Algoritmo di gestione del trattamento per cicli di trasferimento di embrioni congelati naturali usando un modello di apprendimento automatico per la previsione dell’ovulazione in tempo reale

Perché il tempismo è importante nel trattamento della fertilità

Per le persone che si sottopongono a fecondazione in vitro, il momento in cui un embrione viene reinserito nell’utero può fare la differenza tra un tentativo fallito e una gravidanza sana. Nei cicli naturali di trasferimento di embrioni congelati, i medici cercano di sincronizzare il trasferimento con l’ovulazione della donna, ma individuare il giorno esatto spesso richiede ripetuti prelievi di sangue, ecografie e valutazione specialistica. Questo studio presenta un nuovo strumento di intelligenza artificiale (IA) che prevede l’ovulazione in tempo reale e suggerisce quando effettuare i test e quando fare il trasferimento, con l’obiettivo di rendere il trattamento più preciso e meno gravoso.

Un nuovo aiuto digitale per i cicli naturali

I ricercatori si sono proposti di costruire un “algoritmo di gestione del trattamento” per il trasferimento di embrioni congelati in cicli naturali (NC-FET). In questi cicli, embrioni precedentemente congelati vengono trasferiti nell’utero senza l’uso di ormoni per controllare artificialmente il ciclo mestruale. L’NC-FET è sempre più popolare perché è associato a tassi più bassi di perdita della gravidanza e a meno complicazioni, come l’ipertensione in gravidanza. Tuttavia richiede un attento monitoraggio dei segnali corporei per identificare correttamente l’ovulazione, che tradizionalmente ha comportato visite frequenti in clinica, prelievi di sangue ed ecografie.

Insegnare a un’IA a leggere i segnali del corpo

Per creare il loro algoritmo, il team ha usato un approccio “teacher-student” (insegnante-studente). In primo luogo, un modello precedente — il “teacher” — era stato addestrato su centinaia di cicli in cui il timing dell’ovulazione era stato deciso da tre specialisti della fertilità usando livelli ormonali ed immagini ecografiche. Quel modello teacher risultava molto accurato ed è stato quindi utilizzato per assegnare i giorni di ovulazione in quasi 4.000 cicli aggiuntivi di trasferimento naturale di embrioni congelati. Il nuovo modello “student” ha appreso da questo dataset etichettato molto più ampio. Esamina uno o due giorni di monitoraggio per ciclo, combinando informazioni come ormone luteinizzante (LH), estrogeni, progesterone, il rapporto tra estrogeni e progesterone, dimensione del follicolo e spessore del rivestimento uterino. Sulla base di questi input prevede quanti giorni mancano all’ovulazione o sono trascorsi dalla stessa.

Dalla previsione alla gestione dell’intero ciclo

L’innovazione di questo lavoro non è soltanto prevedere l’ovulazione, ma usare quella previsione per gestire l’intero trattamento. Il Natural FET Treatment Management Algorithm (NTMA) inizia raccomandando quando il paziente dovrebbe effettuare il primo test, tipicamente intorno al giorno 8 del ciclo. Dopo ogni test, usa l’output del modello per decidere se è necessario un altro test, quando dovrebbe essere effettuato, o se il timing dell’ovulazione è già sufficientemente chiaro per programmare il trasferimento dell’embrione. Se il modello conclude che l’ovulazione è già avvenuta da più di due giorni e non può essere datata con precisione, il ciclo può essere annullato in sicurezza prima di sprecare un embrione. Questa logica passo-passo è valutata tramite una simulazione statistica che combina pattern reali di ovulazione, l’accuratezza del modello a diversi punti temporali e le regole decisionali dell’algoritmo.

Quanto bene funziona il sistema

Nei test, il modello in tempo reale si è dimostrato particolarmente accurato sia lontano dall’ovulazione (all’inizio del ciclo, quando può affermare con sicurezza che l’ovulazione non è imminente) sia molto vicino ad essa (il giorno prima e il giorno dell’ovulazione), quando i cambiamenti ormonali sono più marcati. In un gruppo di cicli con conferma ecografica dettagliata dell’ovulazione, il modello ha identificato correttamente il giorno prima e il giorno dell’ovulazione in circa il 95% dei casi. Quando l’intero NTMA è stato valutato tramite simulazione, ha individuato con successo il giorno corretto di ovulazione in poco più del 92% dei cicli, non ha fornito una previsione in circa l’1% dei cicli ed è risultato errato in circa il 7%. In media, le donne avrebbero avuto bisogno di solo circa 3,1 visite di monitoraggio per ciclo, meno rispetto ai dati storici, suggerendo un onere di monitoraggio inferiore senza sacrificare la precisione.

Cosa potrebbe significare per i pazienti

Per i pazienti e i clinici di tutti i giorni, questo lavoro suggerisce che un assistente IA può assumersi in sicurezza gran parte delle decisioni quotidiane nei cicli naturali di trasferimento di embrioni congelati. Digerendo pattern complessi nei test ormonali e nelle rilevazioni ecografiche, l’algoritmo può raccomandare quando recarsi per i test e quando programmare il trasferimento, con un’accuratezza paragonabile agli approcci guidati da esperti e con meno visite in clinica. Lo studio è retrospettivo e non dimostra ancora un aumento dei tassi di nascita vivi, pertanto sono ancora necessari trial prospettici. Tuttavia, questo sistema di gestione guidato dall’IA indica un futuro in cui la cura della fertilità è più personalizzata, più efficiente e potenzialmente più efficace — aiutando a trasferire gli embrioni nel momento giusto secondo il ritmo naturale del corpo.

Citazione: 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

Parole chiave: fertilità, intelligenza artificiale, ovulazione, trasferimento di embrioni congelati, salute riproduttiva