AI i fertilitetsvård: löften, bevis och klinisk verklighet

Världen går in i en ny demografisk era. Den globala fertilitetsgraden har fallit från cirka 4,9 barn per kvinna på 1950-talet till 2,3 idag, och FN förutspår att den kommer att fortsätta minska under hela detta århundrade. I Storbritannien är födelsetalen ännu lägre – 1,39 barn per kvinna i England och Wales år 2025. När sjunkande födelsetal, försenat föräldraskap och ökande infertilitet omformar reproduktivvården har fertilitet blivit ett av de snabbast växande områdena för HealthTech-investeringar. Investerare stödjer teknologier som lovar att göra det enklare att bli gravid, bättre förstå reproduktiv hälsa och navigera behandlingar mer effektivt. Den globala marknaden för assisterad reproduktionsteknik förväntas nå $33,4 miljarder år 2026. FemTech-marknaden, som inkluderar alla teknologier som används för att stödja kvinnors hälsa, var värd en uppskattning på $45,6 miljarder globalt år 2025 och beräknas mer än tredubbla till 2033. 

Artificiell intelligens har naturligt blivit en del av denna våg. Idag driver AI appar för cykelspårning, bärbara enheter, hemmatest för fertilitet och in vitro-fertilisering (IVF)-teknologier, och lovar allt mer personliga insikter i reproduktiv hälsa. När dessa verktyg blir mer sofistikerade skiftar samtalet dock från vad AI kan göra till hur mycket förtroende det bör förtjäna. Det förtroendet beror inte bara på kvaliteten på de rekommendationer den producerar, utan också på hur transparenta företagen är kring data bakom dem: vilka dataset som används för att träna systemen, hur representativa och tillförlitliga de är, och var deras begränsningar ligger för både kliniker och patienter. 

Digitala fertilitetsverktyg förändrar patientbeteende snabbare än den kliniska evidensen hinner ikapp

Bevisen för fertilitets-HealthTech är mer nyanserade än vad dess starkaste förespråkare eller hårdaste kritiker ofta påstår. En nyligen genomförd översikt av UCL forskare drar slutsatsen att digitala verktyg – från fertilitetsappar och bärbara enheter till hemmatest och telehälsa – kan förbättra fertilitetskunskap, stödja egenövervakning, utöka tillgången till vård och stärka kommunikationen mellan patienter och kliniker. När patienter blir mer involverade i att förstå och hantera sin egen reproduktiva hälsa blir AI i allt högre grad en del av samma resa. Enligt en 2026 KFF undersökning, har en av tre vuxna i USA redan använt en AI‑chattbot för hälsoinformation eller råd, och många vänder sig till den innan de talar med en vårdgivare. Det tyder på att AI blir mer än ett sökverktyg: den hjälper nu människor att tolka hälsoinformation innan kliniska beslut fattas.

Samtidigt menar forskarna att dessa fördelar beror på noggrannhet, klinisk validitet och integration i vårdvägar, och varnar för att många fertilitetsteknologier fortfarande når marknaden utan tillräckliga bevis för att deras förutsägelser är analytiskt robusta, kliniskt meningsfulla eller genuint gynnsamma för patienter. Utmaningen går bortom att AI gör misstag eller hallucinerar. Många fertilitetsteknologier når patienter innan det finns tillräckliga bevis för att deras förutsägelser är kliniskt meningsfulla eller faktiskt förbättrar resultat, vilket skapar en risk att förtroendet för teknologin överstiger den bakomliggande evidensen.

Det evidensgapet blir särskilt tydligt när AI går från att förklara grundläggande reproduktionsbiologi till att stödja fertilitetsbeslut. Forskare som jämförde ChatGPT, Gemini, Copilot och Perplexity över 37 fertilitetsfrågor fann att modellerna i allmänhet var pålitliga på ämnen som menstruationscykeln och befruktning, men blev mycket mindre konsekventa när de svarade på frågor om IVF, äggfrysning och andra assisterade reproduktionstekniker.

Förklaringen är förvånansvärt praktisk snarare än enbart teknisk. Grundläggande fertilitetskoncept stöds av årtionden av väl etablerad evidens, medan assisterade reproduktionstekniker utvecklas mycket snabbare. Som författarna påpekar kan även modeller som citerar vetenskapliga artiklar överbetona sällsynta tillstånd eller föråldrade fynd, och ge självsäkra svar som inte är representativa för den bredare patientpopulationen.

Allteftersom healthtech-enheter och AI-verktyg i allt högre grad formar hur människor tolkar symptom, förstår testresultat och närmar sig behandlingsbeslut innan de går in i kliniken, blir kraven på evidens, transparens och regulatorisk tillsyn mycket högre.

Där AI kan göra den största skillnaden inom fertilitetsvård

Medan konsumentappar för fertilitet, bärbara enheter och hemmatest fortsätter att utvecklas, förändrar AI även den kliniska sidan av reproduktionsmedicin. Istället för att ersätta specialister fokuserar den mest lovande forskningen på att hjälpa embryologer, fertilitetsläkare och laboratorieteam att fatta mer informerade beslut.

En av de mest etablerade områdena för AI-forskning inom fertilitet är embryobedömning under IVF. Genom att analysera tusentals tidsförloppsbilder av embryots utveckling har maskininlärningsmodeller visat imponerande resultat i att förutsäga embryots livskraft och förblir en av fältets mest lovande tillämpningar. Samtidigt Nature Medicine trial visade att stark prestanda på retrospektiva datamängder inte automatiskt leder till bättre kliniska resultat, vilket får forskarna att höja ribban för validering. More recent work har förflyttat fokus ännu längre, med betoning på klinisk utvärdering i verkliga miljöer som nästa kritiska steg innan dessa system kan tas i bred användning i praktiken.

En annan lovande inriktning är att förutsäga ovarialt svar före IVF. Forskare använder AI för att kombinera kliniska indikatorer såsom ålder, anti-Mülleriskt hormon (AMH)-nivåer och antrala follikeltal för att uppskatta hur en patient sannolikt kommer att svara på ovarial stimulering innan behandlingen påbörjas. Recent studies tyder på att dessa modeller kan förbättra behandlingsplanering och hjälpa till att identifiera patienter som kan ha nytta av tidigare ingripande eller en mer personlig stimuleringsstrategi, även om bredare klinisk validering fortfarande är ett viktigt nästa steg.

Mognaden hos dessa teknologier varierar avsevärt. Vissa AI-verktyg hjälper redan kliniker i IVF‑laboratorier idag, medan andra fortfarande går från lovande universitetsforskning till klinisk validering. Den distinktionen är viktig eftersom den speglar en bredare förändring inom fertilitetsvården: den största kortsiktiga effekten kommer i allt högre grad från AI‑system som stödjer kliniska arbetsflöden snarare än att ersätta kliniskt omdöme.

Från AI‑genombrott till att förbättra den dagliga patientvården

Det är ingen hemlighet att det främsta företag förväntar sig av AI-verktyg är kostnadsreducering. Och fertilitetsbranschen är inget undantag – IVF kan vara en kostsam procedur. Det är därför kliniker och andra företag söker sätt att sänka kostnaderna och göra behandlingen tillgänglig för så många som möjligt.

Vi kan inte göra IVF och fertilitetsbehandling i allmänhet enklare eftersom den biologiska sidan är komplicerad. Vad vi kan förenkla är patientresan och det kliniska arbetsflödet. Därför vände vi oss till AI för att minska den tid våra läkare lägger på att förbereda ärenden – en av de mest värdefulla resurserna inom fertilitetsvården.

Enligt mig skulle det mest användbara verktyget idag vara ett AI‑system som är utformat för att analysera en patients fullständiga kliniska historia, tidigare behandlingar och laboratorieresultat, och sedan organisera den informationen i ett strukturerat ärende. Till exempel kan det ge läkare ett förslag på medicindos baserat på blodprovresultat. Det kliniska beslutet ligger helt hos läkaren; AI minskar bara den tid som läggs på förberedelserna.

På Plan Your Baby arbetar vi nu med branschpartners för att bygga ett sådant system. I vår vision måste det tränas på anonymiserade data som samlats in under år av fertilitetsvård, eftersom kvaliteten på en AI‑produkt inom medicin beror lika mycket på den kliniska kontexten bakom data som på själva modellen. Varje journal avidentifieras innan den används för utveckling, vilket gör att systemet kan lära sig av verklig vård samtidigt som patientens integritet skyddas.

Det är också viktigt att understryka att eftersom denna teknik kommer att bli en del av det kliniska arbetsflödet, kan den inte behandlas som en konventionell AI‑produkt. Sådana verktyg måste byggas med medicinteknisk certifiering i åtanke från början, eftersom implementering inom vården endast är möjlig om tekniken kan uppfylla samma standarder som förväntas av alla andra kliniska verktyg.