ΕΛΛΑΔΑ

Από την επιλογή του εμβρύου ως το ChatGPT: Τι να περιμένετε από το AI στην εξωσωματική

Από την επιλογή του εμβρύου ως το ChatGPT: Τι να περιμένετε από το AI στην εξωσωματική
Εικόνα δημιουργημένη με τεχνητή νοημοσύνη

Η τεχνητή νοημοσύνη έχει ήδη μπει στα εργαστήρια εξωσωματικής γονιμοποίησης, αλλά και στις αναζητήσεις όσων ψάχνουν απαντήσεις στο κινητό τους. Τα επιστημονικά δεδομένα δίνουν πιο συγκρατημένη εικόνα από αυτή που συχνά παρουσιάζεται.

*Του Χρήστου Βενέτη

Σε ορισμένα εργαστήρια εξωσωματικής, ένα πρόγραμμα υπολογιστή βαθμολογεί ήδη τα έμβρυα πριν από τη μεταφορά τους στη μήτρα. Και αρκετές γυναίκες, πριν φτάσουν στο ιατρείο, έχουν ρωτήσει ένα chatbot για τις πιθανότητές τους. Η υποβοηθούμενη αναπαραγωγή είναι από τους τομείς της ιατρικής όπου η τεχνητή νοημοσύνη (ΤΝ) έχει γεννήσει μεγάλες προσδοκίες.

Για τα ζευγάρια και τις γυναίκες που προσπαθούν να αποκτήσουν παιδί, όμως, το ουσιαστικό ερώτημα είναι αν όλα αυτά αυξάνουν τις πιθανότητές τους.

«Η τεχνητή νοημοσύνη πιθανότατα θα αλλάξει την εξωσωματική. Μέχρι σήμερα, όμως, έχει αλλάξει κυρίως τον τρόπο που δουλεύει το εργαστήριο. Δεν έχει αποδειχθεί ότι αυξάνει τις πιθανότητες εγκυμοσύνης», σημειώνει ο Χρήστος Βενέτης*, Αναπληρωτής Καθηγητής Μαιευτικής-Γυναικολογίας και Ανθρώπινης Αναπαραγωγής του ΑΠΘ.

Η επιλογή του εμβρύου μπήκε σε δοκιμασία

Το πεδίο όπου η ΤΝ έχει προχωρήσει περισσότερο είναι η επιλογή του εμβρύου που θα μεταφερθεί στη μήτρα. Σε πολλά σύγχρονα εργαστήρια, τα έμβρυα αναπτύσσονται σε ειδικούς κλιβάνους-επωαστήρες που τα φωτογραφίζουν σε τακτά χρονικά διαστήματα (time-lapse), χωρίς να χρειάζεται να βγουν από το προστατευμένο περιβάλλον τους. Από τις εικόνες αυτές, ένας αλγόριθμος, δηλαδή ένα πρόγραμμα που έχει «εκπαιδευτεί» σε μεγάλο αριθμό εικόνων εμβρύων, μπορεί να βαθμολογήσει κάθε έμβρυο και να υποδείξει ποιο έχει τις μεγαλύτερες πιθανότητες να οδηγήσει σε εγκυμοσύνη.

Το αν αυτό λειτουργεί στην πράξη εξετάστηκε σε μια μεγάλη τυχαιοποιημένη μελέτη που δημοσιεύθηκε το 2024 στο επιστημονικό περιοδικό Nature Medicine, με δεύτερο συγγραφέα τον Δρ Βενέτη. Ήταν η πρώτη δημοσιευμένη τυχαιοποιημένη μελέτη που συνέκρινε αλγόριθμο βαθιάς μάθησης (deep learning) με την συμβατική αξιολόγηση των εμβρυολόγων για την επιλογή του εμβρύου. Σε 14 κέντρα εξωσωματικής στην Αυστραλία και στην Ευρώπη, 1.066 γυναίκες κάτω των 42 ετών, με τουλάχιστον δύο βλαστοκύστεις (έμβρυα πέμπτης ημέρας), κατανεμήθηκαν με τυχαίο τρόπο σε δύο ομάδες. Στη μία ομάδα το έμβρυο που θα μεταφερόταν το επέλεγε ο αλγόριθμος και στην άλλη οι εμβρυολόγοι, με βάση την μορφολογία του. Τη μελέτη χρηματοδότησε η εταιρεία που ανέπτυξε τον αλγόριθμο.

Εγκυμοσύνη με παρουσία εμβρυϊκής καρδιακής λειτουργίας στο υπερηχογράφημα (κλινική κύηση) επιτεύχθηκε στο 46,5% των γυναικών όταν το έμβρυο το επέλεξε ο αλγόριθμος και στο 48,2% όταν το επέλεξαν οι εμβρυολόγοι. Τα ποσοστά γεννήσεων ήταν 39,8% και 43,5% αντίστοιχα, χωρίς στατιστικά σημαντική διαφορά. Σαφής διαφορά υπήρξε μόνο στον χρόνο της αξιολόγησης, που ήταν κατά μέσο όρο 21 δευτερόλεπτα με τον αλγόριθμο και περίπου τριάμισι λεπτά για τον εμβρυολόγο.

«Ο αλγόριθμος δούλεψε πολύ πιο γρήγορα και σε περίπου δύο από τις τρεις περιπτώσεις διάλεξε το ίδιο έμβρυο με τους εμβρυολόγους. Δεν οδήγησε όμως σε περισσότερες εγκυμοσύνες. Είναι άλλο πράγμα ένα εργαλείο να διευκολύνει τη δουλειά του εργαστηρίου και άλλο να αυξάνει τις πιθανότητες ενός ζευγαριού να αποκτήσει παιδί», εξηγεί ο Δρ Βενέτης.

Ο αλγόριθμος μπορεί να βάλει τα έμβρυα σε αξιολογική σειρά με την οποία θα μεταφερθούν, δεν μπορεί όμως να κάνει ένα έμβρυο καλύτερο από ό,τι είναι. «Αν ένα ζευγάρι έχει τρία έμβρυα και τελικά χρειαστεί να χρησιμοποιήσει και τα τρία, η σειρά με την οποία θα μεταφερθούν μπορεί, στην καλύτερη περίπτωση, να επηρεάσει το πόσο γρήγορα θα έρθει η εγκυμοσύνη, όχι το αν θα έρθει», προσθέτει.

Στο ίδιο πνεύμα είναι και οι συστάσεις καλής πρακτικής της Ευρωπαϊκής Εταιρείας Ανθρώπινης Αναπαραγωγής και Εμβρυολογίας (ESHRE) για τις λεγόμενες πρόσθετες παρεμβάσεις (add-ons). Η ESHRE αναγνωρίζει ότι η τεχνολογία time-lapse βοηθά στην τυποποίηση της αξιολόγησης και στον ποιοτικό έλεγχο του εργαστηρίου. Σημειώνει όμως ότι, με ή χωρίς λογισμικό επιλογής εμβρύων, δεν έχει αποδειχθεί ότι αυξάνει τις γεννήσεις ή ότι συντομεύει τον χρόνο μέχρι την εγκυμοσύνη, και δεν τη συνιστά για τον σκοπό αυτό. Κατά την ESHRE, οι χρήσεις αυτές στο εργαστήριο θα μπορούσαν να υιοθετηθούν για λόγους βελτίωσης του τρόπου λειτουργίας του εργαστηρίου, αλλά δε θα πρέπει να αυξάνουν επιπλέον κόστος για τους ασθενείς.

Στη διέγερση των ωοθηκών, τα πρώτα βήματα

Αλγόριθμοι αναπτύσσονται επίσης για να προτείνουν την αρχική δόση των φαρμάκων της διέγερσης, να υπολογίζουν την καταλληλότερη ημέρα για την ένεση τελικής ωρίμανσης των ωαρίων ή να μετρούν αυτόματα τα ωοθυλάκια στο υπερηχογράφημα. Οι περισσότερες σχετικές μελέτες, όμως, είναι αναδρομικές, αναλύουν δηλαδή δεδομένα από κύκλους που έχουν ήδη ολοκληρωθεί, συχνά σε ένα μόνο κέντρο.

Μια ανασκόπηση της βιβλιογραφίας που δημοσιεύθηκε το 2026 βρήκε μόλις πέντε μελέτες που αξιολόγησαν στην πράξη εργαλεία υποστήριξης αποφάσεων για τη δόση των φαρμάκων ή για τη χρονική στιγμή της ένεσης τελικής ωρίμανσης. Ορισμένα από αυτά συνδέθηκαν με περισσότερα ώριμα ωάρια ή με μικρότερη ποσότητα φαρμάκων. Καμία από τις μελέτες αυτές, ωστόσο, δεν έδειξε ότι οι αλγόριθμοι αυτοί οδηγούν σε περισσότερες εγκυμοσύνες ή γεννήσεις.

«Η ομάδα μας στο ΑΠΘ πραγματοποιεί συστηματική ανασκόπηση των μελετών για την αυτόματη μέτρηση των ωοθυλακίων στο υπερηχογράφημα παρακολούθησης γυναικών που υποβάλλονται σε εξωσωματική γονιμοποίηση. Το πρώτο ερώτημα είναι αν το λογισμικό μετρά όπως ο γιατρός. Το δεύτερο, και σημαντικότερο, είναι αν αυτό αλλάζει κάτι για τις πιθανότητες επιτυχίας της εξωσωματικής γονιμοποίησης», λέει ο Δρ Βενέτης.

Chatbots: χρήσιμα για να καταλάβετε, όχι για να αποφασίσετε

Σε πρόσφατη μελέτη που δημοσιεύθηκε στο περιοδικό Reproductive BioMedicine Online, δώδεκα κλινικά ερωτήματα από την καθημερινή πράξη τέθηκαν σε δύο έμπειρους ειδικούς γονιμότητας και σε δύο εργαλεία ΤΝ, το ChatGPT και το Gemini. Οκτώ διεθνώς αναγνωρισμένοι ειδικοί βαθμολόγησαν τις απαντήσεις χωρίς να γνωρίζουν από πού προέρχεται η καθεμία. Οι απαντήσεις των γιατρών βαθμολογήθηκαν σημαντικά υψηλότερα, ενώ τα δύο εργαλεία διέφεραν αισθητά και μεταξύ τους.

«Τα εργαλεία αυτά γράφουν με άνεση και σιγουριά, ακόμη και όταν κάνουν λάθος, και ο αναγνώστης δύσκολα μπορεί να το αντιληφθεί», σημειώνει ο Δρ Βενέτης. Η ομάδα του μελετά το ίδιο ερώτημα για την κατάψυξη ωαρίων, σε εργασία που βρίσκεται υπό κρίση σε διεθνές επιστημονικό περιοδικό.

Ένα chatbot μπορεί να βοηθήσει κάποιον να καταλάβει έναν όρο ή να ετοιμάσει τις ερωτήσεις του για το επόμενο ραντεβού. Δεν μπορεί, όμως, να εκτιμήσει το ιστορικό, τις εξετάσεις και τις προτεραιότητες κάθε ανθρώπου. Καλό είναι επίσης να μην ανεβάζει κανείς σε τέτοιες εφαρμογές εξετάσεις ή έγγραφα με προσωπικά δεδομένα υγείας.

Τι μπορεί και τι δεν μπορεί να κάνει σήμερα η τεχνητή νοημοσύνη

Με τα σημερινά δεδομένα, η ΤΝ μπορεί να κάνει την αξιολόγηση των εμβρύων πολύ ταχύτερη, ενώ η τεχνολογία time-lapse στην οποία βασίζεται βοηθά στην τυποποίηση της αξιολόγησης και στον ποιοτικό έλεγχο του εργαστηρίου. Στη διέγερση των ωοθηκών, ορισμένες πρώτες μελέτες συνδέουν εργαλεία υποστήριξης αποφάσεων με περισσότερα ώριμα ωάρια ή λιγότερα φάρμακα, χωρίς όμως σταθερά αποτελέσματα και χωρίς δεδομένα για εγκυμοσύνες. Για τους ασθενείς, η τεχνητή νοημοσύνη μπορεί ενδεχομένως να τους βοηθήσει να κατανοήσουν όρους και να οργανώσουν τις ερωτήσεις τους.

Δεν βελτιώνει, όμως, την ποιότητα των ωαρίων ή των εμβρύων, ούτε αντισταθμίζει την επίδραση της ηλικίας. Δεν έχει αποδειχθεί σε τυχαιοποιημένες μελέτες ότι αυξάνει τις πιθανότητες να γεννηθεί ένα παιδί. Ένας αλγόριθμος, εξάλλου, δεν λειτουργεί απαραίτητα το ίδιο καλά σε κάθε κέντρο, γιατί έχει εκπαιδευτεί σε συγκεκριμένα δεδομένα και συχνά σε συγκεκριμένο εξοπλισμό. Ο αλγόριθμος της μελέτης του Nature Medicine, για παράδειγμα, είχε αναπτυχθεί και δοκιμαστεί σε έναν μόνο τύπο κλιβάνου-επωαστήρα, ενώ η ESHRE επισημαίνει ότι οι αλγόριθμοι επιλογής εμβρύων φαίνεται να εξαρτώνται από το εργαστήριο. Και κανένα πρόγραμμα δεν αντικαθιστά την κλινική κρίση και τη συζήτηση με τον γιατρό.

Πριν πείτε «ναι» σε μια εφαρμογή τεχνητής νοημοσύνης

Αν σας προταθεί μια εξέταση ή μια παρέμβαση που βασίζεται στην ΤΝ, καλό είναι να ρωτήσετε:

• Υπάρχουν τυχαιοποιημένες μελέτες που δείχνουν ότι αυξάνει τις πιθανότητες να γεννηθεί παιδί, και όχι μόνο ότι «προβλέπει» καλύτερα;

• Έχει επιπλέον κόστος;

• Ποιος παίρνει την τελική απόφαση, ο αλγόριθμος ή ο γιατρός και ο εμβρυολόγος;

• Πού αποθηκεύονται τα δεδομένα μου και ποιος έχει πρόσβαση σε αυτά;

«Η τεχνητή νοημοσύνη είναι ένα εργαλείο με προοπτικές για τον γιατρό και τον εμβρυολόγο. Αν αποδειχθεί ότι αυξάνει τις πιθανότητες να γεννηθεί ένα παιδί, θα βρει τη θέση της στην καθημερινή πράξη. Ως τότε, όσοι υποβάλλονται σε θεραπεία χρειάζεται να ξέρουν τι μπορεί να κάνει και τι όχι», καταλήγει ο Δρ Βενέτης.

cvenetis-small.jpg

*Ο Χρήστος Βενέτης είναι Αναπληρωτής Καθηγητής Μαιευτικής-Γυναικολογίας και Ανθρώπινης Αναπαραγωγής στην Ιατρική Σχολή του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης. Εκπαιδεύτηκε στην Αναπαραγωγική Ιατρική στην Ελλάδα και στην Αυστραλία, όπου εργάστηκε για περίπου μία δεκαετία, και διατηρεί τη θέση του Visiting Senior Research Fellow στο Πανεπιστήμιο της Νέας Νότιας Ουαλίας (UNSW Sydney).

Είναι Συντονιστής της Ομάδας Ειδικού Ενδιαφέροντος για την Αναπαραγωγική Ενδοκρινολογία της ESHRE και μέλος της Συμβουλευτικής Επιτροπής Στατιστικής του επιστημονικού περιοδικού Human Reproduction. Έχει περισσότερες από 150 δημοσιεύσεις σε διεθνή επιστημονικά περιοδικά, με έμφαση στην εξωσωματική γονιμοποίηση, και έχει προσκληθεί να μιλήσει σε διεθνή συνέδρια για τις εφαρμογές της τεχνητής νοημοσύνης στην αναπαραγωγή.

INFO

Αδριανουπόλεως 8 & Επανωμής 26

55133, Καλαμαριά

2310 41 41 00

info@drvenetis.com

www.drvenetis.com

Πηγές

1. Illingworth PJ, Venetis C, Gardner DK, et al. Deep learning versus manual morphology-based embryo selection in IVF: a randomized, double-blind noninferiority trial. Nat Med. 2024;30:3114–3120.

2. ESHRE Add-ons Working Group, Lundin K, Bentzen JG, et al. Good practice recommendations on add-ons in reproductive medicine. Hum Reprod. 2023;38:2062–2104.

3. Lu RZY, Michael TJF, Smith V, et al. Clinical decision support models to optimize controlled ovarian hyperstimulation: a scoping review. Clin Transl Sci. 2026;19:e70742.

4. Deligeoroglou E, Makrakis G, Makrakis E. Artificial intelligence-assisted controlled ovarian stimulation in in vitro fertilization: a critical narrative review. Int J Gynaecol Obstet. 2026;175:1242–1249.

5. Alcalay I, Weissman A, Ganer Herman H, et al. Can artificial intelligence models provide reliable medical counselling to fertility patients? Reprod Biomed Online. 2026;52:105237.