本篇分享 AI 如何輔助試管嬰兒療程的安排與優化，為醫生和客戶提供更全面的諮詢和決策建議。
AI 在試管嬰兒取卵療程優化中提供的幫助包括：
-
評估施打破卵針最佳的時間：AI 模型利用患者的生理數據和療程病史進行大數據分析，預測最佳的破卵針施打時機，以提高取卵數量與卵子成熟率。
-
優化卵巢刺激（COH）療程安排：同樣根據患者的生理數據和療程病史，設計個人化促排療程，優化卵巢刺激方案。提供醫師用藥選擇、劑量多寡的建議。
2022年一篇發表於 Fertility and Sterility 的論文試圖以 AI 來預測取卵療程最佳施打破卵針的時間。回溯分析2014至2020年間，三個美國試管嬰兒中心共30,278個取卵週期的電子病歷，使用線性邏輯回歸的方式建立機器學習模型（圖一左、中）。
模型建立完成後，利用20%的資料來測試模型，從刺激後第7天開始每天評估是否施打破卵針或繼續刺激（圖一右）。最後依實際與建議施打破卵針的時間點分為延遲（圖二左）、提早（圖二右）、按時施打破卵針三組。
結果顯示：2,416個取卵週期（占所有療程 48.7%）實際施打破卵針時間提早於 AI 建議，與按時施打破卵針組的匹配患者相比，提早施打破卵針組平均少了 2.3個成熟卵母細胞、1.8個受精卵和少了 1個可用囊胚；685個取卵週期（占所有療程 13.8%）實際施打破卵針時間晚於 AI 建議，與按時施打破卵針組的匹配患者相比，延遲施打破卵針組平均少了2.7個成熟卵母細胞、2個受精卵和少了0.7個可用囊胚（表一）。這些結果顯示了提早和延遲施打破卵針對於成熟卵母細胞、受精卵和可用囊胚數量的影響。
研究建立的線性模型可輔助建議施打破卵針時機,提高取得更多成熟卵母細胞、後續可用囊胚數量的機率，進而提高療程的效率。
相較於過去使用較複雜的黑盒子模型，本研究的結果顯示，線性可解釋的模型在改善評估破卵針施打時間方面表現優異。這項研究的結果替未來的輔助生殖技術提供了有價值的參考。
送子鳥也著手開發促排療程優化的 AI 模型，目前主要應用客群為 AMH＞2使用長效型排卵針（Elonva）的客戶，總共開發了5個 AI 模型，項目及準確率分別如下：
- Elonva 劑量的建議：準確度 94 %
- 評估是否額外補充排卵針（粉狀 Pergoveris）：預測準確率 72%
- 建議哪天開始補充排卵針（Pergoveris pen）：誤差 0.3 天
- 建議排卵針（Pergoveris pen）總共施打天數：誤差 0.7 天
- 建議排卵針（Pergoveris pen）總劑量：誤差 8 IU
參考資料：
Fanton, M., Nutting, V., Solano, F., Maeder-York, P., Hariton, E., Barash, O., ... & Loewke, K. (2022). An interpretable machine learning model for predicting the optimal day of trigger during ovarian stimulation. Fertility and Sterility, 117(1), 33-41.
