Algorytm zarządzania leczeniem dla cykli naturalnego transferu zamrożonych zarodków z wykorzystaniem modelu uczenia maszynowego przewidującego owulację w czasie rzeczywistym

Dlaczego czas ma znaczenie w leczeniu niepłodności

Dla osób poddawanych zapłodnieniu in vitro chwila, w której zarodek jest ponownie umieszczany w macicy, może przesądzić o niepowodzeniu lub o prawidłowej ciąży. W cyklach naturalnego transferu zamrożonych zarodków lekarze starają się zsynchronizować transfer z własną owulacją kobiety, ale ustalenie tego dokładnego dnia zwykle wymaga powtarzanych badań krwi, badań ultrasonograficznych i opinii specjalistów. W tym badaniu zaprezentowano nowe narzędzie oparte na sztucznej inteligencji (AI), które w czasie rzeczywistym przewiduje owulację i sugeruje, kiedy wykonać testy oraz kiedy przeprowadzić transfer, dążąc do zwiększenia dokładności leczenia przy jednoczesnym zmniejszeniu jego uciążliwości.

Nowy cyfrowy pomocnik dla cykli naturalnych

Naukowcy postawili za cel opracowanie „algorytmu zarządzania leczeniem” dla naturalnego cyklu transferu zamrożonych zarodków (NC-FET). W tych cyklach zamrożone wcześniej zarodki są odtwarzane do macicy bez stosowania hormonów w celu sztucznej kontroli cyklu miesiączkowego. NC-FET zyskuje na popularności, ponieważ wiąże się z niższymi wskaźnikami poronień i mniejszą liczbą powikłań, takich jak nadciśnienie związane z ciążą. Wymaga jednak uważnego śledzenia własnych sygnałów organizmu, aby poprawnie zidentyfikować owulację, co tradycyjnie oznacza częste wizyty w klinice, pobieranie krwi i badania ultrasonograficzne.

Nauczanie AI odczytywania sygnałów ciała

Aby stworzyć swój algorytm, zespół zastosował podejście „nauczyciel-uczeń”. Najpierw wcześniejszy model — „nauczyciel” — został wytrenowany na setkach cykli, w których termin owulacji ustalali trzej specjaliści ds. płodności na podstawie poziomów hormonów i obrazów USG. Ten model-nauczyciel był bardzo precyzyjny i posłużył następnie do przypisania dni owulacji w prawie 4 000 dodatkowych naturalnych cykli transferu. Nowy model „uczeń” nauczył się na tym znacznie większym, oznakowanym zbiorze danych. Analizuje on jedną lub dwie dni monitoringu w cyklu, łącząc informacje takie jak hormon luteinizujący (LH), estrogen, progesteron, stosunek estrogenu do progesteronu, wielkość pęcherzyka i grubość błony śluzowej macicy. Na podstawie tych danych przewiduje, ile dni pozostało do owulacji lub ile dni minęło od niej.

Od prognozy do zarządzania całym cyklem

Innowacją w tym artykule nie jest jedynie przewidywanie owulacji, lecz wykorzystanie tej prognozy do zarządzania całym leczeniem. Naturalny Algorytm Zarządzania Leczeniem FET (NTMA) zaczyna się od rekomendacji, kiedy pacjentka powinna wykonać pierwszy test, zwykle około 8. dnia cyklu. Po każdym badaniu wykorzystuje on wynik modelu, by zdecydować, czy potrzebny jest kolejny test, kiedy powinien się odbyć, czy też termin owulacji jest wystarczająco jasny, by zaplanować transfer zarodka. Jeśli model wnioskuje, że owulacja miała miejsce ponad dwa dni wcześniej i nie da się jej precyzyjnie datować, cykl można bezpiecznie anulować, zamiast marnować zarodek. Logika krok po kroku została oceniona za pomocą symulacji statystycznej, która łączy rzeczywiste wzorce owulacji, dokładność modelu w różnych punktach czasowych oraz reguły decyzyjne algorytmu.

Jak dobrze działa system

W testach model czasu rzeczywistego okazał się szczególnie dokładny zarówno z dala od owulacji (we wczesnej fazie cyklu, kiedy może z dużą pewnością stwierdzić, że owulacja nie jest blisko), jak i bardzo blisko niej (dzień przed i dzień owulacji), kiedy zmiany hormonalne są najsilniejsze. W grupie cykli z dokładnym potwierdzeniem owulacji przez USG model prawidłowo zidentyfikował dzień przed owulacją i dzień owulacji w około 95% przypadków. Gdy cały NTMA oceniano w symulacji, poprawnie wskazał właściwy dzień owulacji w nieco ponad 92% cykli, nie zdołał podjąć decyzji w około 1% cykli, a był błędny w około 7% przypadków. Średnio kobiety potrzebowałyby zaledwie około 3,1 wizyty monitorującej na cykl, mniej niż w danych historycznych, co sugeruje mniejsze obciążenie monitoringiem bez utraty precyzji.

Co to może znaczyć dla pacjentek

Dla pacjentek i klinicystów oznacza to, że asystent AI może bezpiecznie przejąć znaczną część codziennych decyzji w naturalnych cyklach transferu zamrożonych zarodków. Analizując złożone wzorce w testach hormonalnych i wynikach ultrasonografii, algorytm może rekomendować, kiedy zgłosić się na badanie i kiedy zaplanować transfer — z dokładnością porównywalną do podejść opartych na ekspertach i przy mniejszej liczbie wizyt w klinice. Badanie ma charakter retrospektywny i nie dowodzi jeszcze wyższych wskaźników żywych urodzeń, więc potrzebne są badania prospektywne. Niemniej jednak ten system zarządzania oparty na AI wskazuje drogę ku przyszłości, w której opieka nad płodnością będzie bardziej spersonalizowana, wydajna i potencjalnie bardziej skuteczna — pomagając przenieść zarodki w idealnym momencie, zgodnym z naturalnym rytmem organizmu.

Cytowanie: 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

Słowa kluczowe: płodność, sztuczna inteligencja, owulacja, transfer zamrożonych zarodków, zdrowie reprodukcyjne