هوش مصنوعی با ورود به حوزه درمان‌های باروری، افقی نو در بهبود نتایج و افزایش شانس بچه‌دار شدن زوج‌هایی که با چالش ناباروری مواجه‌اند، گشوده است. هزینه‌های بالای درمان و فشارهای روانی مرتبط با چرخه‌های ناموفق، لزوم به‌کارگیری راهکارهای کارآمدتر را بیش از پیش آشکار کرده است.

شخصی‌سازی پروتکل‌های دارویی

یکی از کاربردهای مهم AI در آی‌وی‌اف، طراحی پروتکل‌های تحریک تخمک‌گذاری به‌صورت فردی است. الگوریتم‌های یادگیری ماشین با تحلیل متغیرهای بیمار شامل سن، حجم ذخیره تخمدانی (AMH)، سابقه درمان و سطح هورمون‌ها، دوز و نوع داروی محرک (FSH) را پیشنهاد می‌کنند. مطالعات گزارش داده‌اند که پروتکل‌های بهینه‌شده با AI تا ۲۰٪ مصرف FSH را کاهش داده و در عین حال تعداد فولیکول‌های رشدیافته را حفظ می‌کنند که می‌تواند هزینه و عوارض ناشی از تحریک بیش‌ از حد را به حداقل برساند.

ارزیابی کیفیت گامت‌ها

بر اساس مطالعات منتشر شده در ساینس دایرکت هوش مصنوعی در تحلیل تصاویر اسپرم و تخمک نیز وارد شده است. الگوریتم‌های پردازش تصویر قادرند ویژگی‌های مورفولوژیک اسپرم (شکل سر، قطر دم) و تخمک (اندازه، سیتوپلاسم) را با دقت بالاتری نسبت به ارزیابی انسانی شناسایی کنند. به‌عنوان مثال، هوش مصنوعی در ارزیابی متحرک‌بودن و مورفولوژی اسپرم تا ۱۵٪ بهبود دقت داشته و تغییرپذیری بین اپراتورها را کاهش داده است. این دقت بیشتر می‌تواند منجر به انتخاب گامت‌های سالم‌تر و افزایش احتمال لقاح شود.

انتخاب جنین با تحلیل زمان-گذشته

Journal of IVF-Worldwis می‌گوید در مرحله جنین‌گزینی، سیستم‌های هوش مصنوعی با تحلیل تصاویر زمان‌گذشته (Time-Lapse Imaging) و داده‌های مورفولوژیک جنین، قابلیت زنده‌مانی و احتمال لانه‌گزینی جنین را پیش‌بینی می‌کنند. مطالعه‌ای در Fertility and Sterility (۲۰۲۱) نشان داد که یکی از ابزارهای پیشرفته، iDAScore است و با ترکیب یادگیری عمیق و پردازش تصویر توانسته تا ۶۰٪ انطباق با گزینش دستی جنین euploid را داشته باشد و در برخی مطالعات نرخ بارداری را تا ۱۲٪ افزایش دهد.

شناسایی اسپرم‌های نایاب با فناوری STAR

جدیدترین دستاورد بهداشتی-تحقیقاتی، فناوری STAR (Sperm Tracking and Recovery) است که در مرکز باروری دانشگاه کلمبیا توسعه یافته و با ترکیب هوش مصنوعی، تصویربرداری پرسرعت و روباتیک، در کمتر از یک ساعت از بین چندین میلیون تصویر، اسپرم‌های بسیار نادر را شناسایی می‌کند. این سیستم در یک گزارش منجر به کشف سه اسپرم در نمونه‌ای از مرد مبتلا به آزواسپرمی شد که قبلاً هیچ اسپرم قابل تشخیصی نداشت و منجر به لقاح و بارداری موفق پس از ۱۸ سال ناکامی گردید.

پیش‌بینی نتیجه چرخه‌های IVF

هوش مصنوعی با بهره‌گیری از الگوریتم‌های پیش‌بینی (Predictive Analytics) می‌تواند احتمال موفقیت یک چرخه IVF را بر اساس تاریخچه بیمار، مشخصات بیوشیمیایی خون و ویژگی‌های جنینی تخمین بزند.

در پژوهشی منتشرشده در Journal of Assisted Reproduction and Genetics (۲۰۲۲)، مدلی مبتنی بر هوش مصنوعی با دقت بیش از ۸۵٪ توانست نتیجه IVF را پیش‌بینی کند. این ابزار می‌تواند به زوج‌ها کمک کند تصمیم آگاهانه‌تری بگیرند.

بهینه‌سازی گردش‌کار آزمایشگاهی (Workflow Optimization)

بر اساس گزارش AI in IVF Clinics در Healthcare Analytics (۲۰۲۳)، اتوماسیون فعالیت‌های روزمره در آزمایشگاه‌های IVF با استفاده از هوش مصنوعی و اینترنت اشیاء (IoT) منجر به کاهش ۳۵٪ زمان پردازش، کاهش ۲۵٪ هزینه و افزایش ۱۲٪ نرخ بارداری شده است. این سیستم‌ها با پایش مداوم شاخص‌های عملکرد کلیدی (KPI) و ارائه هشدارهای به‌هنگام، کیفیت خدمات و سرعت انجام فرآیندها را بهبود می‌بخشند.

چت‌بات‌ها و پشتیبانی از بیماران

هوش مصنوعی فراتر از جنبه‌های فنی پزشکی نیز عمل می‌کند؛ چت‌بات‌های مبتنی بر هوش مصنوعی می‌توانند سؤالات بیماران را در هر ساعتی پاسخ دهند، وقت‌ ملاقات تنظیم کنند و اطلاعات آموزشی ارائه دهند که موجب کاهش استرس زوج‌ها و بهبود تجربه بیمار می‌شود.

در مطالعه‌ای از Frontiers in Digital Health (۲۰۲۲) نشان داده شد که استفاده از چت‌بات‌های AI سطح اضطراب بیماران را تا ۱۸٪ کاهش داده است.

ملاحظات اخلاقی و تنظیمی

با وجود منافع متعدد هوش مصنوعی نگرانی‌هایی در مورد حفظ حریم خصوصی داده‌ها، سوگیری الگوریتمی و تبعیض در دسترسی به فناوری وجود دارد. از سوی دیگر، بسیاری از ابزارهای هوش مصنوعی هنوز تحت آزمایش‌های کلینیکی کوچک و موردی‌اند و تا تأیید سازمان‌های نظارتی بزرگ مانند FDA یا CE-marked شدن، استفاده گسترده از آنها محدود است.

چشم‌انداز آینده و تحقیقات در حال توسعه

فناوری‌های نوظهور مانند تولید گامت‌های آزمایشگاهی (In Vitro Gametogenesis) که با تبدیل سلول‌های پوست یا خون به سلول‌های جنسی امیدهای جدیدی برای افراد با ناتوانی‌های ژنتیکی یا افراد پیر فراهم می‌کنند، تا ۵–۱۰ سال آینده وارد عرصه بالینی خواهند شد. شرکت‌هایی مثل Conception Biosciences و گروه‌های دانشگاهی در ژاپن و آمریکا در حال پیشرفت سریع در این زمینه‌اند، اما ایمنی ژنتیکی و مسائل اخلاقی همچنان چالش اصلی است.

در آخر باید گفت هوش مصنوعی با بهبود دقت تشخیص، شخصی‌سازی درمان، پیش‌بینی نتایج و اتوماسیون، پتانسیل قابل‌توجهی در افزایش باروری دارد. برای تحقق کامل این وعده‌ها، نیاز به مطالعات بزرگ‌مقیاس، استانداردسازی داده‌ها و چارچوب‌های نظارتی مؤثر است. توصیه می‌شود مراکز درمان ناباروری در ایران با همکاری متخصصان فناوری اطلاعات و زیست‌فناوری، سرمایه‌گذاری در زیرساخت‌های هوش مصنوعی و آموزش نیروی انسانی را در اولویت قرار دهند تا علاوه بر افزایش شانس فرزندآوری، مدیریت هزینه‌ها و رضایت بیماران نیز ارتقا یابد.