Zespół policystycznych jajników
Rokowania, prognozy i postęp choroby
Zespół policystycznych jajników (PCOS) dotyka 5-6% kobiet w wieku reprodukcyjnym i charakteryzuje się złożonymi zaburzeniami endokrynologicznymi i metabolicznymi. Wczesna diagnoza jest kluczowa dla zapobiegania powikłaniom, takim jak niepłodność, poronienia czy nowotwory ginekologiczne. Nowoczesne metody diagnostyczne oparte na sztucznej inteligencji, w tym algorytmy uczenia maszynowego (np. Support Vector Machine z dokładnością 94,44%, sieci neuronowe PCONet z dokładnością 98,12% oraz konwolucyjne sieci neuronowe VGG16 z dokładnością 98,288%), umożliwiają precyzyjną analizę danych klinicznych i ultrasonograficznych. Modele predykcyjne wykorzystujące elektroniczną dokumentację medyczną (EHR) osiągają AUC na poziomie 80-85%, identyfikując istotne predyktory, takie jak poziomy hormonów i otyłość, co pozwala na szybszą i bardziej precyzyjną diagnostykę PCOS.
Zespół policystycznych jajników – prognoza i przewidywanie wyników
Zespół policystycznych jajników (PCOS) jest najczęstszą endokrynologiczno-metaboliczną patologią występującą u 5-6% kobiet w wieku reprodukcyjnym. Ze względu na złożoność schorzenia i jego długofalowe konsekwencje, wczesna diagnoza i prognozowanie przebiegu mają kluczowe znaczenie dla poprawy wyników leczenia i zapobiegania powikłaniom.12
Znaczenie wczesnej diagnozy
Wczesne rozpoznanie PCOS jest kluczowe dla zapobiegania potencjalnym komplikacjom, takim jak niepłodność. Niestety, obecnie dostępne techniki i metody leczenia są często niewystarczające do wczesnej identyfikacji i przewidywania PCOS. Opóźniona diagnoza może prowadzić do poważnych konsekwencji zdrowotnych, w tym problemów z płodnością, poronień we wczesnej ciąży, a w rzadkich przypadkach nawet do rozwoju nowotworów ginekologicznych.3
Badania wskazują na potrzebę opracowania skuteczniejszych narzędzi diagnostycznych, które mogłyby skrócić czas potrzebny do przewidywania PCOS i poprawić dokładność diagnozy, redukując tym samym ryzyko śmiertelnych następstw związanych z opóźnioną identyfikacją schorzenia.4
Nowoczesne metody prognozowania
W ostatnich latach pojawiło się wiele zaawansowanych technik diagnostycznych wykorzystujących sztuczną inteligencję i metody uczenia maszynowego do prognozowania i klasyfikacji PCOS. Te innowacyjne podejścia analizują zarówno dane kliniczne, jak i obrazy ultrasonograficzne, co pozwala na bardziej kompleksową ocenę stanu pacjentki.4
- Modele uczenia maszynowego analizujące cechy kliniczne osiągają dokładność do 94,44% (najwyższą skuteczność wykazuje algorytm Support Vector Machine)
- Sieci neuronowe (PCONet) uzyskują dokładność na poziomie 98,12%
- Modele głębokiego uczenia oparte na sieciach konwolucyjnych (CNN), szczególnie architektura VGG16, osiągają najwyższą dokładność wynoszącą 98,288% w analizie obrazów ultrasonograficznych
Łączenie informacji z różnych modalności (dane kliniczne i obrazowe) umożliwia dokładniejsze i bardziej niuansowe zrozumienie manifestacji PCOS, co sprzyja wczesnej detekcji i interwencji. Wyniki badań wskazują, że kobiety z podejrzeniem PCOS powinny jak najszybciej skonsultować się z ginekologiem i rozpocząć odpowiednie leczenie.5
Modele predykcyjne w praktyce klinicznej
Modele predykcyjne oparte na elektronicznej dokumentacji medycznej (EHR) mogą znacząco przyspieszyć diagnozę PCOS. W przeciwieństwie do wcześniejszych modeli, które opierały się na małych próbach i były ograniczone do populacji klinik leczenia niepłodności, nowsze rozwiązania wykorzystują dane z szerszej populacji ambulatoryjnej.6
Predykcja PCOS przed kliniczną diagnozą w zewnętrznym zbiorze testowym pacjentek osiągnęła wartości AUC (obszar pod krzywą ROC) wynoszące od 80% do 85% w zależności od modelu. Istotnymi pozytywnymi predyktorami diagnozy PCOS były poziomy hormonów i otyłość, podczas gdy negatywnymi predyktorami okazały się ciąża i pozytywny wynik bHCG.6
Te narzędzia oparte na sztucznej inteligencji mogą być zintegrowane z elektroniczną dokumentacją medyczną, aby zredukować opóźnienia w diagnozowaniu i umożliwić wczesne poradnictwo oraz interwencje, które mogą ograniczyć długoterminowe konsekwencje zdrowotne. Konieczna jest jednak walidacja modeli w innych populacjach szpitalnych.6
Biomarkery i ścieżki molekularne w prognozowaniu PCOS
Identyfikacja czynników etiologicznych, mechanizmów molekularnych i ścieżek sygnałowych związanych z PCOS ma kluczowe znaczenie dla odkrycia nowych markerów diagnostycznych, prognostycznych oraz potencjalnych celów terapeutycznych.7
Badania wykorzystujące zaawansowane metody bioinformatyczne pozwalają na identyfikację genów i szlaków najściślej związanych z inicjacją i progresją PCOS, co dostarcza bardziej szczegółowego wglądu w molekularne mechanizmy rozwoju tej choroby.7
Analizy wzbogacania ścieżek i ontologii genowej (GO) mają ogromne znaczenie dla interpretacji molekularnych mechanizmów kluczowych aktywności komórkowych w PCOS. Podejścia bioinformatyczne umożliwiają znalezienie kluczowych genów i ścieżek związanych z inicjacją i rozwojem PCOS na podstawie profilowania ekspresji przez sekwencjonowanie wysokoprzepustowe, zawierające próbki PCOS i próbki kontrolne.8
Powikłania ciążowe i ich prognozowanie
Pacjentki z zespołem policystycznych jajników mają zwiększone ryzyko niekorzystnych wyników ciąży. Badania wykazały istotne powiązania między PCOS a takimi powikłaniami jak cukrzyca ciążowa, makrosomia płodu i poród przedwczesny.9
Wyniki badań wskazują, że pacjentki z PCOS mają wyższe ryzyko rozwoju cukrzycy ciążowej (iloraz szans OR: 5,51), porodu przedwczesnego (OR: 6,15) oraz porodu przez cesarskie cięcie (OR: 2,53) w porównaniu z grupą kontrolną. Po uwzględnieniu czynników zakłócających, tylko prawdopodobieństwo porodu przez cesarskie cięcie pozostało istotnie wyższe dla pacjentek z PCOS.910
Czynniki predykcyjne powikłań ciążowych
Analizy wykazały kilka istotnych czynników predykcyjnych dla niekorzystnych wyników ciąży u pacjentek z PCOS:
- Poczęcie przez IVF – zwiększa ryzyko cukrzycy ciążowej (RR: 3,18), makrosomii płodu (RR: 4,63) i porodu przedwczesnego (RR: 5,24)
- Otyłość – istotny predyktor cukrzycy ciążowej (RR: 5,31) i makrosomii płodu (RR: 3,46), ale nie porodu przedwczesnego
- Historia cukrzycy w wywiadzie – wykazuje istotny wpływ na występowanie wszystkich ocenianych niekorzystnych wyników
Algorytmy uczenia maszynowego, szczególnie Random Forest (RF), okazały się skuteczne w przewidywaniu powikłań ciążowych u pacjentek z PCOS. Model RF osiągnął najlepsze wyniki w prognozowaniu wystąpienia cukrzycy ciążowej (czułość 88,12%, swoistość 78,16%, AUC: 0,782), makrosomii płodu (czułość 88,91%, swoistość 81,26%, AUC: 0,897) i porodu przedwczesnego (czułość 89,77%, swoistość 86,23%, AUC: 0,901).10
Długoterminowe konsekwencje zdrowotne i prognoza
U kobiet z PCOS w późniejszym życiu mogą pojawić się istotne problemy zdrowotne związane z hiperinsulinemią, obejmujące zwiększone ryzyko cukrzycy i czynników ryzyka sercowo-naczyniowego.1
Wciąż brakuje jednoznacznych dowodów na długoterminowe stosowanie metforminy w celu ochrony przed niekorzystnymi wynikami sercowo-naczyniowymi oraz na stosowanie metforminy przez całą ciążę w celu zmniejszenia ryzyka poronienia, cukrzycy ciążowej, stanu przedrzucawkowego i makrosomii płodu.1
Wpływ stylu życia na prognozę
Wpływ stylu życia na prognozę PCOS jest szczególnie widoczny u pacjentek z nadwagą i otyłością. Zdrowe zachowania mogą poprawić stan patologiczny, podczas gdy złe nawyki mogą indukować kliniczne manifestacje PCOS u osób predysponowanych.2
Zmiany stylu życia, głównie związane z utratą masy ciała, wykazują poprawę w takich aspektach jak:
- Insulinooporność
- Poziom wolnego testosteronu
- Redukcja objawów takich jak trądzik i hirsutyzm
- Poprawa funkcji reprodukcyjnych
- Zmniejszenie ryzyka sercowo-naczyniowego
- Pozytywny wpływ na psychikę i jakość życia pacjentek
Strategie terapeutyczne łączące zmiany stylu życia i interwencje farmakologiczne okazują się bardziej skuteczne. Dodatkowo, strategie ustrukturyzowane z monitorowaniem przez specjalistów zwiększają adherencję do leczenia.2
Kompleksowe podejście do prognozowania
Najnowsze badania podkreślają znaczenie holistycznego podejścia do prognozowania przebiegu PCOS, uwzględniającego nie tylko czynniki genetyczne i kliniczne, ale również styl życia, stan metaboliczny oraz aspekty psychologiczne. Łączenie różnych modalności danych (klinicznych, obrazowych, genetycznych) w modelach predykcyjnych pozwala na bardziej precyzyjne przewidywanie przebiegu choroby i potencjalnych powikłań.5
Identyfikacja biomarkerów i kluczowych szlaków molekularnych związanych z PCOS dostarcza cennych informacji na temat potencjalnych celów terapeutycznych, co może przyczynić się do opracowania bardziej spersonalizowanych strategii leczenia i poprawy długoterminowej prognozy dla pacjentek.78
Kolejne rozdziały
Zapraszamy do dalszego czytania naszego leksykonu.
Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.
Materiały źródłowe
- #1 Polycystic ovarian syndrome–prognosis and outcomes – PubMedhttps://pubmed.ncbi.nlm.nih.gov/16766228/
Polycystic ovarian syndrome (PCOS) is a condition that is present in 5-6% of women of reproductive age. […] In addition, in later life women are prone to significant health problems related to hyperinsulinaemia, with an excess risk for diabetes and cardiovascular risk factors. […] Evidence for the long-term use of metformin to protect against adverse cardiovascular outcomes and for the use of metformin throughout pregnancy to reduce the risk of miscarriage, gestational diabetes, pre-eclampsia and fetal macrosomia is still lacking.
- #2https://www.periodicojs.com.br/index.php/hs/article/view/291
Polycystic Ovary Syndrome (PCOS) is the most common endocrine-metabolic pathology among women at reproductive age. […] The influence of lifestyle on the prognosis of PCOS is notorious, especially in patients with overweight and obesity. […] Thus, healthy behaviors have the potential to improve pathological conditions and bad habits demonstrate that they can induce clinical manifestations of PCOS in predisposed people. […] Lifestyle changes, mainly associated with weight loss, show improvements in aspects such as insulin resistance, free testosterone, acne, hirsutism and reproductive function, reduced cardiovascular risk, in addition to positively influence to the psychic and quality of life in analyzed patients. […] Therapeutic strategies that combine lifestyle changes and drug interventions have been shown to be more effective, as well as strategies structured with the monitoring of professionals tend to increase adherence to treatment.
- #3 Optimized polycystic ovarian disease prognosis and classification using AI based computational approaches on multi-modality data | BMC Medical Informatics and Decision Making | Full Texthttps://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-024-02688-9
Polycystic Ovarian Disease or Polycystic Ovary Syndrome (PCOS) is becoming increasingly communal among women, owing to poor lifestyle choices. […] Thus, early prognosis of PCOS is crucial to avoid infertility. […] Although there is a lot of evidence that PCOS has a role in disturbing reproductive health, there is little study on how to detect PCOS in women at an early stage. […] Therefore, it is crucial to check individuals early to limit any serious effects of the disease. […] For early-stage PCOS identification and prediction, the currently available techniques and treatments are insufficient. […] This PCOS problem among women leads to early pregnancy miscarriages, struggle with infertility, and in rare cases, develop gynaecological cancer, this early detection also lessens the risks connected with the condition.
- #4 Optimized polycystic ovarian disease prognosis and classification using AI based computational approaches on multi-modality data | BMC Medical Informatics and Decision Making | Full Texthttps://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-024-02688-9
The objective of this research work is to detect whether the patient is affected or not by utilizing the models trained by both clinical features and ultrasound images. […] The proposed research work utilizes various machine learning models for analysing clinical data. […] These approaches will be utilised to shorten the time it takes to predict PCOS with improved accuracy, reducing the risk of deadly consequences that can occur when diagnosis is delayed. […] The goal of the proposed work is to analyse PCOS symptoms based on clinical data for early diagnosis and to classify into PCOS affected or not. […] The performance of each method is evaluated based on accuracy, precision, recall, F1-score and the result shows that among three models, Support Vector Machine model achieved high accuracy of 94.44%.
- #5 Optimized polycystic ovarian disease prognosis and classification using AI based computational approaches on multi-modality data | BMC Medical Informatics and Decision Making | Full Texthttps://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-024-02688-9
The performance evaluation shows that PCONet had 98.12% accuracy. […] The results indicate that among the proposed models, VGG16 transfer learning model produces highest accuracy of 98.288% than CNN based deep learning model. […] The proposed system leverages deep learning techniques to analyze ultrasound images for PCOS prediction by employing Convolutional Neural Networks (CNNs), specifically the VGG16 architecture. […] By combining information from both modalities, a more accurate and nuanced understanding of PCOS manifestations can be attained, facilitating early detection and intervention. […] The findings indicate that the worried woman should consult a gynaecologist and begin taking medication right away.
- #6 Predicting polycystic ovary syndrome (PCOS) with machine learning algorithms from electronic health records | medRxivhttps://www.medrxiv.org/content/10.1101/2023.07.27.23293255v2
Predictive models have been used to aid early diagnosis of PCOS, though existing models are based on small sample sizes and limited to fertility clinic populations. […] We built a predictive model using machine learning algorithms based on an outpatient population at risk for PCOS to predict risk and facilitate earlier diagnosis, particularly among those who meet diagnostic criteria but have not received a diagnosis. […] Prediction of PCOS prior to clinical diagnosis in an out-of-sample test set of patients achieved AUC of 85%, 81%, 80%, and 82%, respectively in Models I, II, III and IV. […] Significant positive predictors of PCOS diagnosis across models included hormone levels and obesity; negative predictors included gravidity and positive bHCG. […] This approach may guide early detection of PCOS within EHR-interfaced populations to facilitate counseling and interventions that may reduce long-term health consequences. […] Our model illustrates the potential benefits of an artificial intelligence-enabled provider assistance tool that can be integrated into the EHR to reduce delays in diagnosis. […] However, model validation in other hospital-based populations is necessary.
- #7 Identification of key pathways and genes in polycystic ovary syndrome via integrated bioinformatics analysis and prediction of small therapeutic molecules | Reproductive Biology and Endocrinology | Full Texthttps://rbej.biomedcentral.com/articles/10.1186/s12958-021-00706-3
To enhance understanding of polycystic ovary syndrome (PCOS) at the molecular level; this investigation intends to examine the genes and pathways associated with PCOS by using an integrated bioinformatics analysis. […] Therefore, it is of prime importance to identify the etiological factors, molecular mechanisms, and pathways to discover novel diagnostic markers, prognostic markers and therapeutic targets for PCOS. […] The aim of this investigation was to identify key genes and pathways in PCOS using bioinformatics analysis, and then to explore the molecular mechanisms of PCOS and categorize new potential diagnostic therapeutic biomarkers of PCOS. […] We find a series of crucial genes along with the pathways that were most closely related with PCOS initiation and advancement. Our investigations provide a more detailed molecular mechanism for the progression of PCOS, detail information on the potential biomarkers and therapeutic targets.
- #8 Identification of key pathways and genes in polycystic ovary syndrome via integrated bioinformatics analysis and prediction of small therapeutic molecules | Reproductive Biology and Endocrinology | Full Texthttps://rbej.biomedcentral.com/articles/10.1186/s12958-021-00706-3
In our investigation, we aimed to identify biomarkers of PCOS and uncover their biological functions through bioinformatics analysis. […] The GO and pathway enrichment analysis was of great importance for interpreting the molecular mechanisms of the key cellular activities in PCOS. […] In conclusion, we used a series of bioinformatics analysis methods to find the crucial genes and pathways associated in PCOS initiation and development from expression profiling by high throughput sequencing containing PCOS samples and normal control samples. Our investigations provide a more specific molecular mechanism for the advancement of PCOS, detail information on the potential biomarkers and therapeutic targets.
- #9 Predicting Unfavorable Pregnancy Outcomes in Polycystic Ovary Syndrome (PCOS) Patients Using Machine Learning Algorithmshttps://www.mdpi.com/1648-9144/60/8/1298
Gestational diabetes, fetal macrosomia, and preterm birth are among the adverse pregnancy outcomes that are significantly associated with PCOS patients, and their significant predictors included conception via IVF, obesity, a personal history of diabetes, and adverse pregnancy outcomes. […] Our results indicated that patients with PCOS had an increased risk of developing gestational diabetes, fetal macrosomia, or preterm birth and had a higher chance of giving birth through a cesarean section. […] Our crude estimates suggested that patients with PCOS had a higher risk of developing gestational diabetes (OR: 5.51, 95%CI: 1.30â17.72, p = 0.01) and had a higher chance of giving birth prematurely (OR: 6.15, 95%CI: 1.27â58.33, p = 0.009) or through cesarean section (OR: 2.53, 95%CI: 1.29â4.99, p = 0.003) in comparison with patients who were included in the control group.
- #10 Predicting Unfavorable Pregnancy Outcomes in Polycystic Ovary Syndrome (PCOS) Patients Using Machine Learning Algorithmshttps://www.mdpi.com/1648-9144/60/8/1298
When adjusting for confounders using the MantelâHaenszel test, only the odds of delivery via cesarean section remained significantly higher for PCOS patients. […] Our analysis revealed that the conception via IVF increased the risk of gestational diabetes (RR: 3.18, 95%CI: 0.98â18.22, p = 0.01), fetal macrosomia (RR: 4.63, 95%CI: 1.22â17.39, p = 0.03), and preterm birth (RR: 5.24, 95%CI: 1.74â21.73, p = 0.02). […] Obesity was outlined as a significant predictor for gestational diabetes (RR: 5.31, 95%CI: 1.16â32.88, p = 0.02) and fetal macrosomia (RR: 3.46, 95%CI: 1.19â14.83, p = 0.04), but not for preterm birth (p = 0.32), while a personal history of diabetes demonstrated a significant impact on the occurrence of all evaluated outcomes (p > 0.05). […] Our results indicated that RF performed the best when used to predict the occurrence of gestational diabetes (Seâ88.12%, Spâ78.16%, and AUC value: 0.782), fetal macrosomia (Seâ88.91%, Spâ81.26%, and AUC value: 0.897), and preterm birth (Seâ89.77%, Spâ86.23%, and AUC value: 0.901) in PCOS patients.