Background: La retinopatia diabetica è una delle principali cause di perdita visiva, e i programmi di screening tradizionali richiedono risorse specializzate, costi elevati e presentano variabilità nell’interpretazione delle immagini. Questa revisione sistematica con meta-analisi mira quindi a valutare l’accuratezza diagnostica dei sistemi basati su deep learning validati in studi prospettici real-world e a sintetizzare le evidenze disponibili sulla loro costo-efficacia in differenti contesti economici e geografici.
Risultati: Sono stati analizzati 47 studi prospettici che hanno testato algoritmi di deep learning su fotografie del fundus. La meta-analisi a effetti casuali conferma performance molto elevate: AUROC di 0.965 per qualsiasi retinopatia diabetica, 0.959 per la retinopatia riferibile e 0.974 per le forme sight-threatening, con sensibilità e specificità stabilmente superiori al 90%. Le prestazioni migliori si osservano in paesi ad alto reddito, in setting ospedalieri e in presenza di midriasi, moduli automatici di controllo qualità, criteri ICDR e modelli multi-CNN.
Parallelamente, l’analisi economica di 15 studi mostra che nei sistemi sanitari ad alto reddito l’impiego dell’intelligenza artificiale è generalmente costo-efficace o addirittura costo-risparmiante. Nei paesi a reddito medio e medio-basso l’efficienza economica è più variabile e fortemente influenzata da adesione allo screening, controllo glicemico e costi iniziali di implementazione.
Conclusioni e commento editoriale: Questa revisione dimostra che gli algoritmi di deep learning sono uno strumento maturo, capace di mantenere nel mondo reale un’accuratezza elevata e costante nella diagnosi della retinopatia diabetica. Il divario tra risultati sperimentali e prestazioni sul campo appare sorprendentemente ridotto. Allo stesso tempo, il lavoro ricorda che l’AI funziona davvero solo se integrata in percorsi clinici strutturati.
Ran Ran A, Li Ding J et al. Real-World Prospective Validation and Economic Evaluation of Deep Learning-Based Diabetic Retinopathy Detection From Fundus Photographs: A Systematic Review and Meta-analysis. Diabetes Care 2026;49(00):1–16. Doi: doi.org/10.2337/dc25-1493
