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: un algoritmo decide qué día pedir cada analítica y ecografía en la criotransferencia en ciclo natural. En simulación, identificó bien la ovulación en el 92 % de los ciclos con 3,1 controles de media.
• La señal: un modelo lineal sencillo predijo la duración de punciones y transferencias mejor que los algoritmos complejos. Y un metaanálisis de autores españoles no encuentra más embarazos con la selección embrionaria por IA.
• Nos preguntaron: qué se puede delegar en la IA al responder las consultas de las pacientes, y qué no.
• La herramienta: séptima parada de la serie. Las tareas programadas de Claude, para que un trabajo repetitivo se haga solo cada semana.
El estudio de la semana ⚗️
Imagen conceptual generada con IA.
Un algoritmo identificó la ovulación en 9 de cada 10 ciclos naturales con menos controles. Falta saber si eso se traduce en más embarazos.
La criotransferencia en ciclo natural tiene un respaldo creciente, con menos complicaciones obstétricas que el ciclo artificial en varios estudios. Su punto débil es la agenda. Hay que citar a la paciente varias veces para encontrar el pico de LH, y cada centro lo resuelve con su propia rutina.
Un grupo israelí, junto con la empresa FertilAI, entrenó un sistema que toma esas decisiones: qué día vuelve la paciente, qué se le pide y cuándo ovuló (Sci Rep, 2026).
Puntos clave
• Aprendió de casi 4.000 ciclos de un solo centro. Fueron 3.975 criotransferencias en ciclo natural del Herzliya Medical Center, entre 2018 y 2024. Usó LH, estradiol, progesterona, tamaño del folículo dominante y grosor endometrial.
• Las etiquetas las puso otro modelo. Un primer algoritmo, entrenado con 399 ciclos que tres especialistas habían marcado por mayoría, decidió el día de ovulación de todos los demás. El sistema nuevo aprendió de esas etiquetas.
• Acierta el día clave. En 166 ciclos con ovulación documentada (rotura folicular y pico de LH en controles de días consecutivos), acertó la víspera de la ovulación en el 95,5 % de los casos y el mismo día en el 95,3 %.
• Pesaron sobre todo la LH y el cociente estradiol/progesterona. Ese cociente casi no se usa en la consulta diaria. Para un modelo, calcularlo no cuesta nada.
Simulación estadística: no se trató a pacientes con el algoritmo.
• El algoritmo completo se evaluó en simulación. En los registros, los días de control los habían elegido los médicos y casi nunca coincidían con los que proponía el sistema. Por eso los autores estimaron su rendimiento con una simulación estadística: 92,0 % de ovulaciones bien identificadas, 6,8 % mal identificadas y 1,2 % sin predicción posible porque el control llegó tarde.
• Con menos visitas. La simulación necesitó 3,1 controles por ciclo. En la práctica real del mismo centro se hacían, de media, unas 3,5 analíticas y 3,5 ecografías.
Práctica real del mismo centro, sin contar los controles basales.
• No mide embarazo. Un trabajo previo del mismo grupo encontró más embarazo clínico cuando la transferencia coincidía con el día que habría marcado el modelo (34,6 % frente a 25,9 %). Era retrospectivo, y esa diferencia no puede atribuirse al modelo.
• Intereses declarados. El estudio lo financió FertilAI y varios autores son accionistas o directivos de la empresa. El código del simulador es público.
Por qué nos importa
Muchos centros eligen el ciclo artificial porque es más fácil de organizar. Una herramienta que reduzca visitas y anticipe el día de transferencia podría acercar el ciclo natural a más pacientes.
El mismo grupo ya probó, en otro trabajo, una versión que propone desencadenar con hCG solo cuando la transferencia caería en un día sin actividad: lo sugirió en cerca del 40 % de los ciclos y dejó el resto en ciclo natural. Queda por saber si con este sistema nacen más niños, o los mismos con menos visitas. Las dos cosas serían un buen resultado, pero hay que medirlas.
Leer el estudio: Treatment management algorithm for natural frozen embryo transfer cycles using a real-time ovulation prediction machine learning model (Sci Rep, 2026)
Mi lectura
Hay un matiz que el estudio no resuelve. La mayoría de los ciclos que hoy llamamos naturales son, en realidad, ciclos naturales modificados. Desencadenamos con hCG cuando el endometrio supera los 7 o 7,5 mm con patrón trilaminar, con un folículo dominante en crecimiento. Con eso fijamos la ovulación y el día de transferencia sin perseguir el pico de LH.
En ese esquema, el algoritmo aporta menos, porque la hCG ya resuelve la agenda. Su terreno es el ciclo natural estricto, y la pregunta de cuándo merece la pena desencadenar y cuándo no. Los propios autores reconocen que no está claro cuál de los dos da mejores resultados: unos estudios no encuentran diferencias y otros favorecen el natural estricto.
También hay que leerlo por lo que es. Un solo centro, etiquetas puestas por otro modelo, rendimiento simulado y una empresa detrás. Antes de usarlo habría que comprobar si funciona con nuestras analíticas, nuestros puntos de corte y nuestras pacientes.
Y la decisión final sigue siendo médica. El algoritmo propone el día de la ovulación. El día de la transferencia, según el estadio del embrión y la historia de cada paciente, lo seguimos decidiendo nosotros.
En señales 🛰️
Predecir cuánto dura una punción: ganó el modelo más simple.
Una clínica coreana de alto volumen registró 763 procedimientos en 17 días, sobre todo punciones (58 %) y transferencias de congelados (26 %). Una regresión lineal predijo la duración con un error medio de 3,1 minutos. La media de los cinco últimos casos, que es lo que muchos centros hacen de forma intuitiva, se equivocaba en 3,4. XGBoost, el modelo más complejo que probaron, quedó peor que esa referencia. La ganancia fue de unos 15 segundos por procedimiento (BMC Med Res Methodol, 2026).
Por qué importa: antes de incorporar un algoritmo para organizar el quirófano o el laboratorio, hay que compararlo con la regla que ya usamos. A veces la mejora es real pero pequeña, y un modelo que se entiende vale más que uno opaco.
La selección embrionaria con IA, todavía sin más embarazos.
Un metaanálisis firmado por autores del Hospital Clínic, el Hospital del Mar y Fertty, en Barcelona, revisó diez estudios publicados hasta abril de 2024. Solo dos aportaban datos que se pudieran combinar: el riesgo relativo de embarazo clínico por transferencia fue de 0,99 (IC 95 % 0,87–1,12) frente a la morfología convencional. Los otros ocho mostraban AUC de 0,85 a 0,96 que no se tradujeron en mejores resultados por ciclo. El nacido vivo no se pudo agrupar (Eur J Obstet Gynecol Reprod Biol, 2026).
Por qué importa: un AUC alto dice cómo ordena un modelo. A la paciente le importa quedar embarazada. Es la misma distancia que separa al estudio de esta semana de un resultado clínico.
Nos preguntaron 🗒️
«¿Cómo puede ayudarnos la IA a responder antes y mejor las consultas de las pacientes, y a no perder el seguimiento?» Lo plantearon, con distintas palabras, una médica que gestiona un centro en Argentina, el director de un banco de semen en España, el director de un centro y una ginecóloga de un hospital público. Es el tema que más lectores nos han pedido.
Lo que dice la evidencia. La mayor parte del valor demostrado está en la bandeja de entrada: redactar borradores de respuesta y resumir información para que la revise un profesional. Una revisión publicada este año llega a esa conclusión y añade un matiz: los beneficios medidos son de proceso (tiempo, aceptación, calidad percibida), no resultados en pacientes (Commun Med, 2026).
Un dato cercano a nuestra especialidad. En Stanford probaron durante un año borradores de respuesta generados por IA dentro de la historia clínica electrónica, en consultas de pediatría y de obstetricia, una de ellas de reproducción. Los profesionales de obstetricia usaron el 18 % de los borradores. Los de pediatría usaron menos, el 13 %, y aun así refirieron menos carga de trabajo. La mayoría de los borradores no se envía tal cual: sirve como punto de partida (JAMIA Open, 2025).
Dónde no delegar. En una prueba estructurada, ChatGPT Health subestimó la urgencia en el 52 % de las emergencias de referencia y llegó a recomendar valoración en 24 o 48 horas (Nat Med, 2026). Una paciente que escribe con dolor abdominal y distensión días después de una punción no puede depender de un sistema así. Los mensajes con síntomas, los resultados y cualquier decisión clínica pasan siempre por una persona.
Por dónde empezar: tres usos de bajo riesgo
1. Preguntas administrativas frecuentes. Horarios, documentación, presupuestos, preparación de una prueba. Respuestas tipo aprobadas por el equipo, que la IA adapta y alguien revisa.
2. Clasificar los mensajes por tema. Para que lleguen antes a quien corresponde. La clasificación también se revisa.
3. Listas de pendientes. Qué consultas llevan más de 48 horas sin respuesta.
Antes de nada, los datos. El mensaje de una paciente es un dato de salud. Una cuenta personal de ChatGPT, Gemini o Claude no es el sitio para tratarlo. Hace falta una herramienta contratada por el centro, con contrato de encargo de tratamiento, o la función que ya traiga el software de historia clínica.
El marco normativo para usar IA en el centro lo repasamos en el [Número 3](https://news.reproducia.com/p/numero-3-icsi-elige-sola).
La herramienta de la semana 🛠️
¿Para qué te puede servir?
Tareas programadas de Claude, para que un trabajo repetitivo se haga solo. Una tarea programada es una instrucción que le das a Claude una vez y que se ejecuta sola con la frecuencia que elijas: cada hora, cada día, los días laborables, cada semana o cuando la lances a mano. Cada ejecución es una sesión nueva y el resultado queda guardado para que lo revises.
Dónde están. En la app de escritorio de Claude, para los planes de pago (Pro, Max, Team y Enterprise). En Team y Enterprise, el administrador decide si están disponibles. Se gestionan desde la sección «Scheduled» del menú lateral.
Cómo se crea una. Hay dos caminos. Desde «Scheduled», pulsas «+ New task» y rellenas nombre, descripción, la instrucción, la frecuencia y, si quieres, el modelo y la carpeta donde trabajará. O, dentro de cualquier tarea, escribes /schedule: Claude te hace unas preguntas, te muestra el nombre, la frecuencia y lo que hará, y la confirmas con «Schedule».
Un ejemplo para el centro, sin datos de pacientes. Ten una carpeta con los protocolos del centro y un documento con las respuestas frecuentes que el equipo ya aprobó. Programa una tarea semanal para el lunes por la mañana con esta instrucción:
Revisa la carpeta Protocolos. Si algún documento cambió desde la semana pasada, señala qué respuestas del documento de preguntas frecuentes quedaron desactualizadas y propone una redacción nueva para cada una. No envíes nada. Deja la propuesta en un documento nuevo.
El lunes encuentras el borrador hecho y solo tienes que revisarlo.
Qué puede usar. Lo mismo que una tarea normal: conectores como Google Drive, el correo o el calendario, y las skills y plugins que tengas instalados. Por eso es mejor empezar con permisos de solo lectura y con resultados en forma de borrador.
Cómo se gestiona. Desde «Scheduled» ves las próximas ejecuciones y el historial, editas la instrucción o la frecuencia, la pausas, la reanudas, la borras o la lanzas en el momento.
Límites y precauciones. Según el centro de ayuda de Claude (octubre de 2026), solo se ejecutan con el ordenador encendido y la app abierta. Si no, la ejecución se salta y se recupera cuando vuelves, con un aviso. Y la regla de siempre: ningún dato identificativo de pacientes en una cuenta que no esté cubierta por el contrato de tratamiento de datos de tu centro.
Para cerrar
¿Usaríamos un algoritmo así para volver al ciclo natural estricto, o la hCG ya nos resuelve el problema?
Las respuestas a este correo se leen todas.
El término de la semana 🏷️
Destilación de conocimiento.
Es entrenar un modelo «alumno» con las respuestas de otro modelo «maestro», en lugar de con etiquetas puestas por expertos. Permite aprovechar miles de casos sin que nadie los revise uno a uno.
Aparece en el estudio de esta semana: tres especialistas marcaron 399 ciclos, un primer modelo aprendió de ellos y etiquetó casi 4.000, y con esas etiquetas se entrenó el sistema que gestiona el ciclo.
La consecuencia práctica es que el alumno hereda los errores del maestro. Por eso pesa tanto la validación con ovulación documentada, que no depende de ninguno de los dos modelos.
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:
Moran E. et al., Scientific Reports 2026;16 — doi.org/10.1038/s41598-026-42921-1
Luz A. et al., Scientific Reports 2024;14:29451 — doi.org/10.1038/s41598-024-80356-8
Youngster M. et al., Reproductive BioMedicine Online 2025;52(1):105084 — doi.org/10.1016/j.rbmo.2025.105084
Oh S. et al., BMC Medical Research Methodology 2026;26:55 — doi.org/10.1186/s12874-026-02791-7
Yaghi S. et al., European Journal of Obstetrics & Gynecology and Reproductive Biology 2026;327:115495 — doi.org/10.1016/j.ejogrb.2026.115495
Christof M. et al., Communications Medicine 2026;6 — doi.org/10.1038/s43856-026-01823-z
Liang A.S. et al., JAMIA Open 2025;8(6):ooaf159 — doi.org/10.1093/jamiaopen/ooaf159
Ramaswamy A. et al., Nature Medicine 2026;32(5):1671–1675 — doi.org/10.1038/s41591-026-04297-7
Centro de ayuda de Claude — tareas programadas
Gráficos: elaboración de reproducIA con datos de Moran et al. 2026.
Referencias biomédicas localizadas a través de PubMed.