AI i fertilitetspleje: Løfter, beviser og klinisk virkelighed

Verden træder ind i en ny demografisk æra. Den globale fertilitetsraten er faldet fra omkring 4.9 børn per kvinde i 1950’erne til 2.3 i dag, og FN forudser, at den vil fortsætte med at falde gennem dette århundrede. I Storbritannien er fødselsraten endnu lavere – 1.39 børn per kvinde i England og Wales i 2025. Efter faldende fødselsrater, udskudt forældreskab og stigende infertilitet, der omformer reproduktiv sundhedspleje, er fertilitet blevet et af de hurtigst voksende områder inden for HealthTech-investeringer. Investorer støtter teknologier, der lover at gøre det lettere at blive gravid, bedre forstå reproduktiv sundhed og navigere behandling mere effektivt. Det globale marked for assisteret reproduktionsteknologi forventes at nå $33.4 milliarder i 2026. FemTech-markedet, som omfatter alle teknologier, der bruges til at støtte kvinders sundhed, var værd et anslået $45.6 milliarder globalt i 2025 og forventes at mere end tredoble inden 2033. 

Kunstig intelligens er naturligt blevet en del af denne bølge. I dag driver AI apps til cyklussporing, wearables, hjemme-fertilitetstest og in vitro-fertilisering (IVF)-teknologier, og lover stadig mere personlige indsigter i reproduktiv sundhed. Efterhånden som disse værktøjer bliver mere sofistikerede, skifter samtalen dog fra, hvad AI kan gøre, til hvor meget tillid det bør opnå. Den tillid afhænger ikke kun af kvaliteten af de anbefalinger, den leverer, men også af hvor gennemsigtige virksomheder er omkring dataene bag dem: hvilke datasæt der bruges til at træne systemerne, hvor repræsentative og pålidelige de er, og hvor deres begrænsninger ligger for både klinikere og patienter. 

Digitale fertilitetsværktøjer ændrer patientadfærd hurtigere, end klinisk evidens kan indhente

Beviserne for fertilitets-HealthTech er mere nuancerede, end både de stærkeste fortalere og de hårdeste kritikere ofte påstår. En nylig gennemgang af UCL-forskere konkluderer, at digitale værktøjer – fra fertilitetsapps og wearables til hjemme-test og telehealth – kan forbedre fertilitetsforståelse, understøtte selvmonitorering, udvide adgang til behandling og styrke kommunikationen mellem patienter og klinikere. Efterhånden som patienter bliver mere involverede i at forstå og håndtere deres egen reproduktive sundhed, bliver AI i stigende grad en del af den samme rejse. Ifølge en 2026 KFF-undersøgelse, en ud af tre voksne i USA har allerede brugt en AI-chatbot til sundhedsinformation eller -rådgivning, og mange vender sig til den, før de taler med en sundhedsudbyder. Det tyder på, at AI bliver mere end et søgeværktøj: den hjælper nu folk med at fortolke sundhedsoplysninger, før kliniske beslutninger træffes.

Samtidig påpeger forskerne, at disse fordele afhænger af nøjagtighed, klinisk validitet og integration i sundhedsveje, og advarer om, at mange fertilitetsteknologier stadig når markedet uden tilstrækkelige beviser for, at deres forudsigelser er analytisk robuste, klinisk meningsfulde eller reelt gavnlige for patienter. Udfordringen går ud over, at AI begår fejl eller hallucinerer. Mange fertilitetsteknologier når patienterne, før der er nok evidens for, at deres forudsigelser er klinisk meningsfulde eller faktisk forbedrer resultater, hvilket skaber en risiko for, at tilliden til teknologien overstiger den bagvedliggende evidens. 

Dette evidensgab bliver særligt tydeligt, når AI går fra at forklare grundlæggende reproduktionsbiologi til at støtte fertilitetsbeslutninger. Forskere som sammenlignede ChatGPT, Gemini, Copilot og Perplexity på tværs af 37 fertilitetsspørgsmål, fandt, at modellerne generelt var pålidelige på emner som menstruationscyklus og befrugtning, men blev meget mindre konsistente, når de besvarede spørgsmål om IVF, æg-frysning og andre assisterede reproduktionsteknologier.

Forklaringen er overraskende praktisk snarere end rent teknisk. Grundlæggende fertilitetsbegreber understøttes af årtier af veletableret evidens, mens assisterede reproduktionsteknologier udvikler sig meget hurtigere. Som forfatterne bemærker, kan selv modeller, der citerer videnskabelige artikler, overbetone sjældne tilstande eller forældede fund og give sikre svar, der ikke er repræsentative for den bredere patientpopulation.

Efterhånden som healthtech-enheder og AI-værktøjer i stigende grad former, hvordan folk fortolker symptomer, forstår testresultater og nærmer sig behandlingsbeslutninger før de træder ind i klinikken, bliver standarderne for evidens, gennemsigtighed og regulatorisk tilsyn meget højere.

Hvor AI kan gøre den største forskel i fertilitetspleje

Mens forbruger‑fertilitetsapps, wearables og hjemme‑test fortsætter med at udvikle sig, transformerer AI også den kliniske side af reproduktionsmedicin. I stedet for at erstatte specialister fokuserer den mest lovende forskning på at hjælpe embryologer, fertilitetslæger og laboratorieteams med at træffe mere informerede beslutninger. 

Et af de mest veletablerede områder inden for AI-forskning i fertilitet er embryonavurdering under IVF. Ved at analysere tusindvis af tidsløbende billeder af embryoudvikling har maskinlæringsmodeller vist imponerende resultater i forudsigelse af embryonens levedygtighed og forbliver en af felttets mest lovende anvendelser. Samtidig, en banebrydende Nature Medicine-forsøg demonstrerede, at stærk præstation på retrospektive datasæt ikke automatisk omsættes til bedre kliniske resultater, hvilket får forskerne til at hæve barren for validering. Nyere arbejde har flyttet fokus endnu længere, med vægt på klinisk evaluering i virkelige omgivelser som det næste kritiske skridt, før disse systemer kan blive bredt implementeret i praksis.

En anden lovende retning er at forudsige ovariel respons før IVF. Forskere bruger AI til at kombinere kliniske indikatorer såsom alder, anti-Müllerian hormon (AMH)-niveauer og antrale follikelantal for at estimere, hvordan en patient sandsynligvis vil reagere på ovarie-stimulering, før behandlingen påbegyndes. Nylige studier tyder på, at disse modeller kan forbedre behandlingsplanlægning og hjælpe med at identificere patienter, der kan have gavn af tidligere indgriben eller en mere personlig stimuleringsstrategi, selvom bredere klinisk validering stadig er et vigtigt næste skridt.

Modenheden af disse teknologier varierer betydeligt. Nogle AI-værktøjer assisterer allerede klinikere i IVF‑laboratorier i dag, mens andre stadig bevæger sig fra lovende universitetsforskning mod klinisk validering. Den sondring er vigtig, fordi den afspejler en bredere ændring inden for fertilitetspleje: den største kortsigtede indvirkning kommer i stigende grad fra AI-systemer, der understøtter kliniske arbejdsgange i stedet for at erstatte klinisk dømmekraft.

Fra AI-gennembrud til forbedring af den daglige patientpleje

Det er ingen hemmelighed, at det primære, som virksomheder forventer af AI-værktøjer, er omkostningsreduktion. Og fertilitetsindustrien er ingen undtagelse – IVF kan være en dyr procedure. Det er derfor ikke overraskende, at klinikker og andre virksomheder søger måder at reducere omkostningerne på og gøre behandlingen tilgængelig for så mange som muligt.

Vi kan ikke gøre IVF og fertilitetsbehandling generelt lettere, fordi den biologiske side er kompliceret. Det, vi kan forenkle, er patientrejsen og den kliniske arbejdsgang. Derfor vendte vi os mod AI for at reducere den tid, vores læger bruger på at forberede sager – en af de mest værdifulde ressourcer i fertilitetsplejen.

Efter min mening ville det mest nyttige værktøj i dag være et AI-system, der er designet til at analysere en patients komplette kliniske historie, tidligere behandlinger og laboratorieresultater og derefter organisere disse oplysninger i en struktureret sag. For eksempel kan det give læger et forslag til medicindosis baseret på blodprøveresultater. Den kliniske beslutning forbliver fuldstændigt hos lægen; AI reducerer blot den tid, der bruges på forberedelsen.

Hos Plan Your Baby arbejder vi nu sammen med branchepartnere om at bygge et sådant system. I vores vision skal det trænes på anonymiserede data indsamlet gennem mange år af fertilitetspleje, fordi kvaliteten af et AI‑produkt i medicin afhænger lige så meget af den kliniske kontekst bag dataene som af selve modellen. Hver post de‑identificeres, inden den bruges til udvikling, hvilket gør det muligt for systemet at lære af pleje i den virkelige verden, samtidig med at patienternes privatliv beskyttes. 

Det er også vigtigt at understrege, at da denne teknologi vil blive en del af den kliniske arbejdsgang, kan den ikke behandles som et konventionelt AI‑produkt. Sådanne værktøjer skal fra starten af bygges med medicinsk enhedscertificering for øje, fordi implementering i sundhedssektoren kun er mulig, hvis teknologien kan opfylde de samme standarder, som forventes af ethvert andet klinisk værktøj.