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: una plataforma de IA cuenta y mide folículos en la ecografía de estimulación con una precisión cercana a la de tres expertos en los de 10 mm o más. Con los pequeños rinde peor, como también les cuesta a los expertos.
• La señal: una revisión de alcance encuentra solo cinco estudios sobre herramientas que ajustan la dosis de gonadotropinas o el momento del desencadenante, y ninguno mide embarazo.
• Nos preguntaron: qué sabemos de los escribas clínicos antes de ponerlos en una primera visita.
• La herramienta: sexta parada de la serie. Los Artifacts de Claude, para convertir una idea en una mini-herramienta interactiva sin programar.
El estudio de la semana ⚗️
Este modelo ya mide bien los folículos de 10 mm o más. Los pequeños, los del recuento antral, siguen siendo el reto.
Medir folículos es una de las tareas más repetidas de la estimulación. Un equipo de la empresa polaca MIM Fertility, con clínicas de Polonia, Argentina, Colombia y Estados Unidos, entrenó un modelo de aprendizaje profundo que localiza, cuenta y mide cada folículo en los vídeos de ecografía transvaginal, sin que nadie marque antes el ovario (J Assist Reprod Genet, 2026).
Trabajaron con 5.508 ecografías de 1.689 pacientes, hechas en equipos GE, Samsung y Mindray. Para tener una referencia sólida, tres expertos en ecografía de FIV, con entre 7 y 9 años de experiencia profesional, marcaron por separado 102 ecografías de 27 pacientes y después acordaron, folículo por folículo, cuáles había. Nadie vio la respuesta del modelo durante ese consenso.
Recall frente al consenso de tres expertos, no resultados clínicos.
Puntos clave
• En los folículos de 10 mm o más, rinde como un experto. De cada 100 que marca, 98 son folículos de verdad, y encuentra 89 de cada 100 de los que había. Es el grupo de tamaños que el estudio utiliza para evaluar el seguimiento durante la estimulación.
• Con los pequeños, el recuento baja. Si se incluyen también los menores de 10 mm, encuentra 69 de cada 100 folículos del total. El artículo no da una cifra aislada para los pequeños, pero el rendimiento baja en ese grupo, el del recuento de folículos antrales que usamos para estimar la reserva y elegir la dosis.
• Mide el diámetro igual que los expertos entre sí. La diferencia absoluta media entre el modelo y los expertos fue de 0,74 mm; entre dos expertos, de 0,83 mm.
• Ahorra tiempo. Marcar un ovario a mano llevó unos 3 minutos y 40 segundos. Revisar lo que propone el modelo fue al menos 2,5 veces más rápido, y 2,2 veces si se suman los 20 segundos de procesamiento.
• En la práctica real se corrigió poco. En 904 ecografías de 269 pacientes, con el sistema integrado en la consulta, los ecografistas hicieron 0,54 correcciones por ecografía y tocaron el 3,6 % de los folículos. Casi la mitad de esas correcciones fueron en folículos menores de 10 mm.
Los ecografistas veían primero la propuesta del modelo.
Por qué nos importa
El estudio mide si el modelo ve lo mismo que los expertos. Pero no mide si las pacientes acaban mejor. No hay datos de ovocitos, de momento del desencadenante ni de embarazo.
Los resultados apoyan su potencial como ayuda al seguimiento; todavía falta demostrar su impacto en las decisiones y los resultados clínicos.
Mi lectura
El estudio tiene un diseño más cuidadoso que la media: tres expertos que no veían al modelo, varios equipos de ecografía y una cohorte prospectiva integrada en la consulta. Aun así, hay tres cosas que conviene tener en cuenta.
La primera es quién lo firma. La mayoría de los autores trabaja en la empresa que desarrolla la plataforma. No invalida los datos, pero obliga a esperar una validación independiente.
La segunda es la comparación con los informes clínicos rutinarios, que salen peor que el modelo en el recuento antral. Esos informes se escribieron en la consulta, para decidir el tratamiento. Las anotaciones del estudio buscaban marcar todos los folículos, con tiempo y por triplicado. Comparar las dos cosas favorece al algoritmo.
La tercera es la cifra de 0,54 correcciones por ecografía. Se midió con ecografistas que veían primero la propuesta del modelo. Pocas correcciones pueden significar que el modelo acierta, o que quien revisa tiende a aceptar lo que ya está marcado. Con este diseño no se pueden separar las dos explicaciones.
En señales 🛰️
Del recuento a la dosis: todavía sin datos de embarazo.
Una revisión de alcance de la Universidad de Sídney buscó herramientas de apoyo a la decisión para ajustar la dosis de gonadotropinas o el momento del desencadenante. La búsqueda llegó hasta marzo de 2026, y de 2.879 registros quedaron cinco estudios. El de dosificación personalizada se asoció con 1,5 ovocitos maduros más y 195 UI menos de gonadotropinas que la dosis decidida por el clínico; un modelo de desencadenante se asoció con 2,5 ovocitos maduros más. Ninguno informa embarazo (Clin Transl Sci, octubre de 2026).
Por qué importa: medir folículos con IA es el primer paso hacia ajustar la estimulación con IA, y ese segundo paso todavía se evalúa con ovocitos, no con niños nacidos.
Decidir antes un ICSI de rescate.
Un grupo de Tokio entrenó una red neuronal con vídeos de time-lapse tomados entre 4,5 y 8 horas después de una inseminación corta para predecir qué ovocitos no se fecundaron. En un test de 91 embriones superó a cinco embriólogos senior: acertó el 88 % frente al 80 %, y su valor predictivo negativo fue de 0,80 frente a 0,56. Es un estudio retrospectivo de un solo centro y los autores piden validación prospectiva multicéntrica (F&S Science, 16 de octubre de 2026).
Por qué importa: la comparación con embriólogos es un buen punto de partida, pero 91 embriones de una clínica no alcanzan para cambiar un protocolo.
Nos preguntaron 🗒️
Cuatro lectores, entre ellos dos ginecólogas de reproducción y un oftalmólogo, pidieron hablar de los escribas clínicos: programas que escuchan la consulta y redactan la nota de la historia clínica. Lo que más se repite en sus mensajes es la primera visita, larga y llena de antecedentes, y la duda sobre la confidencialidad.
Ya hay ensayos aleatorizados, y los resultados son más modestos que la publicidad. En la Universidad de California en Los Ángeles se asignó al azar a 238 médicos de 14 especialidades a uno de dos escribas o a seguir como siempre. Con uno de ellos el tiempo dedicado a escribir notas bajó un 9,5 %; con el otro no cambió de forma significativa. En una encuesta, los médicos dijeron haber visto errores clínicamente relevantes «ocasionalmente» con los dos (NEJM AI, 2025). En la Universidad de Wisconsin, con 66 profesionales, el escriba redujo el agotamiento y unos 20 minutos diarios de escritura, sin empeorar la calidad de las notas (NEJM AI, 2025). En Duke, dos productos comparados en los mismos 160 clínicos dieron resultados distintos (JAMIA, 2026).
Lo que esos estudios no responden. Son de Estados Unidos, en inglés y sobre todo en consulta general. Los estudios citados no evalúan específicamente primeras visitas de reproducción asistida en español. Además, cada producto rinde distinto.
Antes de probar un escriba clínico: tres preguntas
1. ¿Adónde va el audio? Dónde se procesa, si se guarda o se borra, y si hay contrato de encargado del tratamiento (art. 28 del RGPD). La paciente tiene que saber que se graba.
2. ¿Quién firma? El escriba propone; la nota es del médico que la revisa. Conviene revisar con especial cuidado fármacos, dosis, fechas y antecedentes.
3. ¿Cómo sabremos si sirve? Medir antes y después el tiempo de documentación, los errores detectados en la revisión y la opinión de las pacientes. Sin esa medida, no hay forma de saber si el escriba ayuda o solo resulta cómodo.
El marco normativo para usar IA en el centro lo repasamos en el Número 3.
La herramienta de la semana 🛠️
¿Para qué te puede servir?
Artifacts de Claude, para crear una mini-herramienta interactiva describiéndola con palabras. Un artifact es un resultado que Claude construye y muestra en un panel al lado del chat: un documento, una tabla, una presentación o una pequeña aplicación que se puede usar, modificar y compartir. No hace falta saber programar.
Dónde se abre. Entra en claude.ai y comprueba en Configuración → Capacidades que está activada la opción de ejecución de código y creación de archivos. Funciona también en el plan gratuito.
Cómo se pide. Describe la herramienta como se la describirías a un colega que programa: qué datos entran, qué debe mostrar y para quién es. Por ejemplo, un foliculograma educativo para explicar la estimulación en la consulta:
Crea una herramienta interactiva para explicar a una paciente cómo evoluciona una estimulación ovárica. Que permita introducir, para cada día de control, el número de folículos por rangos de tamaño (menos de 10 mm, 10–14, 15–17, 18 o más) y muestre un gráfico de barras por día. Añade una línea de texto que explique en lenguaje sencillo qué significa cada rango. Usa datos inventados de ejemplo, colores suaves y que se vea bien en el móvil.
Maqueta ilustrativa con datos inventados.
Cómo se corrige. Si algo no gusta, se pide en el mismo chat: «cambia el gráfico a líneas», «agrega el estradiol de cada día», «traduce las etiquetas al italiano». Claude rehace el artifact y conserva las versiones anteriores. Lo creado queda guardado en la pestaña Artifacts de la barra lateral.
Cómo se comparte. Desde el botón Compartir se obtiene un enlace. Para abrir los artifacts nuevos hace falta una cuenta de Claude; solo los antiguos, publicados desde un chat, se abren sin cuenta. En Pro y Max se comparten con quien tenga el enlace o por invitación. En Team y Enterprise quedan dentro de la organización, salvo que un administrador permita el acceso externo.
Límites y precauciones. Nunca introduzcas datos reales de pacientes: quien tenga acceso al enlace puede verlo, y en Team y Enterprise compartirlo da acceso también a los archivos del chat que lo originó. Comprueba cualquier cálculo antes de usarlo en consulta. Y recuerda que es material educativo, no un dispositivo médico.
Para cerrar
Si el ecógrafo marcara solo los folículos y tu tarea fuera revisar, ¿mirarías la imagen con la misma atención que hoy?
Las respuestas a este correo se leen todas.
El término de la semana 🏷️
Sesgo de automatización.
Es la tendencia a dar por buena la propuesta de un sistema automático y a revisarla con menos atención de la que se pondría en hacer la tarea desde cero.
Aparece en este número porque la cohorte prospectiva midió cuántas veces los ecografistas corrigieron al modelo, y lo hicieron viendo primero su propuesta. El mismo riesgo existe con un escriba clínico que entrega la nota ya escrita.
En la práctica, revisar sirve si se revisa de verdad. Conviene decidir de antemano qué se comprueba siempre, como los folículos pequeños o las dosis en una nota, y auditar de vez en cuando casos completos sin la propuesta de la máquina.
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]
Un pedido rápido: para que reproducIA no termine en spam ni en Promociones, agrega [email protected] a tus contactos. Si alguna vez lo encuentras en spam, márcalo como «No es spam».
¿Qué te pareció este número? Responde a este correo con un color: 🟢 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:
Wygocki P. et al., Journal of Assisted Reproduction and Genetics 2026;43:715–729 — doi.org/10.1007/s10815-025-03777-y
Lu R.Z.Y. et al., Clinical and Translational Science 2026;19(10):e70742 — doi.org/10.1111/cts.70742
Saito M. et al., F&S Science 2026 — doi.org/10.1016/j.xfss.2026.10.004
Lukac P.J. et al., NEJM AI 2025;2(12) — doi.org/10.1056/aioa2501000
Afshar M. et al., NEJM AI 2025;2(12) — doi.org/10.1056/aioa2500945
Chowdhury A. et al., Journal of the American Medical Informatics Association 2026;33(5):990–999 — doi.org/10.1093/jamia/ocag018
Centro de ayuda de Claude — qué son los artifacts · publicar y compartir
Gráficos: elaboración de reproducIA con datos de Wygocki et al. 2026. Animación de la herramienta: maqueta con datos inventados.
Referencias biomédicas localizadas a través de PubMed.