La integración de la inteligencia artificial (IA) en la medicina reproductiva y oncología ginecológica ha impulsado avances transformadores en el diagnóstico, pronóstico y manejo de condiciones ováricas, incluyendo malignidades, trastornos endocrinos y deterioros funcionales. Esta revisión sistemática y metaanálisis conforme a PRISMA 2020 sintetiza evidencia de 81 estudios revisados por pares para evaluar la eficacia, aplicaciones clínicas y limitaciones de modelos de IA y aprendizaje automático (ML) en todo el espectro de salud y enfermedad ovárica. Se realizó una búsqueda sistemática de literatura en PubMed/MEDLINE, Embase, Web of Science, Cochrane Library y Scopus para estudios publicados entre enero de 2015 y enero de 2026. Los estudios elegibles incluyeron desarrollo, validación o aplicación clínica de modelos IA/ML para fisiopatología ovárica o manejo. La calidad del estudio fue evaluada usando la herramienta QUADAS-2 para estudios de precisión diagnóstica y la herramienta PROBAST para estudios de modelado predictivo. Se realizó síntesis narrativa y metaanálisis de efectos aleatorios, con análisis de subgrupos preespecificados, metarregresión y análisis de sensibilidad para explorar la heterogeneidad. Las aplicaciones se categorizaron en cáncer ovárico (diagnóstico, estadificación, pronóstico, guía de tratamiento), endocrinología reproductiva (reserva ovárica, Síndrome de Ovario Poliquístico (SOP), estimulación ovárica) y biología ovárica fundamental. Los modelos de IA demostraron alta precisión diagnóstica para cáncer ovárico usando datos multimodales, incluyendo radiómica por ultrasonido (sensibilidad combinada 89-94 %, especificidad 85-91 %, AUC 0.92) y biomarcadores séricos integrados (AUC 0.94). Las plataformas de IA explicable (XAI) predijeron eficazmente la citoreducción quirúrgica completa en cáncer ovárico avanzado (AUC combinada 0.87). En medicina reproductiva, algoritmos de IA optimizaron protocolos de estimulación ovárica y predijeron crecimiento folicular, con desempeño confiable para pronosticar respuesta ovárica en FIV (AUC combinada 0.81). Se identificó heterogeneidad sustancial (I² 68–85 % en análisis primarios), causada principalmente por diseño retrospectivo, arquitecturas variables de IA y falta de validación estandarizada. Solo el 22 % de los estudios reportaron validación externa prospectiva y multicéntrica. La IA tiene gran potencial para personalizar y mejorar la atención en condiciones ováricas. La traducción de investigación a práctica clínica rutinaria requiere validación prospectiva multicéntrica rigurosa, marcos metodológicos y de reporte estandarizados, integración fluida en la práctica clínica y gobernanza ética y regulatoria sólida para asegurar una implementación responsable y equitativa. Registro PROSPERO: CRD42026348721 https://www.crd.york.ac.uk/prospero/display_record.php?ID=CRD42026348721.
Yu et al. (Mié,) estudiaron esta cuestión.