ИИ в репродуктивной медицине: обещания, доказательства и клиническая реальность

Мир вступает в новую демографическую эпоху. Глобальный уровень рождаемости снизился с примерно 4,9 ребёнка на женщину в 1950‑х годах до 2,3 сегодня, и ООН прогнозирует, что он будет продолжать снижаться в течение этого столетия. В Великобритании уровень рождаемости ещё ниже — 1,39 ребёнка на женщину в Англии и Уэльсе в 2025 году. По мере снижения уровня рождаемости, откладывания деторождения и роста бесплодия, репродуктивная медицина меняется, и фертильность стала одной из самых быстрорастущих областей инвестиций в HealthTech. Инвесторы поддерживают технологии, которые обещают упростить зачатие, лучше понять репродуктивное здоровье и более эффективно ориентироваться в лечении. Ожидается, что глобальный рынок вспомогательных репродуктивных технологий достигнет $33.4 млрд в 2026 году. Рынок FemTech, включающий все технологии, поддерживающие здоровье женщин, оценивался в примерно $45.6 млрд по всему миру в 2025 году и, как прогнозируется, более чем утроится к 2033 году.

Искусственный интеллект естественно стал частью этой волны. Сегодня ИИ поддерживает приложения для отслеживания цикла, носимые устройства, домашние тесты на фертильность и технологии in vitro fertilisation (IVF), обещая всё более персонализированные сведения о репродуктивном здоровье. По мере того как эти инструменты становятся более сложными, дискуссия смещается от того, что ИИ может сделать, к тому, насколько он заслуживает доверия. Это доверие зависит не только от качества рекомендаций, которые он генерирует, но и от того, насколько компании открыты относительно данных, лежащих в их основе: какие наборы данных используются для обучения систем, насколько они репрезентативны и надёжны, и где заключаются их ограничения как для врачей, так и для пациентов.

Цифровые инструменты в области фертильности меняют поведение пациентов быстрее, чем успевает догонять клиническая доказательная база

Доказательства в пользу HealthTech в области фертильности более нюансированы, чем часто предполагают как её сильные сторонники, так и её резкие критики. Недавний обзор, проведённый исследователи UCL делает вывод, что цифровые инструменты — от приложений для фертильности и носимых устройств до домашних тестов и телемедицины — могут повысить грамотность в области фертильности, поддержать самостоятельный мониторинг, расширить доступ к уходу и укрепить коммуникацию между пациентами и врачами. По мере того как пациенты всё активнее участвуют в понимании и управлении собственным репродуктивным здоровьем, ИИ всё чаще становится частью этого пути. Согласно опросу KFF 2026 года, каждый третий взрослый в США уже использовал чат-бот ИИ для получения медицинской информации или советов, при этом многие обращаются к нему до консультации с медицинским работником. Это свидетельствует о том, что ИИ становится не просто поисковым инструментом: он теперь помогает людям интерпретировать медицинскую информацию до принятия клинических решений.

В то же время исследователи утверждают, что эти преимущества зависят от точности, клинической валидности и интеграции в медицинские пути, предупреждая, что многие технологии в области фертильности всё ещё выходят на рынок без достаточных доказательств того, что их прогнозы аналитически надёжны, клинически значимы или действительно полезны для пациентов. Проблема выходит за рамки ошибок ИИ или его «галлюцинаций». Многие технологии в области фертильности попадают к пациентам до того, как появятся достаточные доказательства того, что их прогнозы клинически значимы или действительно улучшают результаты, создавая риск, когда уверенность в технологии опережает имеющиеся доказательства.

Этот разрыв в доказательствах особенно заметен, когда ИИ переходит от объяснения базовой репродуктивной биологии к поддержке решений в области фертильности. Исследователи, сравнившие ChatGPT, Gemini, Copilot и Perplexity по 37 вопросам о фертильности, обнаружили, что модели обычно надёжны в темах, таких как менструальный цикл и зачатие, но становятся значительно менее последовательными при ответах на вопросы об ЭКО, заморозке яйцеклеток и других вспомогательных репродуктивных технологиях.

Объяснение удивительно практично, а не просто техническое. Базовые концепции фертильности подкреплены десятилетиями проверенных доказательств, тогда как вспомогательные репродуктивные технологии развиваются гораздо быстрее. Как отмечают авторы, даже модели, ссылающиеся на научные статьи, могут переоценивать редкие состояния или устаревшие данные, предоставляя уверенные ответы, не отражающие более широкую популяцию пациентов.

По мере того как устройства healthtech и инструменты ИИ всё сильнее влияют на то, как люди интерпретируют симптомы, понимают результаты тестов и подходят к решениям о лечении до посещения клиники, стандарты доказательств, прозрачности и регуляторного надзора значительно повышаются.

Где ИИ может принести наибольшую пользу в уходе за фертильностью

В то время как потребительские приложения для фертильности, носимые устройства и домашние тесты продолжают развиваться, ИИ также трансформирует клиническую сторону репродуктивной медицины. Вместо замены специалистов, наиболее перспективные исследования сосредоточены на помощи эмбриологам, врачам по фертильности и лабораторным командам принимать более обоснованные решения.

Одно из самых устоявшихся направлений исследований ИИ в области репродуктивной медицины — оценка эмбрионов во время ЭКО. Анализируя тысячи снимков в режиме замедленной съёмки развития эмбрионов, модели машинного обучения продемонстрировали впечатляющие результаты в предсказании жизнеспособности эмбрионов и остаются одним из самых перспективных применений в этой сфере. В то же время, знаковое исследование Nature Medicine продемонстрировало, что высокая эффективность на ретроспективных наборах данных не автоматически приводит к лучшим клиническим результатам, что заставило исследователей повысить планку валидации. Более свежие работы сместили фокус ещё дальше, подчёркивая необходимость клинической оценки в реальных условиях как следующего критически важного шага перед широким внедрением этих систем в практику.

Другим многообещающим направлением является прогнозирование овариальной реакции до начала ЭКО. Исследователи используют ИИ для объединения клинических индикаторов, таких как возраст, уровень анти‑Мюллерова гормона (AMH) и количество антральных фолликулов, с целью оценить, как пациентка, вероятно, отреагирует на стимуляцию яичников до начала лечения. Недавние исследования указывают, что эти модели могут улучшить планирование лечения и помочь выявить пациентов, которым может быть полезно более раннее вмешательство или более персонализированная стратегия стимуляции, хотя более широкая клиническая валидация остаётся важным следующим шагом.

Зрелость этих технологий сильно различается. Некоторые инструменты ИИ уже помогают врачам в лабораториях ЭКО сегодня, в то время как другие всё ещё переходят от перспективных университетских исследований к клинической валидации. Это различие имеет значение, поскольку отражает более широкий сдвиг в сфере репродуктивной помощи: наибольшее влияние в ближайшей перспективе всё чаще оказывает ИИ, поддерживающий клинические рабочие процессы, а не заменяющий клиническое суждение.

От прорывов ИИ к улучшению повседневного ухода за пациентами

Не секрет, что главная цель бизнеса при внедрении ИИ‑инструментов — сокращение расходов. И индустрия репродуктивной медицины не исключение — ЭКО может быть дорогостоящей процедурой. Поэтому клиники и другие компании ищут способы снизить затраты и сделать лечение доступным для как можно большего числа людей.

Мы не можем упростить ЭКО и репродуктивное лечение в целом, потому что биологическая сторона процесса сложна. То, что мы можем упростить, — это путь пациента и клинический рабочий процесс. Поэтому мы обратились к ИИ, чтобы сократить время, которое наши врачи тратят на подготовку случаев — один из самых ценных ресурсов в репродуктивной помощи.

По моему мнению, самым полезным инструментом сегодня был бы ИИ‑система, способная анализировать полную клиническую историю пациента, предыдущие лечения и лабораторные результаты, а затем структурировать эту информацию в виде готового случая. Например, она может предложить врачу дозировку медикаментов на основе результатов анализов крови. Клиническое решение остаётся полностью за врачом; ИИ лишь сокращает время, затрачиваемое на подготовку к нему.

В Plan Your Baby мы сейчас работаем с отраслевыми партнёрами над созданием такой системы. В нашем видении она должна обучаться на анонимных данных, собранных за годы репродуктивной помощи, потому что в медицине качество ИИ‑продукта зависит не только от модели, но и от клинического контекста, в котором получены данные. Каждая запись обезличивается перед использованием в разработке, что позволяет системе учиться на реальных данных, одновременно защищая конфиденциальность пациентов.

Также важно подчеркнуть, что поскольку эта технология станет частью клинического рабочего процесса, её нельзя рассматривать как обычный ИИ‑продукт. Такие инструменты необходимо разрабатывать с учётом сертификации медицинских устройств с самого начала, потому что в здравоохранении внедрение возможно только при соблюдении тех же стандартов, что и у любого другого клинического инструмента.