Алгоритм управления лечением при естественных циклах переноса криоконсервированных эмбрионов с использованием модели машинного обучения для прогнозирования овуляции в реальном времени

Почему время имеет значение в лечении бесплодия

Для людей, проходящих экстракорпоральное оплодотворение, момент возвращения эмбриона в матку может решить — будет попытка неудачной или приведёт к здоровой беременности. В циклах естественного переноса криоконсервированных эмбрионов врачи стремятся синхронизировать перенос с собственной овуляцией женщины, но выявление точного дня обычно требует повторных анализов крови, ультразвуковых исследований и экспертной оценки. В этом исследовании представлен новый инструмент на базе искусственного интеллекта (ИИ), который прогнозирует овуляцию в реальном времени и подсказывает, когда проводить тестирование и когда выполнять перенос, стремясь сделать лечение точнее и менее обременительным.

Новый цифровой помощник для естественных циклов

Авторы поставили себе задачу создать «алгоритм управления лечением» для переноса криоконсервированных эмбрионов в естественном цикле (NC-FET). В таких циклах замороженные ранее эмбрионы возвращают в матку без использования гормонов для искусственной коррекции менструального цикла. NC-FET становится всё более популярным, так как связан с меньшим риском потери беременности и с меньшим числом осложнений, таких как повышенное артериальное давление во время беременности. Однако это требует тщательного отслеживания собственных сигналов организма для корректного определения овуляции, что традиционно означало частые визиты в клинику, заборы крови и ультразвуковые сканирования.

Обучая ИИ «читать» сигналы организма

Для создания алгоритма команда использовала подход «учитель — ученик». Сначала более ранняя модель — «учитель» — была обучена на сотнях циклов, где время овуляции определяли трое специалистов по репродуктивной медицине, опираясь на уровни гормонов и УЗИ. Эта модель-учитель показала высокую точность и затем была использована для назначения дней овуляции почти в 4000 дополнительных циклов естественного переноса. Новая модель — «ученик» — обучалась на этом существенно большем размеченном наборе данных. Она анализирует одну или две контрольные даты в каждом цикле, комбинируя информацию о лютеинизирующем гормоне (ЛГ), эстрогене, прогестероне, соотношении эстроген/прогестерон, размере фолликула и толщине слизистой оболочки матки. На основе этих входных данных модель предсказывает, сколько дней осталось до овуляции или сколько дней прошло с момента овуляции.

От прогнозирования к управлению полным циклом

Инновация этой работы заключается не только в прогнозировании овуляции, но и в использовании этого прогноза для управления всем лечением. Алгоритм управления лечением при естественном FET (NTMA) начинает с рекомендации, когда пациентке следует впервые пройти тестирование — обычно около 8-го дня цикла. После каждого теста он использует вывод модели, чтобы решить, нужен ли очередной тест, когда он должен быть проведён, или же время овуляции уже достаточно ясно для планирования переноса эмбриона. Если модель делает вывод, что овуляция произошла более чем два дня назад и не может быть точно датирована, цикл можно безопасно отменить, чтобы не тратить эмбрион. Эта пошаговая логика оценивается с помощью статистического моделирования, которое объединяет реальные шаблоны овуляции, точность модели в разные точки времени и правила принятия решений алгоритма.

Насколько хорошо работает система

При тестировании модель реального времени оказалась особенно точной как на значительном удалении от овуляции (в начале цикла, когда она с уверенностью может сказать, что овуляция не близка), так и очень близко к ней (за день до и в день овуляции), когда гормональные изменения наиболее выражены. В группе циклов с детальным ультразвуковым подтверждением овуляции модель правильно определяла за день до и в день овуляции примерно в 95% случаев. При оценке полного NTMA через симуляцию алгоритм верно определил день овуляции в немного более чем 92% циклов, не сделал предсказания в около 1% циклов и ошибался примерно в 7% случаев. В среднем женщинам требуется лишь около 3,1 визита для мониторинга за цикл — меньше, чем в исторических данных, что указывает на снижение бремени наблюдения без потери точности.

Что это может значить для пациентов

Для обычных пациентов и клиницистов эта работа показывает, что помощник на базе ИИ может безопасно взять на себя значительную часть повседневных решений в циклах естественного переноса криоконсервированных эмбрионов. Анализируя сложные закономерности в гормональных тестах и результатах УЗИ, алгоритм может рекомендовать, когда приходить на тестирование и когда планировать перенос, с точностью, сопоставимой с подходами, основанными на экспертной оценке, и при меньшем числе визитов в клинику. Исследование ретроспективное и ещё не доказывает повышения показателей рождения живых детей, поэтому требуются проспективные испытания. Тем не менее эта система управления на базе ИИ указывает на будущее, в котором помощь при фертильности станет более персонализированной, эффективной и, возможно, более успешной — помогая переносить эмбрионы в оптимальный момент в ритме собственного организма.

Цитирование: 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

Ключевые слова: фертильность, искусственный интеллект, овуляция, перенос криоконсервированного эмбриона, репродуктивное здоровье