Algoritme voor behandelingsmanagement bij natuurlijke bevroren embryotransfercycli met behulp van een realtime machinaal-lerenmodel voor ovulatievoorspelling

Waarom timing belangrijk is bij vruchtbaarheidsbehandeling

Voor mensen die in-vitrofertilisatie ondergaan, kan het moment waarop een embryo teruggeplaatst wordt in de baarmoeder het verschil betekenen tussen een mislukte poging en een gezonde zwangerschap. Bij natuurlijke cycli voor bevroren embryotransfer proberen artsen de terugplaatsing af te stemmen op iemands eigen ovulatie, maar het vinden van die exacte dag vereist meestal herhaalde bloedtesten, echo’s en specialistisch oordeel. Deze studie introduceert een nieuw hulpmiddel met kunstmatige intelligentie (AI) dat ovulatie realtime voorspelt en aangeeft wanneer getest en wanneer overgegaan moet worden tot transfer, met als doel behandeling zowel nauwkeuriger als minder belastend te maken.

Een nieuwe digitale assistent voor natuurlijke cycli

De onderzoekers stelden zich ten doel een "behandelingsmanagementalgoritme" te bouwen voor natuurlijke cycli met bevroren embryotransfer (NC-FET). In deze cycli worden eerder ingevroren embryo’s teruggeplaatst zonder hormonen te gebruiken om de menstruatiecyclus kunstmatig te sturen. NC-FET wint aan populariteit omdat het geassocieerd wordt met lagere percentages zwangerschapsverlies en minder complicaties zoals hoge bloeddruk tijdens de zwangerschap. Het vergt echter zorgvuldige opvolging van lichaamseigen signalen om ovulatie correct te identificeren, wat traditioneel veel poliklinische bezoeken, bloedafnames en echoscans betekende.

Een AI leren de signalen van het lichaam te lezen

Om hun algoritme te creëren, gebruikte het team een "teacher-student"-benadering. Eerst was een eerder model—de "teacher"—getraind op honderden cycli waarin de ovulatiedag bepaald was door drie vruchtbaarheidsspecialisten op basis van hormoonwaarden en echo’s. Dat teacher-model was uiterst nauwkeurig en werd vervolgens gebruikt om ovulatiedagen toe te wijzen in bijna 4.000 extra natuurlijke bevroren transfercycli. Het nieuwe "student"-model leerde van deze veel grotere, gelabelde dataset. Het kijkt naar één of twee monitoringsdagen per cyclus en combineert informatie zoals luteïniserend hormoon (LH), oestrogeen, progesteron, de verhouding tussen oestrogeen en progesteron, follikelgrootte en dikte van het baarmoederslijmvlies. Op basis van deze invoer voorspelt het hoeveel dagen er nog resteren tot, of zijn verstreken sinds, de ovulatie.

Van voorspelling naar cyclushantering

De innovatie in dit artikel is niet alleen het voorspellen van ovulatie, maar het gebruiken van die voorspelling om de gehele behandeling te beheren. Het Natural FET Treatment Management Algorithm (NTMA) begint met het aanbevelen wanneer een patiënt voor het eerst getest moet worden, meestal rond dag 8 van de cyclus. Na elke test gebruikt het de output van het model om te beslissen of een nieuwe test nodig is, wanneer die test moet plaatsvinden, of dat de ovulatietiming al duidelijk genoeg is om de embryotransfer in te plannen. Als het model concludeert dat de ovulatie al meer dan twee dagen geleden plaatsvond en niet nauwkeurig te dateren is, kan de cyclus veilig geannuleerd worden voordat er een embryo verspild wordt. Deze stapsgewijze logica wordt geëvalueerd met een statistische simulatie die echte ovulatiepatronen, de nauwkeurigheid van het model op verschillende tijdstippen en de beslisregels van het algoritme combineert.

Hoe goed het systeem werkt

Bij tests bleek het realtimemodel vooral nauwkeurig te zijn zowel ver van de ovulatie (vroeg in de cyclus, wanneer het met vertrouwen kan zeggen dat ovulatie niet nabij is) als zeer dichtbij (de dag vóór en de dag van de ovulatie), waar hormonale veranderingen het meest uitgesproken zijn. In een groep cycli met gedetailleerd echografisch bewijs van ovulatie identificeerde het model de dag vóór en de dag van ovulatie correct in ongeveer 95% van de gevallen. Toen het volledige NTMA via simulatie werd geëvalueerd, bepaalde het succesvol de juiste ovulatiedag in net iets meer dan 92% van de cycli, deed het geen voorspelling in ongeveer 1% van de cycli en zat het er in ongeveer 7% van de gevallen naast. Gemiddeld zouden vrouwen slechts ongeveer 3,1 monitoringsbezoeken per cyclus nodig hebben, minder dan in de historische gegevens, wat duidt op een lagere monitoringlast zonder in te leveren op precisie.

Wat dit voor patiënten kan betekenen

Voor patiënten en clinici suggereert dit werk dat een AI-assistent veilig een groot deel van de dagelijkse besluitvorming bij natuurlijke cycli voor bevroren embryotransfer kan overnemen. Door complexe patronen in hormoontesten en echoresultaten te verwerken, kan het algoritme aanbevelen wanneer men voor tests moet komen en wanneer de transfer gepland moet worden, met een nauwkeurigheid vergelijkbaar met deskundige benaderingen en met minder poliklinische bezoeken. De studie is retrospectief en bewijst nog geen hogere levendgeboortecijfers, dus prospectieve trials blijven nodig. Toch wijst dit AI-gestuurde beheerssysteem op een toekomst waarin vruchtbaarheidszorg persoonlijker, efficiënter en mogelijk succesvoller wordt—zodat embryo’s precies op het juiste moment in het ritme van het lichaam worden teruggeplaatst.

Bronvermelding: 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

Trefwoorden: vruchtbaarheid, kunstmatige intelligentie, ovulatie, bevroren embryotransfer, voortplantingsgezondheid