Los puntos clave de la conversación incluyen:
Subjetividad en la evaluación de ovocitos: Se menciona que la evaluación de la calidad ovocitaria solía basarse en criterios subjetivos de biólogos y médicos, lo que resultaba en clasificaciones poco precisas [01:17].
Aplicación del Deep Learning: Isabel explica que el «deep learning» permite a un modelo aprender a identificar patrones en miles de imágenes de ovocitos para predecir su potencial de desarrollo a blastocisto. Este modelo se entrena con datos de diversas clínicas para asegurar su generalización [02:07], [05:10].
Grado de certeza: El modelo actual tiene un «área bajo la curva» (AUC) de 0.69, lo que representa una mejora del 20% en comparación con la evaluación humana [10:00].
Aplicaciones prácticas:
Vitrificación social: Es útil para pacientes jóvenes que congelan sus óvulos, proporcionando una valoración objetiva para gestionar expectativas y planificar tratamientos [16:04].
Bancos de óvulos: Permite a los bancos evaluar la calidad de los óvulos de donantes para asegurar consistencia y alta calidad [18:00].
Diagnóstico de fallos de ciclo: Ayuda a identificar si la mala calidad ovocitaria es la causa de un ciclo fallido [22:11].
Cultivo en grupo: Facilita la agrupación de ovocitos de mayor puntuación para el cultivo [24:05].
Predicción de euploidía: Las puntuaciones de calidad ovocitaria se correlacionan con una mayor probabilidad de euploidía en el blastocisto [23:18].
Reacción de los pacientes: Los pacientes reaccionan positivamente al informe, ya que les proporciona una comprensión tangible y objetiva de la calidad de sus óvulos [20:47].
Futuro de Future Fertility: La empresa busca expandir el informe para incluir la probabilidad de euploidía y explorar otras aplicaciones de IA en la reproducción asistida [30:08].
