Algoritmo de gestión del tratamiento para ciclos de transferencia de embriones congelados naturales usando un modelo de aprendizaje automático de predicción de la ovulación en tiempo real

Por qué el momento importa en el tratamiento de la fertilidad

Para las personas que se someten a fertilización in vitro, el momento en que un embrión se devuelve al útero puede marcar la diferencia entre un intento fallido y un embarazo saludable. En los ciclos naturales de transferencia de embriones congelados, los médicos intentan ajustar la transferencia al momento de la ovulación de la mujer, pero encontrar ese día exacto suele implicar análisis de sangre repetidos, ecografías y juicio experto. Este estudio presenta una nueva herramienta de inteligencia artificial (IA) que predice la ovulación en tiempo real y sugiere cuándo testar y cuándo transferir, con el objetivo de hacer el tratamiento más preciso y menos gravoso.

Un nuevo asistente digital para los ciclos naturales

Los investigadores se propusieron construir un “algoritmo de gestión del tratamiento” para la transferencia de embriones congelados en ciclo natural (NC-FET). En estos ciclos, los embriones previamente congelados se transfieren de nuevo al útero sin usar hormonas para controlar artificialmente el ciclo menstrual. El NC-FET es cada vez más popular porque se ha asociado con tasas menores de pérdida gestacional y con menos complicaciones, como la hipertensión durante el embarazo. Sin embargo, requiere un seguimiento cuidadoso de las señales corporales para identificar correctamente la ovulación, lo que tradicionalmente ha implicado visitas frecuentes a la clínica, extracciones de sangre y exploraciones ecográficas.

Enseñar a una IA a leer las señales del cuerpo

Para crear su algoritmo, el equipo usó un enfoque de “maestro-alumno”. Primero, un modelo anterior —el “maestro”— había sido entrenado con cientos de ciclos donde el momento de la ovulación fue determinado por tres especialistas en fertilidad usando niveles hormonales e imágenes ecográficas. Ese modelo maestro fue altamente preciso y luego se utilizó para asignar los días de ovulación en casi 4.000 ciclos adicionales de transferencia congelada natural. El nuevo modelo “alumno” aprendió a partir de este conjunto de datos mucho más grande y etiquetado. Analiza uno o dos días de monitorización por ciclo, combinando información como la hormona luteinizante (LH), estrógeno, progesterona, la proporción entre estrógeno y progesterona, el tamaño del folículo y el grosor del endometrio. Con base en estas entradas, predice cuántos días faltan para la ovulación o han pasado desde ella.

De la predicción a la gestión del ciclo completo

La innovación de este artículo no es solo predecir la ovulación, sino usar esa predicción para gestionar todo el tratamiento. El Algoritmo de Gestión de Tratamiento para FET Natural (NTMA) comienza recomendando cuándo el paciente debe hacerse la primera prueba, típicamente alrededor del día 8 del ciclo. Tras cada prueba, usa la salida del modelo para decidir si se necesita otra prueba, cuándo debe realizarse esa prueba, o si el momento de la ovulación ya está lo suficientemente claro como para programar la transferencia del embrión. Si el modelo concluye que la ovulación ocurrió hace más de dos días y no puede precisarse, el ciclo puede cancelarse de forma segura antes de desperdiciar un embrión. Esta lógica paso a paso se evalúa mediante una simulación estadística que combina patrones reales de ovulación, la precisión del modelo en distintos momentos y las reglas de decisión del algoritmo.

Qué tan bien funciona el sistema

En las pruebas, el modelo en tiempo real demostró ser especialmente preciso tanto lejos de la ovulación (temprano en el ciclo, cuando puede afirmar con confianza que la ovulación no está cerca) como muy cerca de ella (el día anterior y el día de la ovulación), donde los cambios hormonales son más marcados. En un grupo de ciclos con prueba ecográfica detallada de la ovulación, el modelo identificó correctamente el día anterior y el día de la ovulación en aproximadamente el 95% de los casos. Cuando el NTMA completo se evaluó mediante simulación, localizó correctamente el día de ovulación en algo más del 92% de los ciclos, no hizo una predicción en alrededor del 1% de los ciclos y se equivocó en aproximadamente el 7%. En promedio, las mujeres necesitarían solo alrededor de 3,1 visitas de monitorización por ciclo, menos que en los datos históricos, lo que sugiere una menor carga de seguimiento sin sacrificar precisión.

Qué podría significar esto para las pacientes

Para pacientes y clínicos cotidianos, este trabajo sugiere que un asistente de IA puede asumir de forma segura gran parte de la toma de decisiones diaria en los ciclos naturales de transferencia de embriones congelados. Al digerir patrones complejos en pruebas hormonales y hallazgos ecográficos, el algoritmo puede recomendar cuándo acudir a testing y cuándo programar la transferencia, con una precisión comparable a los enfoques dirigidos por expertos y con menos visitas a la clínica. El estudio es retrospectivo y todavía no demuestra tasas de nacimiento vivo superiores, por lo que son necesarios ensayos prospectivos. Aun así, este sistema de gestión impulsado por IA apunta hacia un futuro en el que la atención en fertilidad sea más personalizada, más eficiente y potencialmente más exitosa, ayudando a transferir los embriones en el momento justo del ritmo natural del cuerpo.

Cita: 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

Palabras clave: fertilidad, inteligencia artificial, ovulación, transferencia de embriones congelados, salud reproductiva