Algoritm för behandlingshantering vid naturliga cykler för fryst embryotransfer med en realtidsmodell för ägglossningsprognos med maskininlärning

Varför timing är viktigt vid fertilitetsbehandling

För personer som genomgår in vitro‑fertilisering kan ögonblicket då ett embryo sätts tillbaka i livmodern vara skillnaden mellan ett misslyckat försök och en frisk graviditet. I naturliga cykler för fryst embryotransfer försöker läkare samordna återförandet med kvinnans egen ägglossning, men att hitta den exakta dagen innebär ofta upprepade blodprov, ultraljudsundersökningar och klinisk bedömning. Denna studie presenterar ett nytt verktyg med artificiell intelligens (AI) som prognostiserar ägglossning i realtid och föreslår när man ska testa och när man ska genomföra transfer, med målet att göra behandlingen både mer exakt och mindre betungande.

En ny digital hjälp för naturliga cykler

Forskarna ville bygga en "behandlingshanteringsalgoritm" för naturliga cykler med fryst embryotransfer (NC‑FET). I dessa cykler återförs tidigare frysta embryon till livmodern utan hormoner för att artificiellt styra menstruationscykeln. NC‑FET blir alltmer populärt eftersom det är kopplat till lägre risk för missfall och färre komplikationer som graviditetshypertoni. Det kräver dock noggrann övervakning av kroppens egna signaler för att korrekt identifiera ägglossning, vilket traditionellt inneburit frekventa klinikbesök, blodprov och ultraljudsskanningar.

Lära en AI att läsa kroppens signaler

För att skapa sin algoritm använde teamet en "lärare‑elev"‑metod. Först hade en tidigare modell — "läraren" — tränats på hundratals cykler där ägglossningstidpunkt fastställts av tre fertilitetsspecialister med hjälp av hormonnivåer och ultraljudsbilder. Den lärarmodellen var mycket noggrann och användes sedan för att tilldela ägglossningsdagar i nästan 4 000 ytterligare naturliga frysta transfercykler. Den nya "elev"‑modellen lärde sig av detta betydligt större, etiketterade dataset. Den tittar på en eller två övervakningsdagar per cykel och kombinerar information som luteiniserande hormon (LH), östrogen, progesteron, förhållandet mellan östrogen och progesteron, follikelstorlek och tjocklek på livmoderslemhinnan. Baserat på dessa indata förutspår den hur många dagar som återstår till, eller har förflutit sedan, ägglossning.

Från prognos till helcykelhantering

Det som är nytt i denna artikel är inte bara att förutsäga ägglossning, utan att använda den prognosen för att hantera hela behandlingen. Natural FET Treatment Management Algorithm (NTMA) börjar med att rekommendera när patienten först bör testas, vanligtvis omkring dag 8 i cykeln. Efter varje test använder den modellens utslag för att avgöra om ett nytt test behövs, när det ska ske, eller om ägglossningstiming redan är tillräckligt tydlig för att planera embryotransfer. Om modellen drar slutsatsen att ägglossningen redan ligger mer än två dagar tillbaka och inte kan dateras precist, kan cykeln avbrytas utan att slösa ett embryo. Denna stegvisa logik utvärderas med en statistisk simulering som kombinerar verkliga ägglossningsmönster, modellens noggrannhet vid olika tidpunkter och algoritmens beslutsregler.

Hur väl systemet fungerar

När modellen testades visade den särskilt god noggrannhet både långt från ägglossning (tidigt i cykeln, när den säkert kan ange att ägglossning inte är nära) och mycket nära den (dagen före och på själva ägglossningsdagen), då hormonförändringar är som starkast. I en grupp cykler med detaljerat ultraljudsbevis för ägglossning identifierade modellen korrekt dagen före och dagen för ägglossning i cirka 95 % av fallen. När hela NTMA utvärderades via simulering prickade den rätt ägglossningsdag i strax över 92 % av cyklerna, lyckades inte göra en prognos i cirka 1 % av fallen och hade fel i ungefär 7 %. I genomsnitt skulle kvinnor behöva endast omkring 3,1 övervakningsbesök per cykel, färre än i de historiska uppgifterna, vilket tyder på en lägre övervakningsbörda utan att tumma på precisionen.

Vad detta kan innebära för patienter

För vanliga patienter och kliniker antyder detta arbete att en AI‑assistent säkert kan ta över mycket av det dagliga beslutsfattandet i naturliga cykler för fryst embryotransfer. Genom att tolka komplexa mönster i hormontester och ultraljudsfynd kan algoritmen rekommendera när man bör komma för provtagning och när transfer bör schemaläggas, med en noggrannhet jämförbar med expertdrivna tillvägagångssätt och med färre klinikbesök. Studien är retrospektiv och visar ännu inte högre andel levande födslar, så prospektiva prövningar behövs fortfarande. Ändå pekar detta AI‑drivna hanteringssystem mot en framtid där fertilitetsvården är mer individualiserad, effektiv och potentiellt mer framgångsrik — vilket hjälper till att överföra embryon vid precis rätt tillfälle i kroppens egna rytm.

Citering: 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

Nyckelord: fertilitet, artificiell intelligens, ägglossning, fryst embryotransfer, reproduktiv hälsa