Sztuczna inteligencja w opiece nad płodnością: obietnice, dowody i rzeczywistość kliniczna

Świat wchodzi w nową erę demograficzną. Globalny wskaźnik płodności spadł z około 4,9 dziecka na kobietę w latach 50. XX wieku do 2,3 dziś, a ONZ prognozuje, że będzie nadal spadać przez cały ten wiek. W Wielkiej Brytanii wskaźnik urodzeń jest jeszcze niższy – 1,39 dziecka na kobietę w Anglii i Walii w 2025 roku. W miarę jak malejące wskaźniki urodzeń, opóźnione macierzyństwo i rosnąca niepłodność przekształcają opiekę reprodukcyjną, płodność stała się jedną z najszybciej rosnących dziedzin inwestycji HealthTech. Inwestorzy wspierają technologie, które mają ułatwić poczęcie, lepiej zrozumieć zdrowie reprodukcyjne i sprawniej poruszać się w leczeniu. Globalny rynek technologii wspomagających reprodukcję ma osiągnąć osiągnie $33,4 miliarda w 2026 roku. Rynek FemTech, obejmujący wszystkie technologie wspierające zdrowie kobiet, był wyceniany na szacowane $45,6 miliarda na świecie w 2025 roku i prognozuje się, że do 2033 roku przekroczy trzykrotność tej wartości. 

Sztuczna inteligencja naturalnie stała się częścią tej fali. Dziś AI napędza aplikacje do śledzenia cyklu, urządzenia noszone, domowe testy płodności oraz technologie zapłodnienia in vitro (IVF), obiecując coraz bardziej spersonalizowane wglądy w zdrowie reprodukcyjne. W miarę jak te narzędzia stają się bardziej zaawansowane, dyskusja przesuwa się od tego, co AI może zrobić, do tego, jak duże zaufanie powinna zyskać. To zaufanie zależy nie tylko od jakości generowanych rekomendacji, ale także od przejrzystości firm w kwestii danych stojących za nimi: jakie zestawy danych są używane do trenowania tych systemów, jak są reprezentatywne i wiarygodne oraz gdzie leżą ich ograniczenia zarówno dla klinicystów, jak i pacjentów. 

Cyfrowe narzędzia płodności zmieniają zachowania pacjentów szybciej niż nadążają dowody kliniczne

Dowody dotyczące HealthTech w dziedzinie płodności są bardziej zniuansowane niż sugerują to zarówno najwięksi zwolennicy, jak i najostrzejsi krytycy. Ostatni przegląd przeprowadzony przez badacze UCL stwierdza, że cyfrowe narzędzia – od aplikacji płodnościowych i urządzeń noszonych po domowe testy i telemedycynę – mogą podnieść świadomość płodności, wspierać samokontrolę, zwiększyć dostęp do opieki oraz wzmocnić komunikację między pacjentami a klinicystami. W miarę jak pacjenci coraz bardziej angażują się w zrozumienie i zarządzanie własnym zdrowiem reprodukcyjnym, AI staje się coraz częścią tej samej drogi. Według badania KFF z 2026, co trzeci dorosły Amerykanin już skorzystał z czatu AI w celu uzyskania informacji lub porad zdrowotnych, przy czym wielu sięga po nie przed konsultacją z pracownikiem służby zdrowia. Sugeruje to, że AI staje się czymś więcej niż narzędziem wyszukiwania: pomaga ludziom interpretować informacje zdrowotne przed podjęciem decyzji klinicznych.

Jednocześnie badacze podkreślają, że korzyści te zależą od dokładności, klinicznej ważności i integracji z ścieżkami opieki zdrowotnej, ostrzegając, że wiele technologii płodnościowych trafia na rynek bez wystarczających dowodów na to, że ich prognozy są analitycznie solidne, klinicznie istotne lub rzeczywiście korzystne dla pacjentów. Problem wykracza poza błędy AI czy halucynacje. Wiele technologii płodnościowych dociera do pacjentów, zanim istnieją wystarczające dowody na kliniczną istotność ich prognoz lub rzeczywiste poprawienie wyników, co stwarza ryzyko, że zaufanie do technologii wyprzedza dostępne dowody.

Ta luka w dowodach staje się szczególnie widoczna, gdy AI przechodzi od wyjaśniania podstaw biologii reprodukcyjnej do wspierania decyzji dotyczących płodności. Badacze porównujący ChatGPT, Gemini, Copilot i Perplexity w 37 pytaniach dotyczących płodności stwierdzili, że modele były generalnie wiarygodne w tematach takich jak cykl menstruacyjny i poczęcie, ale znacznie mniej konsekwentne przy odpowiadaniu na pytania o IVF, zamrażanie komórek jajowych i inne technologie wspomaganej reprodukcji.

Wyjaśnienie jest zaskakująco praktyczne, a nie tylko techniczne. Podstawowe pojęcia płodności są poparte dziesięcioleciami solidnych dowodów, podczas gdy technologie wspomaganej reprodukcji rozwijają się znacznie szybciej. Jak zauważają autorzy, nawet modele cytujące prace naukowe mogą nadmiernie podkreślać rzadkie schorzenia lub przestarzałe wyniki, udzielając pewnych odpowiedzi, które nie odzwierciedlają szerszej populacji pacjentów.

W miarę jak urządzenia healthtech i narzędzia AI coraz bardziej kształtują sposób, w jaki ludzie interpretują objawy, rozumieją wyniki testów i podejmują decyzje terapeutyczne przed wejściem do kliniki, standardy dotyczące dowodów, przejrzystości i nadzoru regulacyjnego stają się znacznie wyższe.

Gdzie AI może przynieść największą różnicę w opiece nad płodnością

Podczas gdy aplikacje konsumenckie do płodności, urządzenia noszone i testy domowe nadal się rozwijają, AI przekształca także kliniczną stronę medycyny reprodukcyjnej. Zamiast zastępować specjalistów, najobiecująca badania koncentrują się na wspieraniu embryologów, lekarzy specjalizujących się w płodności oraz zespołów laboratoryjnych w podejmowaniu lepiej poinformowanych decyzji.

Jednym z najbardziej ugruntowanych obszarów badań AI w dziedzinie płodności jest ocena embrionów podczas IVF. Analizując tysiące obrazów z kamery czasu rzeczywistego rozwoju embrionu, modele uczenia maszynowego wykazały imponujące wyniki w przewidywaniu żywotności embrionu i pozostają jedną z najbardziej obiecujących aplikacji w tej dziedzinie. Jednocześnie przełomowy Nature Medicine trial wykazał, że silne wyniki na retrospektywnych zestawach danych nie przekładają się automatycznie na lepsze wyniki kliniczne, co skłoniło badaczy do podniesienia poprzeczki walidacji. More recent work przesunęło fokus jeszcze dalej, podkreślając ocenę kliniczną w warunkach rzeczywistych jako kolejny krytyczny krok przed szerokim wdrożeniem tych systemów w praktyce.

Kolejnym obiecującym kierunkiem jest przewidywanie odpowiedzi jajników przed IVF. Naukowcy wykorzystują AI do łączenia wskaźników klinicznych, takich jak wiek, poziom hormonu anty-Müllerowskiego (AMH) oraz liczba pęcherzyków antralnych, aby oszacować, jak pacjent prawdopodobnie zareaguje na stymulację jajników przed rozpoczęciem leczenia. Recent studies sugerują, że modele te mogą usprawnić planowanie terapii i pomóc zidentyfikować pacjentów, którym może przynieść korzyść wcześniejsza interwencja lub bardziej spersonalizowana strategia stymulacji, choć szersza walidacja kliniczna pozostaje ważnym kolejnym krokiem.

Dojrzałość tych technologii znacznie się różni. Niektóre narzędzia AI już dziś wspomagają klinicystów w laboratoriach IVF, podczas gdy inne wciąż przechodzą od obiecujących badań uniwersyteckich do walidacji klinicznej. To rozróżnienie ma znaczenie, ponieważ odzwierciedla szerszą zmianę w opiece płodnościowej: największy wpływ w krótkim okresie pochodzi coraz częściej od systemów AI wspierających przepływy pracy klinicznej, a nie zastępujących osąd kliniczny.

Od przełomów AI do poprawy codziennej opieki nad pacjentem

Nie jest tajemnicą, że główną rzeczą, której firmy oczekują od narzędzi AI, jest redukcja kosztów. I branża płodności nie jest wyjątkiem – IVF może być kosztowną procedurą. Nic więc dziwnego, że kliniki i inne firmy szukają sposobów na obniżenie kosztów i uczynienie leczenia dostępnym dla jak największej liczby osób.

Nie możemy uczynić IVF i leczenia płodności ogólnie łatwiejszym, ponieważ biologiczna strona jest skomplikowana. To, co możemy uprościć, to ścieżka pacjenta i przepływ pracy klinicznej. Dlatego zwróciliśmy się ku AI, aby skrócić czas, jaki nasi lekarze poświęcają na przygotowywanie przypadków – jednego z najcenniejszych zasobów w opiece płodnościowej.

Moim zdaniem najbardziej przydatnym narzędziem dziś byłby system AI zaprojektowany do analizy pełnej historii klinicznej pacjenta, wcześniejszych terapii i wyników laboratoryjnych, a następnie organizujący te informacje w ustrukturyzowany przypadek. Na przykład może on podać lekarzom sugestię dawkowania leków na podstawie wyników badań krwi. Decyzja kliniczna pozostaje w pełni w gestii lekarza; AI po prostu skraca czas potrzebny na przygotowanie.

W Plan Your Baby obecnie współpracujemy z partnerami z branży nad zbudowaniem takiego systemu. W naszej wizji musi on być trenowany na anonimowych danych zbieranych przez lata opieki płodnościowej, ponieważ w medycynie jakość produktu AI zależy tak samo od kontekstu klinicznego danych, jak i od samego modelu. Każdy rekord jest odidentyfikowany przed użyciem w rozwoju, co pozwala systemowi uczyć się na podstawie rzeczywistej opieki, jednocześnie chroniąc prywatność pacjentów.

Ważne jest również podkreślenie, że ponieważ technologia ta stanie się częścią przepływu pracy klinicznej, nie może być traktowana jak konwencjonalny produkt AI. Takie narzędzia muszą być budowane z myślą o certyfikacji wyrobów medycznych od samego początku, ponieważ w opiece zdrowotnej wdrożenie jest możliwe tylko wtedy, gdy technologia spełnia te same standardy, które obowiązują każdy inny kliniczny instrument.