Durante años, congelar óvulos fue también congelar una pregunta difícil de responder. Las pacientes salían de la clínica sabiendo cuántos ovocitos quedaban vitrificados, pero sin una idea clara de su “potencial real”. La conversación se apoyaba casi por completo en la edad y en estadísticas poblacionales: útiles, sí, pero poco personalizadas. Ese escenario empieza a cambiar con la entrada de la inteligencia artificial en la medicina reproductiva, no como promesa futurista, sino como una herramienta para medir mejor lo que hasta ahora se evaluaba con intuición.

El punto de partida era sorprendentemente frágil. Según explica el doctor Marcos Meseguer, Director Global de Investigación en Embriología, la valoración de un ovocito dependía de criterios morfológicos generales y, en buena medida, de la impresión del embriólogo: si el óvulo “parecía bonito o feo”. No había estándares cuantitativos sólidos ni un modelo capaz de estimar con cierta fiabilidad la competencia biológica del ovocito. En la práctica, la predicción era muy limitada.

La IA no llega a “ver” cosas invisibles ni a reemplazar pruebas genéticas. De hecho, como recuerda el propio especialista, el análisis genético no se realiza sobre el ovocito, sino sobre el embrión tras la fecundación. Lo que sí hace el aprendizaje profundo es convertir una imagen en datos medibles y comparables. Al entrenarse con miles de imágenes de ovocitos cuyos resultados clínicos posteriores se conocen —si formaron embrión, si llegaron a blastocisto—, el algoritmo aprende patrones asociados al éxito reproductivo y evalúa siempre los mismos parámetros de forma estandarizada.

Esa estandarización es clave: reduce la variabilidad entre observadores y transforma una valoración subjetiva en una evaluación objetiva y reproducible. En lugar de ofrecer solo una expectativa basada en la edad, la clínica puede incorporar una estimación probabilística apoyada en datos del propio ovocito. Importa subrayarlo: no se trata de “elegir” un ovocito ganador, porque en reproducción asistida se siguen utilizando todos los ovocitos maduros (metafase II). El cambio está en estratificar su potencial biológico y, sobre todo, en reducir incertidumbre en decisiones que suelen tener una carga emocional enorme.

En paralelo, la automatización también está entrando por otra puerta: la del laboratorio. The New York Times se hizo eco de un estudio publicado en Nature Medicine sobre un dispositivo de microfluidos llamado OvaReady, diseñado para recuperar óvulos que el método convencional no detectaba tras la aspiración folicular. En el trabajo, el dispositivo analizó líquido folicular que ya había sido revisado manualmente y encontró ovocitos adicionales en más de la mitad de las pacientes, ovocitos que iban a ser descartados. El dato más llamativo es que incluso se documentó el nacimiento de una niña a partir de uno de esos ovocitos recuperados.

Aun así, los expertos citados insisten en la cautela: hacen falta estudios más amplios para confirmar que esos óvulos extra aumentan de forma consistente la tasa de nacimientos vivos. Es decir, la tecnología apunta alto, pero todavía necesita consolidarse.

Con todo, la tendencia es clara. La medicina reproductiva se mueve hacia decisiones cada vez más basadas en datos: IA para medir con precisión parámetros como el diámetro ovocitario, el grosor de la zona pelúcida o características del citoplasma; y bioingeniería para estandarizar procesos y reducir la dependencia exclusiva del ojo humano. La edad seguirá siendo el factor pronóstico más determinante y ningún algoritmo puede prometer un embarazo futuro. Pero entre prometer y orientar hay un mundo. Y en fertilidad, disponer de información cuantificada, comparable y personalizada puede cambiar —de verdad— la conversación entre paciente y clínica.

El siguiente paso, según Meseguer, será mejorar progresivamente los protocolos de estimulación ovárica con modelos predictivos que integren datos clínicos, hormonales y respuestas previas. No tanto una “personalización absoluta”, sino una mejora continua en precisión. En términos económicos, estas herramientas pueden encarecer el proceso al principio, pero también podrían reducir ciclos fallidos y hacer el sistema más coste-efectivo a medio plazo.

La vitrificación seguirá siendo una apuesta con margen de incertidumbre. La diferencia es que, por primera vez, esa incertidumbre empieza a medirse mejor. Y en un terreno donde la probabilidad pesa tanto como la biología, esa precisión ya es un avance profundo.