Artificial Intelligence and Robotics in Neurosurgery: A Systematic Review of Performance, Validation Quality, and Translational Readiness

Sintesi Tecnica: Intelligenza Artificiale e Robotica in Neurochirurgia

Problematica
La neurochirurgia richiede un'estrema precisione, in cui anche piccoli miglioramenti nel processo decisionale intraoperatorio hanno un impatto significativo sulla sicurezza del paziente e sugli esiti neurologici a lungo termine. Nonostante i progressi nella navigazione e nell'imaging, persistono sfide costanti, tra cui il brain shift (spostamento cerebrale) durante le operazioni, la variabilità della precisione di puntamento nelle interazioni stereotassiche, le ripide curve di apprendimento e la pianificazione laboriosa. Sebbene l'Intelligenza Artificiale (IA), il Machine Learning (ML), il Deep Learning (DL) e la robotica abbiano fatto progressi individualmente per affrontare queste problematiche, la letteratura esistente ha ampiamente esaminato questi domini in modo isolato. Manca una revisione completa che integri queste tecnologie pur valutando criticamente la qualità della validazione e della prontezza traslazionale. Inoltre, pochi studi di revisione applicano una valutazione del rischio di bias (RoB) trasparente e specifica per il dominio sia agli studi clinici interventistici che agli studi di sviluppo algoritmico, rendendo difficile identificare chiari gap traslazionali.

Metodologia
Questa revisione sistematica ha seguito le linee guida PRISMA 2020. È stata condotta una ricerca sistematica su PubMed/MEDLINE, Embase, Scopus e Web of Science per studi pubblicati tra gennaio 2015 e giugno 2026. La ricerca ha mirato a esiti quantitativi relativi a IA, ML, DL, robotica e stimolazione adattiva in neurochirurgia.

• Selezione: Da un pool iniziale di oltre 1.400 record, sono stati inclusi 56 studi originali che riportavano esiti quantitativi.
• Classificazione: Gli studi sono stati categorizzati in cinque domini tecnologici: Deep Learning (DL) per la rilevazione dei tumori cerebrali, Machine Learning (ML) per la predizione degli esiti, SEEG robotica, innovazioni nella DBS (Stimolazione Cerebrale Profonda) e altre applicazioni (es. simulazioni, documentazione).
• Framework del Rischio di Bias (RoB): È stato sviluppato e applicato a tutti i 56 studi un nuovo framework RoB personalizzato a cinque domini. I domini valutati erano: (1) Fonte e selezione dei dati, (2) Metodo di validazione, (3) Rischio di overfitting e data leakage, (4) Misurazione dell'esito, (5) Qualità della segnalazione.
• Analisi: A causa dell'elevata eterogeneità dei design di studio e delle tecnologie, non è stata eseguita una meta-analisi. Al posto di essa, è stata utilizzata una sintesi narrativa strutturata supportata da riepiloghi quantitativi.

Contributi Chiave

1. Sintesi Integrata: Questa è una delle prime revisioni a esaminare congiuntamente le tecnologie AI/ML/DL e robotiche in neurochirurgia, andando oltre le valutazioni isolate dei singoli domini.
2. Framework RoB Personalizzato: L'applicazione di uno strumento RoB su misura a cinque domini ha permesso una valutazione critica granulare sia dello sviluppo algoritmico che degli studi clinici interventistici, evidenziando debolezze specifiche come l'overfitting e la mancanza di validazione esterna.
3. Quantificazione del Gap Traslazionale: La revisione quantifica esplicitamente la disparità tra l'elevata performance delle metriche tecniche e il basso livello di prove cliniche prospettiche ed esternamente validate.
4. Percorsi di Convergenza: Il documento propone percorsi specifici per l'integrazione futura tra algoritmi intelligenti e piattaforme robotiche, superando lo sviluppo compartimentato.

Risultati

• Distribuzione degli Studi: Il dominio più ampio è stato il DL per la rilevazione dei tumori cerebrali (11 studi, 19,6%), seguito dal ML per la predizione degli esiti (10 studi), la SEEG robotica (8 studi) e le innovazioni nella DBS (8 studi). Le tendenze di pubblicazione sono accelerate significativamente dopo il 2020.
• Rischio di Bias: Complessivamente, il 50% degli studi inclusi è stato classificato come ad alto rischio di bias e il 57,1% si è basato esclusivamente sulla validazione interna. Solo il 12,5% consisteva in trial clinici prospettici e solo il 7,1% ha effettuato una validazione esterna su coorti indipendenti.
• Metriche di Performance:
  • DL per la Rilevazione Tumori: Ha riportato una precisione mediana del 98,6% (range 95,86%–99,7%). Tuttavia, 8 degli 11 studi sono stati classificati ad alto rischio di bias a causa della sola validazione interna. Uno studio (Cepeda et al.) ha raggiunto un basso rischio di bias con validazione esterna, riportando un punteggio Dice di 0,81 per i tumori che captano il contrasto.
  • Applicazioni Robotiche: La SEEG robotica e l'impianto guidato di DBS hanno dimostrato un errore di puntamento mediano di circa 1,5 mm (con un range da 1,14 mm a 2,74 mm). Questi studi hanno generalmente mostrato profili di RoB migliori (prevalentemente rischio moderato) rispetto al puro sviluppo algoritmico.
  • DBS Adattiva: I sistemi adattivi hanno mostrato un ampliamento statisticamente significativo della finestra terapeutica (p = 0,005 nella malattia di Parkinson) e una riduzione dell'energia elettrica totale erogata di circa 22 µW rispetto alla stimolazione continua.
  • Collaborazione Uomo-IA: Nella stima della resezione del glioblastoma, la combinazione di IA spiegabile con l'esperienza umana ha migliorato l'accuratezza da 0,53 (esperti da soli) a 0,94.
  • Documentazione: Gli strumenti NLP (ChatGPT) hanno ridotto il tempo di generazione dei report operatori da 15–21 minuti a 2,3–4,6 minuti, sebbene l'accuratezza fattuale sia variata (71–85%).
• Collo di Bottiglia Traslazionale: Un importante collo di bottiglia è stato identificato dove l'88% degli studi mancava di validazione prospettica. Il campo è caratterizzato da un alto volume di studi retrospettivi e di sviluppo algoritmico, ma da una scarsità di trial clinici prospettici multicentrici.

Significatività e Rivendicazioni
Gli autori affermano che questa revisione fornisce la prima sintesi integrata di tecnologie IA e robotiche in neurochirurgia utilizzando un rigoroso framework RoB personalizzato. La significatività risiede nella sua capacità di:

• Esporre la Fragilità Metodologica: Evidenzia che l'alta performance riportata (es. 98,6% di accuratezza nella rilevazione dei tumori) non equivale a robustezza in assenza di validazione esterna.
• Identificare la Maturità Clinica: Stabilisce che i sistemi di neuromodulazione adattiva e la robotica dimostrano attualmente una traduzione clinica più forte e profili di rischio di bias più favorevoli rispetto alle pure applicazioni di deep learning, che rimangono ampiamente nella fase di sviluppo algoritmico.
• Proporre Percorsi Azionabili: Mappando il gap traslazionale, la revisione propone percorsi concreti per la convergenza, come la DBS a circuito chiuso (closed-loop) adattiva utilizzando biomarcatori multimodali e la navigazione robotica potenziata dall'IA.

Il documento conclude che realizzare il pieno potenziale di queste tecnologie richiede un passaggio deliberato dai miglioramenti algoritmici retrospettivi e compartimentati verso studi multicentrici prospettici ed esternamente validati, e verso una convergenza intenzionale tra piattaforme robotiche e algoritmi intelligenti.