Acceso usuarios
[1]
;
Moreno Gutierrez , Silvia Soledad
[1]
México
Esta revisión se sitúa en el campo de las tecnologías de la información aplicadas a la salud, con enfoque en el desarrollo y evaluación de modelos de aprendizaje profundo como sistemas de apoyo a la decisión clínica. El objetivo del trabajo consiste en revisar la evidencia científica disponible de modelos de aprendizaje profundo aplicados a la selección de embriones humanos en la fecundación in vitro, para brindar un panorama a los lectores mediante la revisión de artículos publicados en revistas de alto impacto. Se realizó una búsqueda en bases de datos indexadas en Scopus, PubMed y Web of Science, publicados del año 2021 a 2026. La estrategia de búsqueda se llevó a cabo mediante palabras clave como ‘fecundación in vitro’, ‘selección embrionaria’, ‘aprendizaje profundo’ e ‘inteligencia artificial’. Se identificaron 45 artículos potencialmente relevantes, de los cuales 11 cumplieron los criterios de inclusión por lo que fueron analizados e integrados en la síntesis final priorizando estudios que reportaron métricas de desempeño. La heterogeneidad entre los estudios limitó la comparabilidad de los resultados, no obstante, los modelos inteligentes demuestran potencial para evaluar embriones y predecir implantación, su rendimiento es similar o superior a los métodos convencionales. La literatura expone diversos estudios, sin embargo, la predicción clínica fiable aún requiere profundizar en los modelos integrados y mejor validación.
This review is situated within the field of health information technologies applied to healthcare, with a focus on the development and evaluation of deep learning models as clinical decision support systems. The aim of this work is to review the available scientific evidence on deep learning models applied to the selection of human embryos for in vitro fertilization, in order to provide an overview for readers through the analysis of articles published in high-impact journals. A search was conducted in indexed databases, including Scopus, PubMed, and Web of Science, covering publications from 2021 to 2026. The search strategy employed keywords such as 'in vitro fertilization', 'embryo selection', 'deep learning', and 'artificial intelligence'. A total of 45 potentially relevant articles were identified, of which 11 met the inclusion criteria and were therefore analyzed and incorporated into the final synthesis, prioritizing studies that reported performance metrics. Heterogeneity among studies limited the comparability of results; nevertheless, intelligent models demonstrate potential for embryo evaluation and implantation prediction, with performance comparable or superior to conventional methods. The literature presents various studies; however, reliable clinical prediction still requires further development of integrated models and improved validation strategies.
