Los ciclos de FIV que se repiten sin llegar nunca al embarazo se conocen como fallo de implantación, y una de sus causas sospechadas es el propio movimiento sutil y constante del útero. Un equipo de la Universidad de Tokio construyó un modelo de IA que lee unos 18 segundos de ese movimiento, captado por resonancia magnética, y lo usa para predecir si habrá embarazo. La idea es convertir en número algo que los médicos juzgaban a ojo.

Cuando los buenos embriones no se implantan

La fecundación in vitro (FIV) ha dado esperanza a millones de parejas en todo el mundo, pero su tasa de éxito sigue siendo limitada. Japón es uno de los países que más usa esta tecnología: la Sociedad Japonesa de Obstetricia y Ginecología contabilizó 543.630 ciclos de tecnología de reproducción asistida (TRA) en 2022. Aun así, las tasas de éxito caen a alrededor del 25% en pacientes de poco más de cuarenta años.

El caso más frustrante es el fallo de implantación recurrente (FIR): se transfieren embriones que parecen sanos y viables, y el embarazo nunca llega. Es como plantar buena semilla en un suelo que, por razones que nadie logra precisar, la sigue rechazando.

Los científicos sospechan desde hace tiempo que el peristaltismo uterino, las contracciones sutiles y ondulantes que el útero realiza constantemente, desempeña un papel fundamental. Estas contracciones normalmente se atenúan durante la ventana de implantación; cuando siguen siendo excesivas o demasiado fuertes, pueden impedir físicamente que un embrión se asiente. Cuantificarlas ha sido lo difícil. Hasta ahora, la evaluación se reducía a que cada médico mirara el video de resonancia y se formara un juicio.

Comprimir el movimiento en una sola imagen

Investigadores de la Facultad de Medicina de la Universidad de Tokio y SIOS Technology Inc. se propusieron cambiar esto. Su estudio, publicado en Reproductive Medicine and Biology en marzo de 2026, analizó datos de 188 pacientes diagnosticadas con FIR.

El equipo utilizó cine MRI, un tipo de resonancia magnética que captura imágenes continuas y crea en la práctica un video del útero en movimiento. La innovación clave fue un método propio que convierte cuatro fotogramas consecutivos en escala de grises en una sola imagen RGB, condensando unos 18 segundos de movimiento uterino en una imagen compuesta. Equivale a una "firma de movimiento" del útero, en un solo fotograma que una red neuronal profunda (DNN) puede procesar con eficiencia.

Eso resolvió un problema práctico. Alimentar video sin procesar a un sistema de aprendizaje profundo exige enormes recursos de cómputo y muchos más datos de entrenamiento de los que dan 188 casos. Destilar la dimensión temporal en una sola imagen hizo viable el análisis a esa escala.

La salida de la DNN se resumió en cinco medidas estadísticas, que se combinaron con información clínica (como la edad) en un modelo de aprendizaje automático Random Forest para generar predicciones finales de embarazo.

Los números hablan por sí solos

El modelo integrado, que combina el análisis de cine MRI con datos clínicos, alcanzó un área bajo la curva ROC (AUC) de 0,835, con una precisión del 75,4%, una sensibilidad del 87,9% y una especificidad del 58,3%.

El modelo que utilizaba solo datos clínicos logró un AUC de apenas 0,617, con una precisión del 59,6%, una sensibilidad del 69,7% y una especificidad del 45,8%. Todas esas cifras mejoraron al añadir el movimiento uterino.

Para ponerlo en perspectiva: el modelo de IA que incorpora datos del movimiento uterino identificó correctamente a aproximadamente 88 de cada 100 pacientes que finalmente lograron quedar embarazadas. Agregar información sobre cómo se mueve realmente el útero transformó una herramienta de predicción marginalmente útil en una con genuino potencial clínico.

Por qué esto importa más allá del laboratorio

La importancia de esta investigación se extiende en varias direcciones.

Primero, objetiva lo que antes era subjetivo. La valoración del movimiento uterino siempre varió según la experiencia y la interpretación de cada médico. Este modelo aporta métricas estandarizadas y reproducibles, requisito para cualquier herramienta diagnóstica que aspire a usarse de forma amplia.

Segundo, desplaza la atención hacia el "lado receptor" de la implantación. La mayoría de las aplicaciones de IA en tratamientos de fertilidad se han centrado en evaluar la calidad del embrión. Esta investigación demuestra que comprender el "suelo" importa tanto como la "semilla", y que la función uterina puede cuantificarse e incorporarse en modelos predictivos.

Tercero, abre la puerta al tratamiento personalizado de fertilidad. Si el patrón de movimiento uterino de una paciente sugiere una menor probabilidad de éxito en la implantación, los médicos podrían intervenir antes de la transferencia, ya sea con fármacos que calmen las contracciones excesivas o ajustando con más precisión el momento del procedimiento.

Próximos pasos

El equipo de investigación planea probar el modelo con un conjunto de datos externo e independiente y sumar casos, para generalizarlo y afinar su rendimiento. El trabajo futuro busca incorporar otras patologías uterinas, como fibromas y adenomiosis, hacia una valoración más amplia de la salud uterina.

Las limitaciones son reales. Fue un estudio retrospectivo: el modelo se desarrolló y probó con datos históricos. Aún se necesitan ensayos prospectivos, en los que el modelo guíe decisiones de tratamiento en tiempo real. Además, la cine MRI no es un equipo estándar en la mayoría de las clínicas de fertilidad, lo que podría limitar su aplicación práctica a corto plazo.

Aun así, el enfoque apunta a una medicina reproductiva en la que las decisiones no dependan solo de la edad y el historial de la paciente, sino de cómo se comporta realmente su útero.

Eso importa especialmente en un país como Japón. En 2022 el gobierno incorporó los tratamientos de fertilidad al seguro público, y ese año nacieron 77.206 bebés mediante TRA, cerca de uno de cada diez nacimientos. Cuanta más gente pasa por tratamiento, más vale una herramienta capaz de explicar por qué falla la implantación.

¿Qué papel juega la IA en los tratamientos de fertilidad en tu país? ¿Cómo te sientes sobre el uso de la tecnología para predecir y mejorar los resultados del embarazo? ¡Nos encantaría conocer tu perspectiva!

Referencias