Η ενδομητρίωση είναι μια χρόνια φλεγμονώδης γυναικολογική νόσος που πλήττει περίπου το 10% των γυναικών αναπαραγωγικής ηλικίας παγκοσμίως. Μέχρι πρόσφατα, η διάγνωσή της απαιτούσε επεμβατική λαπαροσκόπηση, με μέση καθυστέρηση 6 έως 6,6 ετών από την εμφάνιση των συμπτωμάτων. Μια σειρά από μελέτες που δημοσιεύθηκαν το 2026 άλλαξαν αυτή την εικόνα. Χρησιμοποιώντας αλγόριθμους μηχανικής μάθησης, οι ερευνητές ανέλυσαν το μικροβίωμα του εντέρου, του κόλπου και της μήτρας και εντόπισαν συγκεκριμένα βακτήρια που σχετίζονται με την ενδομητρίωση. Τα ευρήματα δείχνουν ότι η νόσος μπορεί να έχει βακτηριακή συνιστώσα και ανοίγουν τον δρόμο για μη επεμβατική διάγνωση μέσω εξέτασης μικροβιώματος, ακόμη και για νέες θεραπείες που στοχεύουν τα βακτήρια.
Η ενδομητρίωση είναι μια κατάσταση όπου ιστός παρόμοιος με το ενδομήτριο (την εσωτερική επένδυση της μήτρας) αναπτύσσεται έξω από τη μήτρα, συνήθως στις ωοθήκες, τις σάλπιγγες ή την πυελική κοιλότητα. Προκαλεί χρόνιο πόνο, έντονη εμμηνορρυσία, πόνο κατά τη σεξουαλική επαφή και υπογονιμότητα.
Το μεγάλο πρόβλημα είναι η διάγνωση. Τα συμπτώματα μοιάζουν με άλλες παθήσεις, όπως το σύνδρομο ευερέθιστου εντέρου ή η πυελική φλεγμονώδης νόσος. Η μόνη αξιόπιστη μέθοδος διάγνωσης ήταν η λαπαροσκόπηση – μια επεμβατική διαδικασία όπου ο γιατρός εισάγει μια κάμερα στην κοιλιά για να δει τους ιστούς. Αυτό σημαίνει ότι οι γυναίκες υπέφεραν για χρόνια πριν πάρουν απάντηση.
Το 2026, δύο σημαντικές μελέτες χρησιμοποίησαν μηχανική μάθηση για να αναλύσουν το μικροβίωμα γυναικών με και χωρίς ενδομητρίωση.
Πρώτη μελέτη: Το μικροβίωμα του κόλπου ως ο ισχυρότερος δείκτης
Η μελέτη των Aruzhan Bolatova και Mai Oudah από το Πανεπιστήμιο της Νέας Υόρκης στο Άμπου Ντάμπι, που παρουσιάστηκε στο συνέδριο ACM BCB 2026, ανέλυσε δείγματα από τρεις ανατομικές περιοχές: το έντερο, τον κόλπο και τη μήτρα. Χρησιμοποίησαν οκτώ αλγόριθμους μηχανικής μάθησης και τεχνικές επιλογής χαρακτηριστικών για να εντοπίσουν ποια βακτήρια σχετίζονται με τη νόσο.
Τα αποτελέσματα ήταν εντυπωσιακά. Το μικροβίωμα του κόλπου ήταν ο πιο αξιόπιστος δείκτης, ακολουθούμενο από το ενδομήτριο και το έντερο. Οι ερευνητές πέτυχαν ακρίβεια έως 93,8% στην ταξινόμηση των γυναικών με και χωρίς ενδομητρίωση.
Τα βακτήρια-κλειδιά που εντόπισαν ήταν:
- Αύξηση του Anaerococcus: Το γένος Anaerococcus αναδείχθηκε ως ο ισχυρότερος διακριτικός παράγοντας, με τεράστια αύξηση (log₂FC ≈ +38) στις γυναίκες με ενδομητρίωση.
- Αύξηση του Staphylococcus και του Bradyrhizobium.
- Μείωση του Lactobacillus: Τα προστατευτικά γαλακτοβάκιλλα ήταν σημαντικά μειωμένα στις γυναίκες με ενδομητρίωση.
Η Dr. Mai Oudah δήλωσε: «Η ανακάλυψη ότι το μικροβίωμα του κόλπου είναι ο πιο ισχυρός προγνωστικός δείκτης της ενδομητρίωσης ανοίγει τον δρόμο για μια απλή, μη επεμβατική εξέταση που θα μπορούσε να αντικαταστήσει ή να προηγηθεί της λαπαροσκόπησης». (Αγγλικά: “The discovery that the vaginal microbiome is the strongest predictor of endometriosis opens the door for a simple, non-invasive test that could replace or precede laparoscopy.” Πηγή: ACM BCB 2026.)
Δεύτερη μελέτη: Το μικροβίωμα του εντέρου προβλέπει καλύτερα από τις ορμόνες
Μια δεύτερη μελέτη, που δημοσιεύθηκε στο International Journal of Women’s Health τον Δεκέμβριο του 2025 από τον Zhao Yiming και τους συνεργάτες του, ανέλυσε 22 ζεύγη δειγμάτων από τον κόλπο και τα κόπρανα γυναικών με ενδομητρίωση και υγιών μαρτύρων.
Τα ευρήματα έδειξαν ότι οι γυναίκες με ενδομητρίωση είχαν:
- Μειωμένο Lactobacillus στον κόλπο.
- Αυξημένο Bifidobacterium και Gardnerella.
- Μειωμένη ποικιλομορφία στο έντερο, με μείωση του Ruminococcus και Prevotella και αύξηση του Dialister.
Το πιο σημαντικό ήταν ότι τα χαρακτηριστικά του μικροβιώματος του εντέρου προέβλεπαν την ενδομητρίωση καλύτερα από το μικροβίωμα του κόλπου και τις ορμονικές μετρήσεις (όπως η LH και η FSH).
Τρίτη μελέτη: Το μικροβίωμα της μήτρας
Μια τρίτη μελέτη, που δημοσιεύθηκε στο BMC Biology τον Ιούνιο του 2026, ανέλυσε 266 δείγματα ιστού της μήτρας και διαπίστωσε ότι το μικροβίωμα της μήτρας παρουσιάζει διακυμάνσεις ανάλογα με τη φάση του εμμηνορρυσιακού κύκλου. Ένα μοντέλο μηχανικής μάθησης που εκπαιδεύτηκε σε δεδομένα από την παραγωγική φάση πέτυχε μέτρια προβλεπτική ικανότητα (AUC = 0,70).
Η συμβολή της τεχνητής νοημοσύνης ήταν καθοριστική. Χωρίς αυτήν, οι ερευνητές θα έπρεπε να εξετάσουν χιλιάδες βακτηριακά είδη με μη αυτόματο τρόπο – ένα έργο πρακτικά αδύνατο.
Η μηχανική μάθηση λειτουργεί ως εξής:
- Συλλογή δεδομένων: Οι ερευνητές συλλέγουν δείγματα μικροβιώματος από γυναίκες με και χωρίς ενδομητρίωση. Τα δεδομένα περιλαμβάνουν τη σύνθεση των βακτηρίων (μέσω αλληλούχισης 16S rRNA).
- Εκπαίδευση αλγορίθμων: Οι αλγόριθμοι «μαθαίνουν» από τα δεδομένα ποια βακτήρια εμφανίζονται συχνότερα στις γυναίκες με ενδομητρίωση. Δεν χρειάζεται να γνωρίζουν εκ των προτέρων ποια βακτήρια είναι σημαντικά – το ανακαλύπτουν μόνοι τους.
- Επιλογή χαρακτηριστικών: Οι αλγόριθμοι εντοπίζουν τα πιο προβλεπτικά βακτήρια, φιλτράροντας τον θόρυβο από χιλιάδες λιγότερο σημαντικά είδη. Αυτό λύνει το πρόβλημα της «κατάρας της διαστασιμότητας» (curse of dimensionality) – όταν υπάρχουν πάρα πολλές μεταβλητές για τον αριθμό των δειγμάτων.
- Ταξινόμηση: Το μοντέλο μαθαίνει να ξεχωρίζει τις δύο ομάδες με βάση το μικροβιακό προφίλ και μπορεί να προβλέψει σε ποια ομάδα ανήκει μια νέα γυναίκα.
Γιατί αυτό αλλάζει τα πάντα
Μη επεμβατική διάγνωση: Αντί για λαπαροσκόπηση, μια απλή εξέταση μικροβιώματος – από δείγμα κοπράνων ή κολπικού επιχρίσματος – θα μπορούσε να δώσει απάντηση σε λίγες ημέρες. Αυτό θα μείωνε δραστικά την ταλαιπωρία και το κόστος.
Ταχύτερη διάγνωση: Η μέση καθυστέρηση των 6 ετών θα μπορούσε να μειωθεί σε εβδομάδες. Αυτό σημαίνει ότι οι γυναίκες θα λάμβαναν θεραπεία νωρίτερα, πριν η νόσος προκαλέσει μη αναστρέψιμες βλάβες.
Νέες θεραπείες: Αν τα βακτήρια παίζουν ρόλο στην πρόκληση ή την επιδείνωση της ενδομητρίωσης, τότε η ρύθμιση του μικροβιώματος – με προβιοτικά, πρεβιοτικά ή ακόμη και αντιβιοτικά – θα μπορούσε να αποτελέσει θεραπευτική στρατηγική.
Κατανόηση του μηχανισμού: Η ανακάλυψη ότι το Anaerococcus είναι αυξημένο στην ενδομητρίωση εγείρει το ερώτημα: προκαλεί το βακτήριο τη νόσο ή ευνοείται από αυτήν; Αν το Anaerococcus συμβάλλει στη φλεγμονή που χαρακτηρίζει την ενδομητρίωση, τότε η εξάλειψή του θα μπορούσε να ανακουφίσει τα συμπτώματα.
Η ενδομητρίωση είναι μια νόσος που έχει αγνοηθεί για δεκαετίες. Οι γυναίκες που πάσχουν συχνά αντιμετωπίζουν δυσπιστία, καθυστερήσεις στη διάγνωση και περιορισμένες θεραπευτικές επιλογές. Η ανακάλυψη των βακτηριακών δεικτών αλλάζει αυτή την αφήγηση. Δεν είναι απλώς μια νέα τεχνολογία – είναι μια αλλαγή παραδείγματος στον τρόπο που βλέπουμε και αντιμετωπίζουμε τη νόσο.
Τι μπορεί να κάνει ο αναγνώστης
- Αν έχετε συμπτώματα όπως χρόνιο πυελικό πόνο, έντονη εμμηνορρυσία ή πόνο κατά τη σεξουαλική επαφή, μιλήστε με τον γυναικολόγο σας. Μην περιμένετε χρόνια για διάγνωση.
- Ρωτήστε για το μικροβίωμα. Αν και οι εξετάσεις μικροβιώματος για ενδομητρίωση δεν είναι ακόμη ευρέως διαθέσιμες, η έρευνα προχωρά γρήγορα. Ενημερωθείτε για τις εξελίξεις.
- Υποστηρίξτε την έρευνα. Η χρηματοδότηση της έρευνας για τη γυναικεία υγεία είναι διαχρονικά ανεπαρκής. Η υποστήριξη πρωτοβουλιών που στοχεύουν στην ενδομητρίωση μπορεί να επιταχύνει την ανακάλυψη.
- Μοιραστείτε τη γνώση. Πολλές γυναίκες δεν γνωρίζουν ότι η ενδομητρίωση είναι τόσο συχνή. Η ενημέρωση μπορεί να βοηθήσει άλλες να αναζητήσουν βοήθεια νωρίτερα.
Βιβλιογραφία
Bolatova, A., & Oudah, M. (2026). Endometriosis Screening Using Machine Learning And Microbiome Analysis. In 17th ACM International Conference on Bioinformatics, Computational Biology and Health Informatics (BCB ’26), June 30–July 03, 2026, Rende (CS), Italy. ACM. https://doi.org/10.1145/3807503.3819437
Zhao, Y., Hu, X., Li, C., Huang, J., Guo, K., Pan, Q., & Yu, Z. (2025). Comprehensive Analysis of Vaginal and Gut Microbiome Alterations in Endometriosis Patients. International Journal of Women’s Health, 17, 5775. https://doi.org/10.2147/IJWH.S561386
Uterine microbiome signatures associated with endometriosis. (2026). BMC Biology. https://bmcbiol.biomedcentral.com/
Microbiome-Based Non-Invasive Screening for Endometriosis Using Machine Learning. (2026). IEEE 14th International Conference on Healthcare Informatics (ICHI), June 1–3, 2026, Minneapolis, MN, USA. https://doi.org/10.1109/ICHI64260.2026.00097
