire meritocrazia e trasparenza. Vengono inoltre trattati temi critici come le derive commerciali, la regolamentazione dei trattamenti riproduttivi e le prospettive future, inclusa la possibilità di sviluppare uteri artificiali.
Il discorso si conclude con una riflessione sulla necessità di un equilibrio tra innovazione tecnologica, sicurezza dei pazienti e accessibilità equa ai trattamenti.
Quinto capitolo: Reclutamento professionale e meritocrazia nell’era dell’IA
Dinamiche concorsuali e nepotismo
In Italia e altrove, i concorsi per posizioni mediche o accademiche sono spesso soggetti a dinamiche di nepotismo e cooptazione Minetto et al.,2024 . Questo si traduce in “cene di scopo” tra professori, dove il risultato è definito prima che il concorso abbia luogo Bulletti et al, 2023. L’IA potrebbe teoricamente correggere tali storture, imponendo selezioni basate su curriculum trasparenti, dati oggettivi dei risultati clinici e reali pubblicazioni scientifiche. Rimane, tuttavia, un problema strutturale: finché la mentalità che regola i concorsi resta quella del favore personale e del “sorteggio pilotato,” neanche la tecnologia potrà risolvere del tutto le distorsioni.
Mediocrazia e “falsa eccellenza”
Altro fenomeno è la “mediocrazia della smorfia,” ossia la tendenza a elevare a posizioni apicali coloro che mostrano deferenza alle logiche di sistema ma mancano di competenze innovative. L’H-index, sovente gonfiato attraverso pratiche di co-autorship forzate, diventa un ulteriore strumento di manipolazione Bulletti C et al , 2023. L’IA, se impiegata per analizzare nel dettaglio i contributi reali di ciascun medico o ricercatore, potrebbe portare alla luce tali pratiche e rendere più equa la distribuzione delle cariche e dei finanziamenti.
Contributo dell’IA alle procedure di selezione e trasparenza
Un meccanismo di selezione basato su IA potrebbe, ad esempio, incrociare dati su risultati di stimolazione ovarica, tassi di successo nelle procedure IVF, numero di pubblicazioni di valore (verificando la scientificità effettiva e non solo il nome in calce) e criteri di soddisfazione dei pazienti. Ciò metterebbe in crisi i tradizionali equilibri di potere e le filiere lobbistiche, creando un’opposizione a livello di governance ospedaliera o universitaria.
Sesto capitolo: Descrizione dettagliata delle aree di applicazione e dei vantaggi dell’IA
Diagnosi di endometriosi
Molte donne ricevono tardivamente una diagnosi di endometriosi, con ritardi di 6-8 anni dalla comparsa dei sintomi Lu et al.,2021. L’uso di deep learning per analizzare ecografie e RMN, invece, riconosce micro-pattern che sfuggono spesso all’occhio umano, migliorando la sensibilità diagnostica. In ambiti con scarsa esperienza clinica o in Paesi privi di specialisti ben formati, un sistema IA può supplire almeno in parte alle lacune. Anche algoritmi tarati su questionari prestabiliti sono in grado di fare diagnosi di presunzione di endometriosi con attendibilità del 90% Chapron et al 2022.
Ecografia e Risonanza Magnetica (RMN)
L’ecografia transvaginale rappresenta il gold standard per la valutazione iniziale del tratto riproduttivo femminile, mentre la RMN fornisce dettagli anatomici più approfonditi Chen et al.,2020. Algoritmi IA specificamente addestrati su immagini di fibromi, polipi, aderenze e cisti ovariche hanno dimostrato di ridurre l’errore interpretativo Deidda et al.,2022. Ciò comporta una minor variabilità inter-osservatore e la possibilità di creare referti uniformi anche in reti cliniche geograficamente disperse.
Calcolo predittivo dei risultati e personalizzazione delle terapie
Una coppia oggi, al di là delle promesse di risultato può fare una propria valutazione predittiva di risultato consultando il calcolatore del registri americano SART 2022 per primo ciclo e secondo ciclo ed oltre. Nell’era dell’IA, i protocolli di stimolazione ovarica possono essere adattati in base a molteplici fattori clinici, genetici e ambientali Munne et al.,2019. Questo approccio personalizzato risulta determinante per massimizzare il recupero di ovociti di buona qualità senza aumentare il rischio di iperstimolazione. Un’analisi retrospettiva di oltre 10.000 cicli di IVF ha mostrato come un modello AI-driven abbia incrementato i tassi di successo dal 30 al 38% nelle donne tra i 35 e i 40 anni Choi et al.,2021.
Figura 1. Esempio di diario giornaliero IA-assistito durante stimolazione
| Giorno | Gonadotropine 8UI) | Estradiolo (og/ml) | Follicoli >14 mm | Avviso IA |
| 1 | 150 | 70 | 0 | Normale |
| 2 | 150 | 120 | 0 | Normale |
| 3 | 225 | 300 | 2 | Rischio moderato |
| 4 | 225 | 600 | 4 | Aumento Rapido Estradiolo |
Determinazione della starting dose della stimolazione ovarica
Nel protocollo di PMA, la dose iniziale di gonadotropine è solitamente tarata su valori di AMH, FSH, età e BMI Polanski et al.,2018. Tuttavia, l’IA è in grado di analizzare parametri aggiuntivi (velocità di crescita follicolare in cicli passati, risposte ormonali, polimorfismi genetici) e suggerire la migliore strategia di partenza. Studi come quello di Fatemi et al. (2017) indicano che l’adozione di protocolli AI-driven ha dimezzato i casi di iperstimolazione severa.
Timing del trigger ovulatorio
Il “trigger” è fondamentale per ottenere il massimo numero di ovociti maturi Fatemi et al.,2017. L’IA, elaborando i dati ormonali e la velocità di crescita follicolare (magari via telemedicina), può avvisare il medico quando si raggiunge la soglia ideale di estradiolo e dimensione follicolare Choi et al.,2021. Quest’automazione riduce il rischio di ovulazioni premature e migliora il recupero ovocitario fino al 15%.
Prevenzione della Sindrome da iperstimolazione ovarica (OHSS)
I modelli predittivi, integrando AMH, AFC (count follicoli antrali) e storia clinica, riescono a segnalare con maggiore precisione le pazienti a rischio OHSS Ubaldi et al.,2020. L’adozione di protocolli personalizzati (trigger con agonista del GnRH, coasting, riduzione della dose di gonadotropine) è stata associata a una riduzione dell’incidenza di OHSS del 40-50%.
Diagnosi di Sindrome dell’Ovaio Policistico (PCO) tramite IA
La PCO è spesso sovra- o sottodiagnosticata a seconda degli orientamenti clinici e della preparazione del medico. Gli algoritmi di IA che incrociano dati ecografici, livelli ormonali (LH, testosterone, DHEAS) e informazioni anamnestiche offrono una diagnosi precoce con un’accuratezza fino al 96% Xiang et al.,2022.
Predittività dell’impianto embrionale
La possibilità di valutare l’embrione mediante time-lapse imaging e deep learning comporta un miglioramento nella selezione embrionale Khosravi et al.,2019. I parametri di divisione cellulare, frammentazione, morfologia del trofectoderma e altre caratteristiche morfocinetiche vengono sintetizzati in uno scoring che può superare la capacità valutativa dell’embriologo più esperto Vergouw et al.,2018.
Predittività dell’aborto precoce
Alcuni algoritmi, analizzando dati clinici e ormonali (progesterone, beta-hCG) già nelle prime settimane di gravidanza, individuano con un’accuratezza dell’85-90% il rischio di aborto precoce Ueno et al.,2022. Ciò consente interventi tempestivi, come la modulazione di terapie ormonali di supporto, e una miglior gestione psicologica della coppia.
Fertilizzazione e blastulizzazione
Nell’analisi degli spermatozoi, l’IA valuta parametri di motilità e morfologia in modo più oggettivo e rapido rispetto a un esame manuale Esteves et al.,2021. In tal modo, la scelta di spermatozoi di alta qualità per ICSI risulta più standardizzata, incrementando il tasso di fertilizzazione dal 10 al 15%. Anche la blastulizzazione benefica di algoritmi in grado di prevedere la probabilità che un embrione raggiunga lo stadio di blastocisti Bori et al.,2020.
Settimo capitolo: Applicazione pratica dell’IA, strumenti e prospettive
Calcolo del periodo fertile e valutazione dei fattori abitudinali
Nella pratica quotidiana, le coppie desiderose di concepire spesso necessitano di indicazioni sul momento ottimale per i rapporti sessuali o per la stimolazione ormonale La Marca e Sunkara,2014. L’IA, tramite app o dispositivi wearable, correla la lunghezza del ciclo, la temperatura basale e altri segni (muco cervicale) con dati storici, generando previsioni personalizzate. Inoltre, considera BMI, assunzione di alcol, abitudine al fumo e pattern nutrizionali, restituendo un “indice di rischio” che suggerisce la probabilità di un’ovulazione efficace o di una ricettività endometriale ottimale Pathare et al.,2021.
Tabella 1. Esempio di output IA per stile di vita e fertilità
| Parametro | Valore Utente | Valutazione IA |
| BMI | 29 | Rischio +15% di ridotta ricettivita endometriale |
| Alcool | 3,4 drink/ settimana | Moderato: raccomandato <2 drink/ settimana |
| Fumo | 10 sigarette al giorno | Impatto negativo su riserva ovarica e spermatozoi |
| Finestra Fertilità | Giorni 12-16 del ciclo | Consigliati Rapporti/ Stimolazione |
Ruolo dei fattori extraembrionali: anatomia uterina ed endocrinologia
Le anomalie uterine (utero setto, bicorne, polipi, miomi, sactosalpingi) e le patologie endocrine (ipotiroidismo, ipertiroidismo, anticorpi anti-TPO) impattano notevolmente sulle probabilità di impianto Taylore Atkins ,2020 . Un algoritmo IA può, mediante immagini di risonanza magnetica o di isteroscopia virtuale, quantificare la distorsione della cavità uterina, prevedere la perdita di tasso di impianto e suggerire priorità di intervento chirurgico. Parimenti, integrando dati ormonali tiroidei, indica la necessità di correzione farmacologica e stima di quanto ciò influisca sul successo riproduttivo Poppe et al.,2018.
Profilazione maschile: normofertilità e subfertilità
Gli algoritmi IA analizzano i parametri dello spermiogramma (concentrazione, motilità, morfologia) e il DNA Fragmentation Index (DFI) per stratificare i pazienti da “normofertili” a “subfertili” o “sterili” Agarwale Majzoub,2020. Ciò permette di distinguere le situazioni in cui la fecondazione in vitro può avvenire con tecnica convenzionale (IVF) da quelle che richiedono ICSI o la selezione approfondita degli spermatozoi con metodi di microfluidica.
Simulazione dei risultati e telemedicina
Si mira a una “prognosi personalizzata,” in cui un modello predittivo integrato (dati di cicli precedenti, età della paziente, BMI, funzione tiroidea, presenza di endometriosi) fornisce una stima delle chance cumulative di gravidanza dopo 1-2 cicli di IVF Munne et al.,2019. In parallelo, la telemedicina, alimentata dall’IA, consente di monitorare da remoto la stimolazione ovarica. Se l’estradiolo sale troppo rapidamente, il sistema invia un alert: il clinico può ridurre la dose di gonadotropine o scegliere un trigger con agonista del GnRH per evitare OHSS Fanton et al.,2022.
Abbattimento degli sprechi e ottimizzazione dei protocolli
Uno dei maggiori ostacoli in sanità è l’inappropriatezza delle procedure: esami ridondanti, visite inutili, protocolli di stimolazione identici per pazienti con parametri diversi The Lancet Regional Health–Europe,2025. L’IA, se adottata capillarmente, rende più fluido il flusso di dati e previene la replica di test non necessari. Nel contempo, uniforma i criteri di scelta dei trattamenti addizionali (PGT-A, time-lapse imaging, colla embrionale, etc.), evitando la “commercializzazione eccessiva”.
Ottavo capitolo: Prospettive di sviluppo dell’IA nella riproduzione e nella medicina
IA di prossima generazione e creazione di nuove soluzioni
Gli attuali sistemi di IA consultano miliardi di file e offrono risposte basate sulle informazioni raccolte ChatGPT5 viene annunciata come capace di generare ipotesi evolutive. La prospettiva futura è che l’IA non si limiti a consigliare la soluzione migliore presente nei data set, ma elabori vere e proprie nuove ipotesi. Nel campo della ricerca riproduttiva, ciò potrebbe accelerare la scoperta di protocolli di stimolazione innovativi, la creazione di metodi di diagnosi precoce dell’infertilità e la definizione di standard minimi per la certificazione delle cliniche .
Sperimentazione su uteri artificiali e implicazioni per la surrogacy
La sperimentazione su “uteri artificiali”, potenzialmente disponibili entro 20-30 anni, consentirebbe di supportare lo sviluppo embrio-fetale al di fuori del corpo umano. L’IA potrebbe regolare parametri metabolici e ormonali in tempo reale, calibrando la perfusione di sostanze nutritive e ossigeno. Ciò offrirebbe un’alternativa alla gestazione per altri o al trapianto di utero, ma pone gigantesche questioni etiche, legali e sociali.
Automatizzazione degli esami ecografici
L’idea di eseguire un’ecografia transvaginale “fai da te” a casa, trasmettendo i dati via telematica, sembra fantascientifica ma sta diventando plausibile grazie a sonde miniaturizzate dotate di chip L’IA processerebbe l’immagine per segnalare aree sospette e misurare la dimensione dei follicoli, inviando un report in cloud. Ciò ridurrebbe i costi, specialmente per pazienti che vivono lontano dai centri specializzati o con disabilità che impediscono di spostarsi facilmente.
Appropriatezza delle cure e riduzione dei costi
Se l’IA integra linee guida evidence-based con i dati clinici dei pazienti, si ottiene un sistema di “decision support” che filtra richieste diagnostiche inutili. In ambito ginecologico e ostetrico, questo è particolarmente rilevante. L’offerta di procedure “add-on” (ad esempio test immunologici costosi, screening genetici non standardizzati) verrebbe sottoposta al vaglio di un motore algoritmico, diminuendo la pressione commerciale Garcia−Velasco et al.,2025.
Normalizzazione dei valori professionali
In un contesto in cui i profili professionali sono selezionati non solo per abilità pratiche, ma anche per la capacità di far fruttare economicamente le procedure, l’IA potrebbe introdurre uno standard oggettivo per valutare la bravura di un medico Minetto et al.,2024. Ad esempio, si potrebbero incrociare i dati sugli esiti a lungo termine delle pazienti (tasso di gravidanza a termine, esiti neonatali, complicazioni) con i protocolli effettivamente adottati, restituendo un punteggio di qualità professionale “pulito” da logiche di potere o nepotismi.
Ridisegno del sistema sanitario tramite EMR e telemedicina
La digitalizzazione può trasformare radicalmente la sanità: con un Electronic Medical Record ( EMR) comune e la condivisione dei dati a livello continentale, la mobilità sanitaria verrebbe gestita con parametri uniformi, favorendo l’analisi epidemiologica e la prevenzione personalizzata The Lancet Regional Health–Europe,2025. Nel campo riproduttivo, ciò migliorerebbe la definizione dei protocolli e ridurrebbe i costi di spostamento dei pazienti. La telemedicina, con la supervisione dell’IA, potrebbe gestire sino al 40% delle problematiche sanitarie di base, come indicato da stime della società Web MD 2025 .
Vicinanza ai pazienti e operatori virtuali empatici
Un aspetto spesso trascurato riguarda l’empatia. I nuovi sistemi di IA dialogica, programmati per fornire risposte in tono empatico, potrebbero sostenere pazienti emotivamente fragili (come coloro che affrontano ripetuti fallimenti di IVF). Sebbene non possano sostituire il rapporto umano con il medico, questi modelli possono offrire un primo sostegno, ottimizzando l’organizzazione del centro e aumentando la soddisfazione dell’utente.
Nono capitolo: Criticità, derive commerciali e paradossi applicativi
Offerte “chiavi in mano” e scarsa trasparenza
Taluni centri di PMA, specialmente nel settore privato, propongono “pacchetti di embrioni euploidi” che distolgono l’attenzione dall’analisi delle cause di infertilità Bulletti et al 2025. L’IA potrebbe, in teoria, smentire l’utilità di tali add-on se non esistono evidenze. Tuttavia, in mancanza di controlli adeguati, tali procedure vengono vendute come garanzia di successo.
Eccellenza autoproclamata e marketing forzato
Alcuni centri enfatizzano la grandezza della struttura o l’appartenenza a “società scientifiche” di dubbio prestigio come indice di qualità Bulletti et al 2023; Bulletti et al 2024; Alper et al.,2025. L’IA potrebbe generare classifiche fondate su parametri reali (tassi di gravidanza a termine normalizzati per età, incidenza di complicanze, esiti neonatali), demistificando brand che puntano su marketing fuorviante. Tuttavia, le stesse piattaforme IA rischiano di venire manipolate se i dataset sono controllati da entità con interessi commerciali.
Rapporto tra intelligenza artificiale e nepotismo concorsuale
Nel campo universitario, la IA potrebbe revisionare i concorsi, verificando la produzione scientifica effettiva di ciascun candidato e la corrispondenza con le competenze richieste Bulletti et al 2022; Minetto et al.,2024. Ciononostante, rimane forte la resistenza di chi trae vantaggio dagli equilibri consolidati. Ci si trova di fronte a paradossi: la tecnologia consentirebbe una trasparenza rivoluzionaria, ma la volontà politica e istituzionale è spesso assente.
“Deregulation” e ispirazioni cinesi
La Cina, dopo essere entrata nell’Organizzazione Mondiale del Commercio, non ha assunto i comportamenti liberali e rispettosi dei diritti umani che molti in Occidente speravano. Allo stesso modo, la “deregulation” nel campo dell’IA applicata alla medicina della riproduzione rischia di creare situazioni in cui la ricerca del profitto prevale su ogni considerazione etica, con l’intento di sviluppare rapidamente soluzioni tecnologiche. Esempi ne sono alcuni laboratori cinesi di “ectogenesi” sperimentale che operano con standard di trasparenza assai diversi da quelli occidentali.
Decimo capitolo: Prospettive future, governance e conclusioni
Evoluzione dell’IA e generazione di nuove soluzioni inedite
La prossima ondata di sistemi IA (ad esempio evoluzioni di ChatGPT 5 o piattaforme affini) punterà non soltanto a “pesare” i dati clinici, ma a elaborare ipotesi diagnostico-terapeutiche innovative. In ambito riproduttivo, questo si tradurrà nella capacità di individuare correlazioni mai notate prima, generando protocolli personalizzati che possano tenere conto di variabili biologiche, psicologiche, ambientali e perfino socioeconomiche.
Ricerca e uteri artificiali
Nel lungo termine, la sperimentazione sugli uteri artificiali potrebbe consentire di gestire in laboratorio l’intera gestazione. L’IA regolerà i parametri fisiologici, tarando l’afflusso ematico artificiale in base a feedback continui, potenzialmente riducendo i rischi di aborto e di partorire neonati pretermine. Se tali tecnologie prenderanno piede, si profileranno dibattiti non solo clinici ma anche filosofici e legali (chi è la madre in una gravidanza condotta integralmente al di fuori di un corpo umano?) Bulletti et al 1989; Anguillar Castron; Pardridge.
Monitoraggio remoto, riduzione dei costi e telemedicina
La telemedicina AI-driven consentirà di spostare una quota importante di monitoraggi (es. stimolazione ovarica) nelle abitazioni dei pazienti Bulletti et al.,2022; Fanton et al.,2022 . Ciò avviene tramite sensori e kit per test ormonali rapidi: la paziente inserisce i dati in un’app, l’algoritmo li elabora e, se i valori sierici dell’estradiolo superano una soglia critica, scatta l’allarme al ginecologo. Questo risparmio di tempo e costi è cruciale, soprattutto in regioni con carenza di centri specializzati.
Applicazioni generali dell’IA in medicina
L’IA non si limita alla medicina della riproduzione. In molti reparti ospedalieri (oncologia, cardiologia, pneumologia) si prevede l’uso di algoritmi per triage di pronto soccorso, analisi di immagini radiologiche, prevenzione delle complicanze post-operatorie, e così via The Lancet Regional Health–Europe,2025 Nel suo insieme, questa tendenza potrebbe ridefinire l’architettura dell’offerta sanitaria, con un “hub” centrale di IA connesso a unità locali. Tuttavia, la riuscita di tale evoluzione dipenderà dalle scelte politiche e dalla capacità di integrare i dati in un sistema coerente e sicuro.
Bilanciare innovazione e sicurezza
Il fulcro della questione è come equilibrare l’innovazione tecnologica con i principi di sicurezza, equità e qualità della cura. L’IA dovrebbe essere sottoposta a validazione clinica costante, con trial multicentrici e protocolli di supervisione umana. La tentazione di rinunciare alla verifica sperimentale per correre più veloce verso la commercializzazione è forte, specialmente in settori potenzialmente redditizi come la fecondazione assistita.
Strumenti di governance e cooperazione pubblico-privato
Alcuni autori hanno suggerito la creazione di consorzi internazionali che definiscano standard metodologici e criteri di certificazione per i software IA in ambito sanitario Garcia−Velasco et al.,2025;Alper et al.,2025 Un simile approccio consentirebbe di evitare duplicazioni di sforzi e di uniformare la qualità degli algoritmi. Allo stesso tempo, resta necessaria una vigilanza pubblica sulla trasparenza dei dataset e sui profitti che ne derivano, specie dove intervengono fondi di private equity con la logica del guadagno a breve termine.
Proiezioni per la medicina riproduttiva e riflessioni conclusive
Nel futuro prossimo, la sinergia tra IA, big data e telemedicina promette una vera e propria rivoluzione nella procreazione medicalmente assistita. I fallimenti si potrebbero ridurre, grazie a protocolli più precisi e analitici, e le coppie avrebbero un maggior controllo sui propri percorsi clinici, con riduzioni dei tempi e dei costi. Eppure, tali trasformazioni potranno concretizzarsi in modo virtuoso solo se accompagnate da una strategia di governance che riconosca l’importanza della cooperazione pubblico-privato, la salvaguardia dei principi di evidenza scientifica e la tutela dei pazienti di fronte a dinamiche di mercato potenzialmente aggressive.
Conclusioni finali
L’Intelligenza Artificiale, in tutte le sue declinazioni (deep learning, reti neurali, algoritmi di machine learning), rappresenta un cambiamento epocale per la medicina della riproduzione. Migliora la diagnosi di endometriosi e PCO, ottimizza la scelta della dose di stimolazione ovarica, previene complicanze come OHSS, perfeziona la selezione embrionale e integra la telemedicina in modo da favorire un monitoraggio continuo e personalizzato. Al tempo stesso, si confronta con sfide enormi: protezione dei dati, validazione di procedure, definizione di responsabilità medico-legale, rischio di deriva commerciale, conflitto di interessi generato dai fondi di private equity e problematiche di nepotismo concorsuale.
Per far sì che il progresso tecnologico diventi autentico progresso scientifico, va sostenuta la standardizzazione dei flussi informativi, la realizzazione di registri condivisi e la promozione di una cultura di trasparenza metodologica. Allo stesso modo, occorre una formazione continua degli operatori sanitari, che non siano ridotti a meri esecutori di algoritmi, ma mantengano un ruolo critico e creativo nel percorso di cura. In assenza di tali condizioni, esiste il pericolo che l’IA diventi uno strumento di marketing o, peggio, di ulteriore frammentazione e diseguaglianza.
In conclusione, l’IA applicata alla salute riproduttiva e alla riproduzione assistita porta con sé un potenziale straordinario, ma anche grandi responsabilità. L’invito è a lavorare con un approccio multidisciplinare (clinici, ingegneri, legislatori, bioeticisti) che sappia coniugare libertà di ricerca, esigenze di equità sociale e sicurezza del paziente. Solo così sarà possibile volgere la rivoluzione algoritmica verso una medicina più umana e sostenibile, in cui l’innovazione si traduca in veri benefici collettivi e in un futuro in cui le coppie possano avere accesso a cure di alta qualità, indipendentemente dal contesto economico o geografico.
Bibliografia della Terza Parte: Governance e Implicazioni Sociali (Capitoli 5-9)
- Agarwal A, Majzoub M. Sperm Function and AI-Based Analysis. Urology Clinics of North America. 2020;47(3):331-342.
- Alper M, Capalbo A, Casper R, Fatemi H, Molinaro T, Ubaldi F, Pellicer A. Private versus funded infertility care: not a challenge but a call for cooperation. Reproductive BioMedicine Online. 2025;50(1):104694. doi:10.1016/j.rbmo.2024.104694.
- Bori L, et al. Predicting Embryo Blastulation Using Artificial Intelligence: A Systematic Review. Human Reproduction Update. 2020;26(3):305-317. doi:10.1093/humupd/dmz040.
- Bulletti C, et al. Artificial Intelligence, Clinical Decision Support Algorithms, Mathematical Models, Calculators Applications in Infertility: Systematic Review and Hands-On Digital Applications. Mayo Clinic Proceedings Digital Health. 2024;2(4):518-532. doi:10.1016/j.mcpdig.2024.08.007.
- Bulletti C, et al. Infertility Treatment Models: Progress or Profit? Examining Public, Private, and Hybrid Approaches. EC Gynaecology. 2025;14(1):1-17.
- Bulletti C, et al. The New Phenotype of a Successful Medical Career. Something is Wrong? Biomedical Journal of Scientific & Technical Research. 2023;51(4). DOI:10.26717/BJSTR.2023.51.008146.
- Chapron C, et al. Diagnosis and management of endometriosis: A comprehensive evidence-based guideline. Human Reproduction Update. 2022;28(1):1-32.
- Chen J, et al. Artificial Intelligence in Medical Imaging: A Comprehensive Guide to Deep Learning and Its Applications. Radiology. 2020;296(2):376-391. doi:10.1148/radiol.2020201373.
- Choi W, et al. AI-Assisted Prediction of IVF Outcomes in Women Aged 35-40: A Retrospective Analysis of 10,000 Cycles. Fertility and Sterility. 2021;116(4):789-799. doi:10.1016/j.fertnstert.2021.05.021.
- Deidda S, et al. Machine Learning-Based Endometriosis Diagnosis Using MRI: A Prospective Study. European Radiology. 2022;32(4):2131-2140. doi:10.1007/s00330-021-08266-8.
- Esteves SC, et al. AI-Based Sperm Selection for ICSI Improves Fertilization and Pregnancy Rates. Andrology. 2021;9(5):1220-1230. doi:10.1111/andr.12902.
- Fanton M, et al. An interpretable machine learning model for predicting the optimal day of trigger during ovarian stimulation. Fertility and Sterility. 2022;118(1):101–108. doi:10.1016/j.fertnstert.2022.04.003.
- Fatemi HM, et al. Individualized controlled ovarian stimulation in IVF: The role of AMH and AI-driven predictive models. Human Reproduction Update. 2017;23(3):322-336. doi:10.1093/humupd/dmw045.
- Garcia-Velasco JA, et al. Artificial Intelligence in Reproductive Medicine: The Future is Now. Fertility and Sterility. 2025;50(1):104694. doi:10.1016/j.fertnstert.2024.104694.
- Khosravi P, et al. Deep Learning Enables Robust Assessment and Selection of Human Blastocysts. NPJ Digital Medicine. 2019;2:21-25. doi:10.1038/s41746-019-0090-y.
- La Marca A, Sunkara SK. Individualization of Controlled Ovarian Stimulation in IVF Using AMH and Other Markers. Human Reproduction Update. 2014;20(1):124-140.
- Lu C, et al. Deep Learning-Based Imaging Analysis for Diagnosis of Endometriosis: A Systematic Review and Meta-Analysis. Frontiers in Medicine. 2021;8:673028. doi:10.3389/fmed.2021.673028.
- Minetto S, et al. Are you aware of your citations? A cross-sectional survey on improper citations of retracted articles in assisted reproduction. Reproductive BioMedicine Online. 2024;49(5):104366. doi:10.1016/j.rbmo.2024.104366.
- Munne S, et al. Prediction of IVF success using artificial intelligence to optimize embryo selection. Reproductive BioMedicine Online. 2019;38(6):1023-1032. doi:10.1016/j.rbmo.2019.02.013.
- Pathare A, et al. Advanced Maternal Age and Endometrial Receptivity. Reproductive Biology and Endocrinology. 2021;19(121):1-12.
- Polanski LT, et al. Personalized ovarian stimulation: Can artificial intelligence improve outcomes? Journal of Assisted Reproduction and Genetics. 2018;35(4):679-685. doi:10.1007/s10815-018-1162-4.
- Poppe K, et al. Impact of Thyroid Autoimmunity on Reproduction. Human Reproduction Update. 2018;24(6):634-648.
- SART 2022. IVF Success Predictor: Data Analysis and Patient Counseling. Available at: https://w3.abdn.ac.uk/clsm/SARTIVF/tool/ivf2.
- The Lancet Regional Health – Europe. The Italian Health Data System is Broken. The Lancet Regional Health–Europe. 2025;48:101206.
- Ubaldi F, et al. AI-based prediction models for ovarian stimulation: The future of individualized medicine? Fertility and Sterility. 2020;114(2):263-275. doi:10.1016/j.fertnstert.2020.05.009.
- Ueno T, et al. AI-Assisted Early Pregnancy Loss Prediction: Clinical Implementation and Future Prospects. Journal of Reproductive Medicine. 2022;67(3):245-256. doi:10.1097/JRM.0000000000001123.
- Vergouw CG, et al. Time-lapse imaging and artificial intelligence in embryo selection: Where do we stand? Reproductive BioMedicine Online. 2018;36(4):343-357. doi:10.1016/j.rbmo.2018.01.005.
- Xiang Y, et al. AI-Driven Diagnosis of Polycystic Ovary Syndrome: A Systematic Review. Journal of Clinical Endocrinology & Metabolism. 2022;107(9):2839-2852. doi:10.1210/clinem/dgab610.
Immagini generate tramite DALL-E. Tutti i diritti sono riservati. Università di Torino (2025).
