Искусственный интеллект и стимуляция яичников: повышение эффективности и стандартизации процессов экстракорпорального оплодотворения

DOI

https://dx.doi.org/10.18565/aig.2026.70

Локшин В.Н., Азимбек А.М., Карибаева Ш.К.
Международный клинический центр репродуктологии «PERSONA», Алматы, Республика Казахстан

Актуальность: Одной из наиболее сложных проблем в проведении программы экстракорпорального оплодотворения (ЭКО) остается выбор оптимального протокола контролируемой овариальной стимуляции (КОС). Решение о выборе той или иной схемы стимуляции овуляции часто основывается на опыте врача, доступности лекарственных препаратов и существующих схем стимуляции. Для уменьшения влияния субъективных факторов на результаты КОС в последние 3–4 года появилась реальная возможность использовать искусственный интеллект (ИИ) и глубокое машинное обучение в программах ЭКО.
Цель: Анализ современных данных литературы о влиянии технологий ИИ на персонифицированность протоколов стимуляции овуляции в программах ЭКО.
Материалы и методы: Поиск научных публикаций осуществляли в базах данных PubMed, Scopus, Wiley, Medline, Google Scholar, Cocharane и Web of Science, глубина охвата – 10 лет. На дизайн исследования никаких ограничений не накладывалась.
Результаты: На основе анализа актуальных литературных источников установлено, что внедрение ИИ в репродуктивную медицину открывает широкие перспективы для повышения эффективности и персонализации лечения, однако оно сопровождается рядом вызовов. Ключевыми аспектами остаются обеспечение качества и стандартизации данных, проверка моделей на различных группах пациентов, повышение доверия среди врачей и их обучение, а также решение этических и нормативных вопросов.
Заключение: Внедрение ИИ в процесс КОС имеет реальную возможность существенно изменить практику ЭКО, снизив влияние субъективных факторов на лечебный процесс. Благодаря максимальной объективности, персонализации, точности и эффективности, ИИ способен значительно повысить результаты лечения. Однако для полного раскрытия потенциала ИИ необходимо решить проблемы, связанные с качеством данных, разнообразием, регулированием и обучением врачей.

Вклад авторов: Локшин В.Н., Карибаева Ш.К. – разработка концепции и научный дизайн; Азимбек А.М. – проведение заявленного научного исследования, написание текста статьи; Локшин В.Н., Карибаева Ш.К.,
Азимбек А.М. – интерпретация заявленного научного исследования.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Финансирование: Работа выполнена без спонсорской поддержки.
Для цитирования: Локшин В.Н., Азимбек А.М., Карибаева Ш.К. Искусственный интеллект и стимуляция яичников: повышение эффективности и стандартизации процессов экстракорпорального оплодотворения.
Акушерство и гинекология. 2026; 4: 59-66
https://dx.doi.org/10.18565/aig.2026.70

искусственный интеллект (ИИ)

машинное обучение

вспомогательные репродуктивные технологии (ВРТ)

экстракорпоральное оплодотворение (ЭКО)

схемы стимуляции

триггер овуляции

сперматозоид

ооцит

эмбрион

Полный текст статьи
доступен в "Библиотеке Врача"

Fishel S. First in vitro fertilization baby – this is how it happened. Fertil. Steril. 2018; 110(1): 5-11. https://dx.doi.org/10.1016/j.fertnstert.2018.03.008
Graham M.E., Jelin A., Hoon AH.Jr., Wilms Floet A.M., Levey E., Graham E.M. Assisted reproductive technology: short- and long-term outcomes. Dev. Med. Child Neurol. 2023; 65(1): 38-49. https://dx.doi.org/10.1111/dmcn.15332
Алиева Ш., Локшин В., Цигенгагель О. Клинические перспективы применения искусственного интеллекта в урогинекологии: обзор литературы. Репродуктивная медицина (Центральная Азия). 2025; 1: 76-84.
Soori M., Arezoo B., Dastres R. Artificial intelligence, machine learning and deep learning in advanced robotics, a review. Cognitive Robotics. 2023; 3: 54-70. https://dx.doi.org/10.1016/j.cogr.2023.04.001
Wang R., Pan W., Jin L., Li Y., Geng Y., Gao C. et al. Artificial intelligence in reproductive medicine. Reproduction. 2019; 158(4): R139-54. https://dx.doi.org/10.1530/REP-18-0523
Бегимбаева А., Рыбина А., Нигметова К., Сайлау Ж., Ермекова А., Карибаева Ш., Локшин В. Искусственный интеллект – ключ к развитию эмбриологической лаборатории. Репродуктивная медицина (Центральная Азия). 2024; 3: 42-9.
Siristatidis C., Vogiatzi P., Pouliakis A., Trivella M., Papantoniou N., Bettocchi S. Predicting IVF outcome: a proposed web-based system using artificial intelligence. In Vivo. 2016; 30(4): 507-12.
Jiang V.S., Bormann C.L. Artificial intelligence in the in vitro fertilization laboratory: a review of advancements over the last decade. Fertil. Steril. 2023; 120(1): 17-23. https://dx.doi.org/10.1016/j.fertnstert.2023.05.149
Fernandez E.I., Ferreira A.S., Cecílio M.H.M., Chéles D.S., de Souza R.C.M., Nogueira M.F.G. et al. Artificial intelligence in the IVF laboratory: overview through the application of different types of algorithms for the classification of reproductive data. J. Assist. Reprod. Genet. 2020; 37(10): 2359-76. https://dx.doi.org/10.1007/s10815-020-01881-9
Olawade D.B., Teke J., Adeleye K.K., Weerasinghe K., Maidoki M., Clement David-Olawade A. Artificial intelligence in in-vitro fertilization (IVF): A new era of precision and personalization in fertility treatments. J. Gynecol. Obstet. Hum. Reprod. 2025; 54(3): 102903. https://dx.doi.org/10.1016/j.jogoh.2024.102903
Pavlovic Z.J., Jiang V.S., Hariton E. Current applications of artificial intelligence in assisted reproductive technologies through the perspective of a patient's journey. Curr. Opin. Obstet. Gynecol. 2024; 36(4): 211-7. https://dx.doi.org/10.1097/GCO.0000000000000951
Hanassab S., Abbara A., Yeung A.C., Voliotis M., Tsaneva-Atanasova K., Kelsey T.W. et al. The prospect of artificial intelligence to personalize assisted reproductive technology. NP J. Digit. Med. 2024; 7(1): 55. https://dx.doi.org/10.1038/s41746-024-01006-x
Шайлиева Ш.Л., Мамчуева Д.Х., Вишневская А.П., Джалаева Х.Ш., Рамазанова Э.Г., Кокаева Я.Р., Елоева З.М., Айсанова Д.Р., Виноградова А.С., Туко Р.Р., Синева А.В., Валиуллина Л.А., Куцева А.А. Возможности применения искусственного интеллекта в современной гинекологии. Акушерство, гинекология и репродукция. 2024; 18(4): 563-80.
AlSaad R., Abd-Alrazaq A., Choucair F., Ahmed A., Aziz S., Sheikh J. Harnessing artificial intelligence to predict ovarian stimulation outcomes in in vitro fertilization: scoping review. J. Med. Internet Res. 2024; 26: e53396. https://dx.doi.org/10.2196/53396
Asada Y., Shinohara T., Yonezawa S., Kinugawa T., Asano E., Kojima M. et al. Development of an AI-based support system for controlled ovarian stimulation. Reprod. Med. Biol. 2024; 23(1): e12603. https://dx.doi.org/10.1002/rmb2.12603
Dabbagh Rezaeiyeh R., Mehrara A., Mohammad Ali Pour A., Fallahi J., Forouhari S. Impact of various parameters as predictors of the success rate of in vitro fertilization. Int. J. Fertil. Steril. 2022; 16(2): 76-84. https://dx.doi.org/10.22074/IJFS.2021.531672.1134
Martínez L.C., Murria L., Angeles Valera M., Cobo A., Meseguer M. Testing the ability of an artificial intelligence (AI) algorithm in predicting implantation and ongoing pregnancy potential of vitrified-warmed blastocysts from a single image. Fertil. Steril. 2023; 120(4): e41-2. https://dx.doi.org/10.1016/j.fertnstert.2023.08.148
Ozturk S. Selection of competent oocytes by morphological criteria for assisted reproductive technologies. Mol. Reprod. Dev. 2020; 87(10): 1021-36. https://dx.doi.org/10.1002/mrd.23420
Cherouveim P., Velmahos C., Bormann C.L. Artificial intelligence for sperm selection – a systematic review. Fertil. Steril. 2023; 120(1): 24-31. https://dx.doi.org/10.1016/j.fertnstert.2023.05.157
You J.B., McCallum C., Wang Y., Riordon J., Nosrati R., Sinton D. Machine learning for sperm selection. Nat. Rev. Urol. 2021; 18: 387-403. https://dx.doi.org/10.1038/s41585-021-00465-1
Celebi D., Omur A.D., Akarsu S.A. Artificial intelligence in gamete cell selection and semen microbiologic analysis. J. Clin. Vet. Res. 2022; 2(2): 1-7. https://dx.doi.org/10.54289/JCVR2200107
Farías A.F.S., Sakkas D., Chavez Badiola A., Ocali O., Mendizabal G., Valencia R. et al. Single-sperm motility analysis during ICSI using an artificial intelligence sperm identification software (SID) and correlation with morphology. Fertil. Steril. 2022; 118(4): e56-7. https://dx.doi.org/10.1016/j.fertnstert.2022.08.178
Shahali S., Murshed M., Spencer L., Tunc O., Pisarevski L., Conceicao J. et al. Morphology classification of live unstained human sperm using ensemble deep learning. Adv. Intell. Syst. 2024; 6(11): 2400141. https://dx.doi.org/10.1002/aisy.202400141
Letterie G., MacDonald A., Shi Z. An artificial intelligence platform to optimize workflow during ovarian stimulation and IVF: process improvement and outcome-based predictions. Reprod. Biomed. Online. 2022; 44(2): 254-60. https://dx.doi.org/10.1016/j.rbmo.2021.10.006
Si K., Huang B., Jin L. Application of artificial intelligence in gametes and embryos selection. Hum Fertil (Camb). 2023; 26(4): 757-77. https://dx.doi.org/10.1080/14647273.2023.2256980
Salih M., Austin C., Warty R.R., Tiktin C., Rolnik D.L., Momeni M. et al. Embryo selection through artificial intelligence versus embryologists: a systematic review. Hum. Reprod. Open. 2023; 2023(3): hoad031. https://dx.doi.org/10.1093/hropen/hoad031
Barnes J., Brendel M., Gao V.R., Rajendran S., Kim J., Li Q. et al. A non-invasive artificial intelligence approach for the prediction of human blastocyst ploidy: a retrospective model development and validation study. Lancet Digit. Health. 2023; 5(1): e28-e40. https://dx.doi.org/10.1016/S2589-7500(22)00213-8
Letterie G., Mac Donald A. Artificial intelligence in in vitro fertilization: a computer decision support system for day-to-day management of ovarian stimulation during in vitro fertilization. Fertil. Steril. 2020; 114(5): 1026-31. https://dx.doi.org/10.1016/j.fertnstert.2020.06.006
Correa N., Cerquides J., Arcos J.L., Vassena R. Supporting first FSH dosage for ovarian stimulation with machine learning. Reprod. Biomed. Online. 2022; 45(5): 1039-54. https://dx.doi.org/10.1016/j.rbmo.2022.06.010
Fanton M., Nutting V., Rothman A., Maeder-York P., Hariton E., Barash O. et al. An interpretable machine learning model for individualized gonadotrophin starting dose selection during ovarian stimulation. Reprod. Biomed. Online. 2022; 45(6): 1152-9. https://dx.doi.org/10.1016/j.rbmo.2022.07.010
Canon C., Leibner L., Fanton M., Chang Z., Suraj V., Lee J.A. et al. Optimizing oocyte yield utilizing a machine learning model for dose and trigger decisions, a multi-center, prospective study. Sci. Rep. 2024; 14(1): 18721. https://dx.doi.org/10.1038/s41598-024-69165-1
Asada Y., Shinohara T., Yonezawa S., Kinugawa T., Asano E., Kojima M. et al. Development of an AI-based support system for controlled ovarian stimulation. Reprod. Med. Biol. 2024; 23(1): e12603. https://dx.doi.org/10.1002/rmb2.12603
Hariton E., Chi E.A., Chi G., Morris J.R., Braatz J., Rajpurkar P. et al. A machine learning algorithm can optimize the day of trigger to improve in vitro fertilization outcomes. Fertil. Steril. 2021; 116(5): 1227-35. https://dx.doi.org/10.1016/j.fertnstert.2021.06.018
Akhil G., Jose B., Ernesto B., Jose A.R., Antonio P., Marcos M. Machine learning tool for predicting mature oocyte yield and trigger day from start of stimulation: towards personalized treatment. Reprod. Biomed. Online. 2025; 50(2): 104441. https://dx.doi.org/10.1016/j.rbmo.2024.104441
Ferrand T., Boulant J., He C., Chambost J., Jacques C., Pena C.A. et al. Predicting the number of oocytes retrieved from controlled ovarian hyperstimulation with machine learning. Hum. Reprod. 2023; 38(10): 1918-26. https://dx.doi.org/10.1093/humrep/dead163
Nasatzky M., Belicha Y., Fainaru O. Clinical parameters that predict a premature LH rise in patients undergoing ovarian stimulation for IVF. Gynecol. Endocrinol. 2024; 40(1): 2365913. https://dx.doi.org/10.1080/09513590.2024.2365913
Banerjee P., Choi B., Shahine L.K., Jun S.H., O'Leary K., Lathi R.B. et al. Deep phenotyping to predict live birth outcomes in in vitro fertilization. Proc. Natl. Acad. Sci. USA. 2010; 107(31): 13570-5. https://dx.doi.org/10.1073/pnas.1002296107
Pacheco F., Arrach N. Artificial intelligence in ovarian stimulation. Reprod. Biomed. Online. 2024; 49(Suppl.): 104513. https://dx.doi.org/10.1016/j.rbmo.2024.104513
Zegers-Hochschild F., Adamson G.D., Dyer S., Racowsky C., de Mouzon J., Sokol R. et al. The International glossary on infertility and fertility care, 2017. Fertil. Steril. 2017; 108(3): 393-406. https://dx.doi.org/10.1016/j.fertnstert.2017.06.005
World Health Organization. Infertility prevalence estimates, 1990–2021. 3 April 2023. Available at: https://www.who.int/publications/i/item/978920068315

Поступила 27.02.2026

Принята в печать 09.04.2026

Локшин Вячеслав Нотанович, д.м.н., профессор, академик НАН РК, президент Казахстанской Ассоциации репродуктивной медицины, президент Международной академии репродуктологии, директор Международного клинического центра репродуктологии PERSONA, Алматы, Казахстан, +7(701)755-82-09,
v_lokshin@persona-ivf.kz, https://orcid.org/0000-0002-4792-5380
Азимбек Айсана Мейрамбековна, врач акушер-гинеколог, Международный клинический центр репродуктологии PERSONA, Алматы, Казахстан, +7(775)279-67-76,
aisana.sutaliyeva@gmail.com, https://orcid.org/0000-0002-3038-4223
Карибаева Шолпан Кенесовна, к.м.н., Казахский национальный медицинский университет им. С.Д. Асфендиярова; акушер-гинеколог высшей категории, Международный клинический центр репродуктологии «PERSONA», Алматы, Казахстан, +7(701)755-06-75, sh.karibaeva@gmail.com, https://orcid.org/0000-0001-5691-8652
Автор, ответственный за переписку: Айсана Мейрамбековна Азимбек, aisana.sutaliyeva@gmail.com

Искусственный интеллект и стимуляция яичников: повышение эффективности и стандартизации процессов экстракорпорального оплодотворения

Локшин В.Н., Азимбек А.М., Карибаева Ш.К.

Ключевые слова

Список литературы

Об авторах / Для корреспонденции

Также по теме