Reproductive BioMedicine Online · Vol. 53 · N.º 4 · 2026
Siete factores asociados a embarazo tras transferir un euploide
En 4300 transferencias de un único blastocisto euploide desvitrificado, cinco algoritmos de aprendizaje automático seleccionan por consenso siete variables asociadas al embarazo clínico. Con esas siete, los cinco modelos distinguen de forma parecida a quién se queda embarazada: AUC de 0,760 a 0,778 en el conjunto de test.
Un solo centro · solo validación interna · desenlace embarazo clínico, no nacido vivo
«Machine learning-based analysis of factors associated with clinical pregnancy in vitrified-warmed single euploid embryo transfer cycles»
El problema, en una frase. Un embrión euploide tampoco implanta siempre; con la aneuploidía descartada, los autores buscan qué variables clínicas y embriológicas se asocian al embarazo clínico.
La pregunta
Qué se asocia al embarazo clínico cuando el embrión transferido es euploide
Para los autores, la dotación cromosómica del embrión es un factor clave en el resultado de la FIV. Según los estudios que citan, transferir un único euploide aumenta la tasa de nacido vivo y reduce los embarazos múltiples.
Pero no todos los euploides implantan. Cada fallo supone repetir ciclos, con su coste emocional y económico para la pareja. Los autores recuerdan que, además de la ploidía, influyen rasgos clínicos y embriológicos, las condiciones de laboratorio, el medio de cultivo y la incubación.
Esas variables interactúan de forma compleja, y los autores sostienen que la estadística convencional puede no recoger del todo su contribución. Por eso recurren al aprendizaje automático, que modela relaciones no lineales entre muchas variables.
La pregunta: en transferencias de un único euploide desvitrificado, ¿qué factores se asocian al embarazo clínico, y qué algoritmo lo predice mejor?
Los resultados
Siete variables seleccionadas y cinco modelos con AUC muy parecidas
De las 4300 transferencias, 2902 acabaron en embarazo clínico y 1398 no. Los cinco algoritmos ordenaron por importancia las 26 variables candidatas, y por consenso se quedaron siete: ciclos previos, AMH, grosor endometrial, calidad del embrión tras desvitrificar, edad materna, número de embriones vitrificados y método de preparación endometrial.
AUC en el conjunto de test, cinco modelos con las siete variables
Escala lineal desde 0,5, la diagonal que el artículo marca como clasificador sin información, hasta 1,0. Etiquetas con los dos decimales de la leyenda de la figura de curvas ROC; el resumen da el rango de 0,760 a 0,778. Sin intervalos de confianza: el artículo no los publica.
Solo hay métricas de test. El artículo calcula todas las métricas en el 30 % de datos reservado para test. No publica la AUC de entrenamiento ni la de validación cruzada, así que con lo publicado no se puede valorar el sobreajuste por esa vía, y el número de ciclos del test no aparece. Rangos de los cinco modelos en test: sensibilidad de 0,711 a 0,741, especificidad de 0,672 a 0,703, precisión (valor predictivo positivo) de 0,809 a 0,825 y exactitud de 0,702 a 0,726.
Calibración (índice de Brier; cuanto más bajo, mejor). Con las 26 variables: Random Forest 0,178, LGBM 0,179, XGBoost y ExtraTrees 0,181, AdaBoost 0,214, con peor ajuste en las probabilidades bajas, de 0,2 a 0,3, en Random Forest y ExtraTrees. Con las siete variables empeora en todos salvo AdaBoost (0,214), el mejor es XGBoost (0,201) y todas las probabilidades predichas caen aproximadamente entre 0,4 y 0,7. Con las 26 variables, XGBoost y Random Forest superan en AUC a AdaBoost (P = 0,026 y P = 0,034).
Cómo eran los dos grupos
Comparación sin ajustar. Las siete primeras filas corresponden a las variables del modelo; las dos últimas son variables sin diferencia. Medias con su desviación estándar entre paréntesis.
| Variable | Sin embarazon = 1398 | Con embarazon = 2902 | P |
|---|---|---|---|
| Ciclos previos | 5,9(3,1) | 4,6(2,6) | 0,001 |
| AMHng/ml | 2,7(2,2) | 2,9(2,3) | 0,002 |
| Grosor endometrialmm | 9,9(1,8) | 10,2(1,9) | 0,001 |
| Embrión de calidad top tras desvitrificarcalidad moderada: 12,2 % frente a 5,1 %, P = 0,001 | 49,6 % | 61,6 % | 0,001 |
| Edad maternaaños | 34,4(4,9) | 33,9(4,8) | 0,004 |
| Embriones vitrificados | 5,1(3,7) | 5,7(3,9) | 0,001 |
| Preparación en ciclo naturalciclo artificial: 41,2 % frente a 34,0 % | 58,8 % | 66,0 % | 0,001 |
| Edad paternaaños | 37,2(5,8) | 37,0(5,9) | 0,257 |
| IMCkg/m² | 24,7(4,5) | 24,5(4,4) | 0,308 |
Fuera del modelo de siete variables, la transferencia en día 5 también era más frecuente con embarazo: 94,1 % frente a 88,0 % (P = 0,001). En el análisis SHAP, más edad materna y más ciclos previos se asocian a menos probabilidad predicha de embarazo, y una mejor calidad embrionaria, a más. Con las 26 variables, el Random Forest da más peso al día de transferencia y a la presencia de células excluidas: es otro escenario de análisis.
Antes de usar estas cifras
Cinco cautelas y discrepancias del propio artículo
Se recogen como aparecen en el artículo. La ficha no las corrige.
Validación solo interna
Entrenamiento y test salen de la misma cohorte, partida al azar. No hay AUC de entrenamiento con la que comparar la de test, ni intervalos de confianza, ni validación en otro centro. Los propios autores piden esa validación externa.
Dos valores de P que no encajan en la Tabla 1
En la causa del tratamiento, el factor femenino pasa de 38,8 % a 33,3 % con P = 0,965, y la esterilidad de causa desconocida pasa de 15,7 % a 14,7 % con P = 0,003. Comprobado en el PDF: así vienen impresos.
P de 0,001 exactos
Casi todos los P significativos de la Tabla 1 aparecen como 0,001 y no como «<0,001». La ficha los reproduce tal cual.
Re-expansión tardía en la mayoría de los embriones
El artículo llama re-expansión tardía a no haberse re-expandido en la segunda valoración tras desvitrificar, y la registra en el 74,2 % y el 76,5 % de los embriones. Es una proporción alta para una definición de fallo; la ficha no usa este dato.
El lenguaje de la conclusión
Los autores hablan de key determinants
y de que sus hallazgos podrían optimize IVF treatment strategies
. El diseño es retrospectivo, de un centro y sin validación externa, y el desenlace es el embarazo clínico. En esta ficha se habla de factores asociados.
El método
Cómo se hizo
A quién se incluyó
Transferencias de un único euploide desvitrificado en el Sisli Memorial Hospital de Estambul, de octubre de 2011 a febrero de 2023, en mujeres de 22 a 46 años. Solo ciclos fecundados por ICSI o IMSI.
Se excluyeron las anomalías uterinas, los trastornos endocrinos sin tratar y un endometrio de menos de 7 mm. Cada ciclo corresponde a una paciente distinta.
El embrión y el desenlace
Biopsia de trofectodermo, diagnóstico genético preimplantacional de aneuploidías, vitrificación y transferencia de un único blastocisto euploide desvitrificado. Endometrio preparado en ciclo natural modificado o en ciclo artificial.
Embarazo clínico: latido fetal en la ecografía transvaginal a las 7 semanas.
Cómo se entrenaron los modelos
26 variables clínicas, demográficas y embriológicas, elegidas de antemano. Los datos perdidos, menos del 10 %, se imputaron con la media o la moda.
Partición aleatoria: 70 % para entrenar y 30 % para test. Validación cruzada de 5 particiones dentro del entrenamiento para ajustar los hiperparámetros. Métricas finales, solo en test.
Cómo se eligieron y compararon
5 algoritmos: AdaBoost, Random Forest, XGBoost, LGBM y ExtraTrees. La importancia por permutación de cada uno se combinó por consenso para quedarse con 7 variables; SHAP dio la dirección de cada efecto.
Comparación de AUC con bootstrap por pares de 1000 iteraciones, calibración con el índice de Brier y repetición del análisis con las 26 variables.
La letra pequeña
Lo que los autores reconocen de su propio trabajo
Estas son las limitaciones que señala el artículo, con sus palabras.
Un solo centro, sin validación externa
Los autores escriben que the single-centre design limits generalizability, and external validation with independent datasets is needed to confirm robustness
.
Probabilidades comprimidas
Con las siete variables, los modelos mostraron a marked compression of predicted probabilities into a narrow range (0.4–0.7), indicating reduced probability discrimination capacity following feature selection
.
Imputación simple de los datos perdidos
Imputar con la media y la moda may have reduced data variability slightly and weakened associations among predictors
.
El mismo método para todos los algoritmos
XGBoost y LGBM pueden manejar los datos perdidos por sí mismos, pero a uniform imputation method was used to maintain comparability. This may have influenced relative model performance
.
«Los modelos de aprendizaje automático identificaron determinantes clave del embarazo clínico en los ciclos de transferencia de euploides. Estos hallazgos pueden facilitar la estratificación del riesgo y optimizar las estrategias de tratamiento de FIV.»
«Machine learning models identified key determinants of clinical pregnancy in euploid embryo transfer cycles. These insights may facilitate risk stratification and optimize IVF treatment strategies.»
Ozer G et al. Reproductive BioMedicine Online, 2026. Conclusión del resumen.Para citarlo
La referencia
Leer el artículo original · Esta ficha es un resumen propio y no reproduce las tablas ni las figuras del artículo.
Código AdrIA · serie «papers legibles»
