Algorithmus zur Behandlungssteuerung bei natürlichen Zyklen für den Transfer gefrorener Embryonen mit einem Echtzeit-Ovulationsvorhersagemodell auf Basis von Machine Learning

Warum der Zeitpunkt in der Fruchtbarkeitsbehandlung zählt

Für Menschen, die eine In-vitro-Fertilisation durchlaufen, kann der genaue Moment, in dem ein Embryo wieder in die Gebärmutter eingesetzt wird, den Unterschied zwischen einem gescheiterten Versuch und einer gesunden Schwangerschaft ausmachen. Bei natürlichen Zyklen mit Transfer gefrorener Embryonen versuchen Ärztinnen und Ärzte, den Transfer mit der eigenen Ovulation der Frau abzustimmen, doch den exakten Tag zu finden bedeutet häufig wiederholte Bluttests, Ultraschalluntersuchungen und fachliche Einschätzungen. Diese Studie stellt ein neues Werkzeug auf Basis künstlicher Intelligenz (KI) vor, das Ovulation in Echtzeit vorhersagt und Empfehlungen gibt, wann getestet und wann transferiert werden sollte, mit dem Ziel, die Behandlung genauer und weniger belastend zu machen.

Eine neue digitale Hilfe für natürliche Zyklen

Die Forschenden entwickelten einen „Behandlungssteuerungsalgorithmus“ für den Transfer gefrorener Embryonen in natürlichen Zyklen (NC-FET). Bei diesen Zyklen werden zuvor eingefrorene Embryonen ohne hormonelle Steuerung des Menstruationszyklus in die Gebärmutter zurückgesetzt. NC-FET gewinnt an Beliebtheit, weil es mit niedrigeren Raten von Schwangerschaftsverlust und weniger Komplikationen wie schwangerschaftsbezogenem Bluthochdruck verbunden ist. Es erfordert jedoch eine sorgfältige Überwachung körpereigener Signale, um Ovulation korrekt zu identifizieren, was traditionell häufige Klinikbesuche, Blutentnahmen und Ultraschallkontrollen bedeutet.

Der KI beibringen, Körpersignale zu lesen

Für den Algorithmus verwendete das Team einen „Teacher-Student“-Ansatz. Zuerst war ein früheres Modell — der „Teacher“ — mit Hunderten von Zyklen trainiert worden, bei denen drei Fruchtbarkeitsspezialisten den Ovulationszeitpunkt anhand von Hormonwerten und Ultraschallbildern bestimmt hatten. Dieses Teachermodell war sehr genau und wurde dann genutzt, um in fast 4.000 weiteren natürlichen Transferzyklen Ovulationstage zuzuweisen. Das neue „Student“-Modell lernte aus diesem deutlich größeren, beschrifteten Datensatz. Es betrachtet ein oder zwei Überwachungstage pro Zyklus und kombiniert Informationen wie Luteinisierendes Hormon (LH), Östrogen, Progesteron, das Verhältnis von Östrogen zu Progesteron, Follikelgröße und Dicke der Gebärmutterschleimhaut. Auf Grundlage dieser Eingaben sagt es voraus, wie viele Tage bis zur Ovulation verbleiben oder wie viele Tage seit der Ovulation vergangen sind.

Von der Vorhersage zur Steuerung des gesamten Zyklus

Die Innovation dieser Arbeit liegt nicht nur in der Ovulationsvorhersage, sondern darin, diese Vorhersage zur Steuerung der gesamten Behandlung zu nutzen. Der Natural FET Treatment Management Algorithm (NTMA) empfiehlt zunächst, wann eine Patientin erstmals getestet werden sollte — typischerweise um Zyklustag 8. Nach jedem Test nutzt er die Ausgabe des Modells, um zu entscheiden, ob ein weiterer Test nötig ist, wann dieser stattfinden sollte, oder ob der Ovulationszeitpunkt bereits genau genug bestimmt ist, um den Embryotransfer zu planen. Wenn das Modell schlussfolgert, dass die Ovulation bereits mehr als zwei Tage zurückliegt und nicht präzise datierbar ist, kann der Zyklus sicher abgebrochen werden, bevor ein Embryo verschwendet wird. Diese schrittweise Logik wurde mit einer statistischen Simulation bewertet, die reale Ovulationsmuster, die Genauigkeit des Modells zu verschiedenen Zeitpunkten und die Entscheidungsregeln des Algorithmus kombiniert.

Wie gut das System funktioniert

Bei Tests zeigte sich, dass das Echtzeitmodell besonders genau sowohl weit vor der Ovulation (früh im Zyklus, wenn es mit hoher Sicherheit sagen kann, dass die Ovulation nicht nah ist) als auch sehr nahe daran (am Tag vor und am Tag der Ovulation), also in Phasen mit starken hormonellen Veränderungen, arbeitet. In einer Gruppe von Zyklen mit detailliertem Ultraschallnachweis der Ovulation identifizierte das Modell den Tag vor und den Tag der Ovulation in etwa 95 % der Fälle korrekt. Bei der Bewertung des vollständigen NTMA durch Simulation traf es in etwas über 92 % der Zyklen den korrekten Ovulationstag, machte in etwa 1 % der Zyklen keine Vorhersage und lag in etwa 7 % der Fälle daneben. Im Mittel wären für Frauen nur etwa 3,1 Überwachungstermine pro Zyklus nötig, weniger als in den historischen Daten, was auf eine geringere Überwachungsbelastung bei gleichbleibender Präzision hindeutet.

Was das für Patientinnen und Patienten bedeuten könnte

Für Patientinnen, Patienten und Behandelnde deutet diese Arbeit darauf hin, dass eine KI-Assistenz einen Großteil der täglichen Entscheidungsfindung in natürlichen Zyklen mit Transfer gefrorener Embryonen sicher übernehmen kann. Indem sie komplexe Muster in Hormontests und Ultraschallbefunden auswertet, kann der Algorithmus empfehlen, wann zur Testung zu erscheinen und wann der Transfer geplant werden sollte — mit Genauigkeit vergleichbar zu expertengeleiteten Ansätzen und mit weniger Klinikbesuchen. Die Studie ist retrospektiv und belegt noch keine höheren Lebendgeburtenraten, daher sind prospektive Studien weiterhin erforderlich. Dennoch weist dieses KI-gesteuerte Managementsystem in eine Zukunft, in der Fruchtbarkeitsversorgung personalisierter, effizienter und möglicherweise erfolgreicher wird — und Embryonen im richtigen Moment im natürlichen Rhythmus des Körpers übertragen werden.

Zitation: Moran, E., Hourvitz, A., Luz, A. et al. Treatment management algorithm for natural frozen embryo transfer cycles using a real-time ovulation prediction machine learning model. Sci Rep 16, 13727 (2026). https://doi.org/10.1038/s41598-026-42921-1

Schlüsselwörter: Fruchtbarkeit, künstliche Intelligenz, Ovulation, Transfer gefrorener Embryonen, reproduktive Gesundheit