Esto es reproducIA. Cada lunes, una lectura corta de la IA que está entrando en la medicina reproductiva y en la salud: un estudio explicado con su diseño y sus límites a la vista, dos o tres señales del sector y una función concreta de una herramienta que puedas usar esta misma semana.
Lectura rápida: titulares, cifras y gráficos. El texto, para profundizar.
En 30 segundos ⏱️
• El estudio: el algoritmo de temperatura de muñeca del Apple Watch, validado contra LH urinaria en 889 ciclos, en un estudio que financió Apple.
• La señal: un metaanálisis independiente de 27 estudios pone esas cifras en contexto, y Natural Cycles suma su sexta autorización de la FDA.
• La herramienta: segunda parada de la serie. Hoy, el Deep Research de Perplexity, para armar un estado del arte con fuentes en pocos minutos.
El estudio de la semana ⚗️
Imagen conceptual generada con IA.
El reloj que ubica la ovulación a ± 2 días en unos 7 de cada 10 ciclos. Lo midió un estudio que pagó Apple.
Ciclos ya terminados con señal térmica de al menos 0,2 °C. Ovulación de referencia: test urinario de LH.
Lo publicaron en Human Reproduction (marzo de 2025) investigadores de Apple, del NIEHS de los NIH y de la Escuela de Salud Pública de Harvard. Es una cohorte prospectiva: 260 participantes aportaron 889 ciclos analizables, con la ovulación fechada por LH urinaria diaria.
Puntos clave
• Estima hacia atrás, no anticipa. Con el ciclo ya terminado, el algoritmo propone un día de ovulación en el 80,8 % de los ciclos con señal térmica suficiente. De esas estimaciones, el 89,0 % cae a ± 2 días de la LH, con un error medio de 1,22 días.
• Tres algoritmos, tres preguntas. Uno fecha la ovulación con el ciclo en curso, otro con el ciclo terminado y un tercero predice la próxima regla.
• En ciclos atípicos rinde menos. Con ciclos de menos de 23 o más de 35 días, el algoritmo del ciclo en curso estima en el 77,7 % de los casos y el error medio sube a 1,71 días. Con ciclos típicos: 81,9 % y 1,53 días.
• Conflicto de interés declarado. Cinco de los diez autores trabajan en Apple y tienen acciones de la compañía. Los propios autores advierten que la estimación retrospectiva no debería usarse de forma aislada.
Por qué nos importa
Es un estudio bien diseñado y patrocinado por quien vende el producto. Cohorte prospectiva, comparador clínico real y una revista exigente. Eso no invalida el resultado, pero obliga a la pregunta de siempre ante un estudio de la industria: ¿qué dice la evidencia independiente? Para cualquier wearable sirven tres preguntas rápidas: quién lo financió, contra qué se comparó y de dónde salió la muestra.
Leer el estudio: Performance of algorithms using wrist temperature for ovulation estimate (Human Reproduction, 2025)
En señales 🛰️
Un metaanálisis independiente pone las cifras en contexto.
Investigadores de Hong Kong y de China continental reunieron 27 estudios sobre ¨dispositivos vestibles¨, 13 de ellos de seguimiento de la ovulación (NPJ Digital Medicine, enero de 2026). La mejor detección se dio en los tres días que rodean a la ovulación.
El punto marca el valor agrupado; la barra, su intervalo de confianza del 95 %, que mide la imprecisión de la estimación, no la dispersión entre dispositivos.
Por qué importa: una exactitud de 0,88 no equivale a un buen rendimiento: sensibilidad y especificidad rondan 0,80, y esta última va de 0,60 a 1,00. Ese rango habla de dispositivos muy desiguales.
Natural Cycles suma su sexta autorización de la FDA.
La recibió el 28 de julio de 2026, para un algoritmo que ahora incorpora aprendizaje automático entrenado con datos reales y maneja mejor los ciclos irregulares. Las cifras que suele citar la empresa (98 % con uso perfecto, 93 % con uso típico) son de eficacia anticonceptiva, no de precisión para fechar la ovulación.
Por qué importa: la vía regulatoria existe y se está usando. El debate ya no es si se aprueba, sino con qué evidencia y para qué indicación.
La herramienta de la semana 🛠️
¿Para qué te puede servir?
Segunda parada de la serie sobre funciones concretas de IA generalista. Como el estudio de esta semana pide contrastarse con la evidencia independiente, toca una función pensada justo para eso.
Deep Research de Perplexity: un estado del arte con fuentes, en minutos.
Se activa desde el buscador. Entra en perplexity.ai (o en la app del móvil o de Mac) y elige Research en el selector de modo del cuadro de búsqueda. La versión gratuita permite pocas consultas de este tipo; con Pro, el cupo es mucho mayor.
Formula una pregunta acotada. Por ejemplo: "Estado actual de la validación clínica de los wearables de fertilidad frente a LH urinaria o ecografía, 2020-2026, con diseño, tamaño muestral y financiación de cada estudio". Cuanto más precisa la pregunta, menos relleno en el informe.
Deja que trabaje unos minutos. Hace decenas de búsquedas, lee cientos de fuentes y ajusta qué investigar según lo que va encontrando. El resultado es un informe estructurado, con cada afirmación ligada a su fuente.
Revisa las citas antes de usar nada. Abre las que sostienen los datos clave: a veces la cita apunta a una nota de prensa y no al paper. Si un estudio importa, se va al original.
Guárdalo o compártelo. El informe se exporta a PDF o a documento, o se convierte en una Página de Perplexity para enviarla a un colega. Puedes seguir preguntando sobre el mismo informe en el hilo.
Dos precauciones. No reemplaza la lectura crítica del paper: ahorra el rastreo inicial, nada más. Y en una cuenta personal, nada de datos identificables de pacientes.
Mi lectura
El algoritmo estima hacia atrás cuándo ocurrió la ovulación; no anticipa la ventana fértil ni sirve como anticonceptivo. Para una paciente que llega preguntando por qué su reloj le marcó un día distinto al del test de LH, esa distinción es toda la conversación. Antes de discutir exactitud, la pregunta útil es qué está midiendo el dispositivo.
Para cerrar
Conviene ser honestos: muchas veces agregarle "IA" a algo es solo vender humo.
Una pregunta para la próxima consulta con una paciente que llega con su anillo o su reloj: no si el dispositivo "funciona", sino para qué pregunta concreta funciona. Evitar un embarazo con un margen de varios días es una cosa; programar con precisión un tratamiento de reproducción asistida es otra, y ningún wearable de consumo está diseñado hoy para la segunda.
Las respuestas a este correo se leen todas.
El término de la semana 🏷️
Caja negra.
Un modelo cuyo funcionamiento interno no puede inspeccionarse desde fuera. Puede pasar por dos motivos distintos: que el fabricante no publique el algoritmo, o que el tipo de modelo haga difícil interpretar cada decisión aun con el código delante.
El algoritmo de muñeca de Apple es sobre todo el primer caso: se puede medir si acierta, no auditar cómo decide.
Por eso, en cualquiera de los dos casos, la validación externa es el control que queda.
Si esto te resultó útil, reenvíalo a un colega. Y si te lo reenviaron, puedes sumarte aquí.
Hasta el próximo lunes,
Dr. Guillermo Terrado — Experto en Medicina Reproductiva y Divulgador de IA en Salud.
Instagram · X · Threads · LinkedIn · [email protected]
¿Qué te pareció este número? 🟢 Muy bueno · 🟡 Va bien · 🔴 Flojo
Transparencia (Art. 50 del Reglamento Europeo de IA): contenido elaborado con asistencia de IA y publicado bajo revisión y corrección humanas.
Fuentes:
Wang Y. et al., Human Reproduction 2025 — doi.org/10.1093/humrep/deaf005
Shi Y. et al., NPJ Digital Medicine 2026 — doi.org/10.1038/s41746-025-02320-8
"Natural Cycles Receives Sixth FDA Clearance for AI-Powered Fertility Algorithm." Femtech Insider, 28 jul 2026 — femtechinsider.com/natural-cycles-receives-sixth-fda-clearance-for-ai-powered-fertility-algorithm/
Gráficos: elaboración de reproducIA con datos de Wang et al. 2025 y Shi et al. 2026.