Algorithme de gestion du traitement pour les cycles de transfert d’embryon congelé naturel utilisant un modèle de prédiction de l’ovulation en temps réel par apprentissage automatique

Pourquoi le moment est crucial en traitement de la fertilité

Pour les personnes qui suivent une fécondation in vitro, le moment où un embryon est replacé dans l’utérus peut faire la différence entre un échec et une grossesse saine. Dans les cycles naturels de transfert d’embryon congelé, les médecins cherchent à synchroniser le transfert avec l’ovulation propre à la femme, mais trouver ce jour exact implique généralement des prises de sang répétées, des échographies et un jugement d’expert. Cette étude présente un nouvel outil d’intelligence artificielle (IA) qui prédit l’ovulation en temps réel et suggère quand tester et quand transférer, visant à rendre le traitement à la fois plus précis et moins contraignant.

Un nouvel assistant numérique pour les cycles naturels

Les chercheurs se sont donné pour objectif de construire un « algorithme de gestion du traitement » pour le transfert d’embryon congelé en cycle naturel (NC-FET). Dans ces cycles, des embryons préalablement congelés sont replacés dans l’utérus sans recourir à des hormones pour contrôler artificiellement le cycle menstruel. Le NC-FET gagne en popularité parce qu’il est associé à des taux plus faibles de perte de grossesse et à moins de complications comme l’hypertension liée à la grossesse. Cependant, il exige un suivi précis des signaux corporels pour identifier correctement l’ovulation, ce qui a traditionnellement nécessité des visites fréquentes en clinique, des prises de sang et des échographies.

Apprendre à une IA à lire les signaux du corps

Pour créer leur algorithme, l’équipe a utilisé une approche « enseignant-élève ». Au départ, un modèle antérieur — le « enseignant » — avait été entraîné sur des centaines de cycles où le moment de l’ovulation avait été déterminé par trois spécialistes de la fertilité à partir des taux hormonaux et des images d’échographie. Ce modèle enseignant, très précis, a ensuite servi à attribuer des jours d’ovulation dans près de 4 000 cycles naturels supplémentaires. Le nouveau modèle « élève » a appris à partir de cet ensemble de données beaucoup plus large et étiqueté. Il analyse un ou deux jours de surveillance par cycle, combinant des informations telles que l’hormone lutéinisante (LH), l’œstrogène, la progestérone, le rapport œstrogène/progestérone, la taille du follicule et l’épaisseur de la muqueuse utérine. À partir de ces entrées, il prédit combien de jours restent avant l’ovulation ou en sont passés depuis.

De la prédiction à la gestion du cycle complet

L’innovation de cet article ne se limite pas à prédire l’ovulation, mais consiste à utiliser cette prédiction pour gérer l’ensemble du traitement. L’algorithme de gestion du traitement pour le FET naturel (NTMA) commence par recommander quand le patient doit faire son premier test, typiquement autour du jour 8 du cycle. Après chaque test, il utilise la sortie du modèle pour décider si un nouveau test est nécessaire, à quel moment il doit se faire, ou si le moment de l’ovulation est déjà suffisamment clair pour programmer le transfert embryonnaire. Si le modèle conclut que l’ovulation a eu lieu depuis plus de deux jours et ne peut pas être datée précisément, le cycle peut être annulé en toute sécurité afin d’éviter de gaspiller un embryon. Cette logique étape par étape est évaluée à l’aide d’une simulation statistique qui combine des schémas d’ovulation réels, la précision du modèle à différents moments et les règles décisionnelles de l’algorithme.

Quelle est l’efficacité du système

Lors des tests, le modèle en temps réel s’est montré particulièrement précis à la fois en début de cycle (loin de l’ovulation, quand il peut affirmer avec confiance que l’ovulation n’est pas imminente) et très proche de celle-ci (la veille et le jour de l’ovulation), périodes où les changements hormonaux sont les plus marqués. Dans un groupe de cycles avec preuve échographique détaillée de l’ovulation, le modèle a correctement identifié la veille et le jour de l’ovulation dans environ 95 % des cas. Lorsque le NTMA complet a été évalué par simulation, il a réussi à repérer le jour exact de l’ovulation dans un peu plus de 92 % des cycles, n’a pas rendu de prédiction dans environ 1 % des cycles et s’est trompé dans environ 7 %. En moyenne, les patientes n’auraient besoin que d’environ 3,1 visites de surveillance par cycle, moins que dans les données historiques, ce qui suggère une charge de suivi moindre sans sacrifier la précision.

Ce que cela pourrait signifier pour les patientes

Pour les patientes et les cliniciens au quotidien, ce travail suggère qu’un assistant IA peut prendre en charge en toute sécurité une grande partie de la prise de décision journalière dans les cycles naturels de transfert d’embryon congelé. En analysant des motifs complexes dans les tests hormonaux et les observations échographiques, l’algorithme peut recommander quand venir se faire tester et quand programmer le transfert, avec une précision comparable aux approches guidées par des experts et avec moins de visites en clinique. L’étude est rétrospective et ne démontre pas encore une augmentation des taux de naissance vivante, de sorte que des essais prospectifs sont encore nécessaires. Néanmoins, ce système de gestion piloté par l’IA ouvre la voie à un avenir où les soins en fertilité seraient plus personnalisés, plus efficaces et potentiellement plus réussis — aidant à transférer les embryons au moment idéal dans le rythme naturel du corps.

Citation: 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

Mots-clés: fertilité, intelligence artificielle, ovulation, transfert d’embryon congelé, santé reproductive