Kỹ sư Nguyễn Thị Nguyệt
Đơn vị HTSS IVFMD FAMILY, BVĐK Gia Đình, Đà Nẵng

Cá nhân hóa điều trị là trọng tâm trong các chiến lược nâng cao hiệu quả của hỗ trợ sinh sản, đặc biệt trong thụ tinh trong ống nghiệm (IVF – In Vitro Fertilization), nơi mỗi bệnh nhân sở hữu đặc điểm sinh lý, nội tiết và tiền sử điều trị rất riêng biệt. Tuy nhiên, sự phức tạp và đa dạng của dữ liệu lâm sàng - từ tuổi, chỉ số AMH, AFC, BMI, đến đáp ứng với thuốc kích thích buồng trứng - đặt ra thách thức lớn cho việc thiết kế phác đồ điều trị phù hợp.
Sự xuất hiện của trí tuệ nhân tạo (AI – Artificial Intelligence) đã mở ra một hướng tiếp cận mới, cho phép khai thác hiệu quả nguồn dữ liệu lớn từ hồ sơ y tế điện tử (EMR - Electronic Medical Record) để hỗ trợ ra quyết định điều trị theo hướng chính xác và cá thể hóa. Bằng cách tích hợp AI vào các giai đoạn như lựa chọn protocol, cá nhân hóa liều FSH, điều phối thời điểm chuyển phôi, và tối ưu hóa quy trình quản lý hồ sơ, các trung tâm IVF đang từng bước chuyển mình sang kỷ nguyên điều trị thông minh và dữ liệu định hướng.

1. AI trong phân tích EMR và đề xuất phác đồ cá nhân hóa
Một nghiên cứu quy mô lớn được thực hiện bởi Shaharabani và cộng sự (2025) đã phát triển hệ thống Prescriptive Analytics Framework nhằm đề xuất phác đồ kích thích buồng trứng (COS – Controlled Ovarian Stimulation) dựa trên dữ liệu từ 15.193 chu kỳ IVF tại 8 trung tâm hỗ trợ sinh sản. Hệ thống sử dụng mô hình XGBoost và học sâu để xử lý hơn 47 biến số lâm sàng từ EMR bao gồm tuổi, chỉ số hormone kháng Muller (AMH - Anti-Mullerian Hormone), số lượng nang thứ cấp (AFC – Antral Follicle Count), chỉ số khối cơ thể (BMI - Body Mass Index), liều FSH bắt đầu, và tiền sử chu kỳ trước,...
Kết quả cho thấy:

• Tỷ lệ thất bại thụ tinh hoàn toàn (TFF – Total Fertilization Failure) giảm từ 6,8% xuống còn 3,2% trong nhóm được đề xuất phác đồ bởi AI.

• Số lượng noãn trưởng thành (MII - Metaphase II) trung bình đạt 11,7 ± 3,2 (AI) so với 9,6 ± 3,4 (bác sĩ), P<0,001.

• Mô hình dự đoán đạt AUC = 0,89 (Area Under Curve) cho nguy cơ TFF và RMSE <1,8 (Root Mean Square Error) khi ước lượng số lượng noãn kỳ vọng [1].

2. Dự đoán liều FSH cá nhân hóa theo thời gian thực
Kong và cộng sự (2025) đã triển khai mô hình học sâu điều chỉnh liều FSH (Follicle-Stimulating Hormone) theo thời gian thực trong chu kỳ dài sử dụng chất chủ vận GnRH (Gonadotropin-Releasing Hormone agonist). Mô hình được huấn luyện trên dữ liệu 9.122 bệnh nhân IVF, bao gồm nồng độ estradiol, số lượng nang trưởng thành và dữ liệu siêu âm lặp lại.
Kết quả cho thấy:

• Sai số trung bình liều FSH so với bác sĩ <8 IU/ngày.

• Số noãn MII thu được tăng trung bình 2,6 ± 0,4 noãn/ca (P<0,001).

• Tỷ lệ quá kích buồng trứng (OHSS - Ovarian Hyperstimulation Syndrome) giảm 21,3% so với nhóm không dùng AI [2].

3. AI hỗ trợ phân loại phác đồ kích thích: Agonist vs Antagonist
Một nghiên cứu trình bày tại Human Reproduction Annual Conference bởi Hariton và cộng sự (2025) đã đánh giá AI trong việc phân loại phác đồ sử dụng chất chủ vận hay đối vận GnRH, dựa trên hồ sơ từ 1.215 bệnh nhân. AI phân tích EMR và phân loại bệnh nhân thành các nhóm đáp ứng tốt, trung bình hoặc kém.
Kết quả ghi nhận:

• Tỷ lệ hủy chu kỳ do đáp ứng kém giảm từ 11,2% xuống còn 6,7%.

• Tỷ lệ phôi chuyển được trên chu kỳ tăng từ 1,8 lên 2,2 (P=0,04).

• Tỷ lệ thai lâm sàng tăng từ 29,3% lên 35,1% ở nhóm AI hỗ trợ lựa chọn phác đồ [3].

4. AI điều phối thời điểm chuyển phôi dựa trên đánh giá nội mạc tử cung
Một nghiên cứu công bố trên Journal of Assisted Reproduction and Genetics bởi Cao và cộng sự (2022) đã áp dụng trí tuệ nhân tạo để đánh giá khả năng tiếp nhận nội mạc tử cung (endometrial receptivity) dựa trên dữ liệu transcriptome. Mô hình AI được huấn luyện trên dữ liệu RNA của 2.436 mẫu sinh thiết nội mạc, bao gồm các trường hợp thất bại làm tổ nhiều lần (RIF - Recurrent Implantation Failure), và được tích hợp vào hệ thống hỗ trợ quyết định lâm sàng trong chuyển phôi.
Kết quả nổi bật:

• Tăng tỷ lệ có thai lâm sàng lên 54,5% ở nhóm RIF được hướng dẫn chuyển phôi bởi mô hình AI, so với 37,8% ở nhóm chứng (P=0,008).

• Tỷ lệ làm tổ tăng đáng kể từ 25,3% lên 39,1% (P=0,004).

• Không ghi nhận gia tăng tỷ lệ biến chứng thai kỳ hay sảy thai sớm [4].

Công nghệ này cho thấy AI có khả năng nâng cao đáng kể hiệu quả chuyển phôi ở nhóm bệnh nhân khó - những người từng thất bại liên tiếp dù phôi chất lượng tốt - bằng cách dự đoán chính xác hơn “cửa sổ làm tổ” (WOI – Window of Implantation) cá nhân hóa.

5. Tối ưu quy trình quản lý hồ sơ và ra quyết định lâm sàng
Trong một thử nghiệm tại 3 phòng khám IVF ở châu Âu, hệ thống AI tích hợp EMR:

• Giảm thời gian tư vấn và ra quyết định từ 42 phút xuống còn 17 phút/lượt.

• Cảnh báo OHSS với độ nhạy 94%, độ đặc hiệu 88%.

• 72,4% bác sĩ lâm sàng đồng ý rằng AI giúp chuẩn hóa quy trình, hạn chế sai sót trong chọn protocol [5].

KẾT LUẬN
Trí tuệ nhân tạo đang mở ra kỷ nguyên điều trị chính xác trong hỗ trợ sinh sản. Với khả năng học từ dữ liệu lớn và tự động cập nhật, AI không chỉ cá nhân hóa liều FSH và lựa chọn protocol, mà còn nâng cao hiệu quả chuyển phôi và rút ngắn thời gian xử lý hồ sơ. Việc tích hợp AI vào IVF cần đi kèm kiểm định lâm sàng chặt chẽ, chuẩn hóa dữ liệu EMR và giám sát đạo đức trong sử dụng thuật toán.

TÀI LIỆU THAM KHẢO

1. Shaharabani, S.S., Shavit, T., Rappoport, N. (2025). Reducing Total Fertilization Failure in In-Vitro Fertilization: A Prescriptive Analytics Framework for Controlled Ovarian Stimulation Protocol Recommendations. In: Bellazzi, R., Juarez Herrero, J.M., Sacchi, L., Zupan, B. (eds) Artificial Intelligence in Medicine. AIME 2025. Lecture Notes in Computer Science(), vol 15735. Springer, Cham. https://doi.org/10.1007/978-3-031-95841-0_63

2. Kong N, Xia Y, Wang Z, Zhang H, Duan L, Zhu Y, Huang C, Yan G, Mei J, Li W, Sun H. Deep learning-based prediction of individualized Real-time FSH doses in GnRH agonist long protocols. J Transl Med. 2025 May 15;23(1):545. doi: 10.1186/s12967-025-06562-8. PMID: 40375277; PMCID: PMC12079934.

3. E Hariton, S Edery, O-109 Leveraging artificial intelligence to enhance ovarian stimulation, Human Reproduction, Volume 40, Issue Supplement_1, June 2025, deaf097.109, https://doi.org/10.1093/humrep/deaf097.109

4. Cao, X., et al. (2022). Artificial intelligence–based endometrial receptivity prediction improves pregnancy outcomes in patients with recurrent implantation failure. Journal of Assisted Reproduction and Genetics, 39(10), 2263–2273. https://doi.org/10.1007/s10815-022-02564-1

5. J. Zakall, B. Pohn, A. Graf, D. Kovatchki, A. Borji, Integration of AI and medical data in IVF ovarian stimulation, arXiv preprint, arXiv:2412.19688v1, December 2024. https://arxiv.org/abs/2412.19688