Драпкина Юлия Сергеевна – кандидат медицинских наук, врач – акушер-гинеколог отделения вспомогательных технологий в лечении бесплодия имени профессора Б.В. Леонова.
117997, Москва, ул. Академика Опарина, д. 4
Julia S. Drapkina - Cand. Sci. (Med.), Obstetrician-Gynecologist of the Department of Auxiliary Technologies in the Treatment of Infertility named after Professor B.V. Leonov, Kulakov National Medical Research Center of Obstetrics, Gynecology and Perinatology.
4, Academician Oparin St., Moscow, 117997
Макарова Наталья Петровна – доктор биологических наук, ведущий научный сотрудник, старший эмбриолог отделения вспомогательных технологий в лечении бесплодия имени профессора Б.В. Леонова.
117997, Москва, ул. Академика Опарина, д. 4
Natalya Р. Makarova - Dr. Sci. (Biol.), Leading Researcher, Senior Embryologist of the Department of Auxiliary Technologies in the Treatment of Infertility named after Professor B.V. Leonov, Kulakov National Medical Research Center of Obstetrics, Gynecology and Perinatology.
4, Academician Oparin St., Moscow, 117997
Татаурова Полина Дмитриевна – студент.
117997, Москва, ул. Островитянова, д. 1
Polina D. Tataurova - Student, Pirogov Russian National Research Medical University.
1, Ostrovityanov St., Moscow, 117997
Калинина Елена Анатольевна - доктор медицинских наук, профессор, заведующая отделением вспомогательных технологий в лечении бесплодия имени профессора Б.В. Леонова.
117997, Москва, ул. Академика Опарина, д. 4
Elena А. Kalinina - Dr. Sci. (Med.), Professor, Head of the Department of Auxiliary Technologies in the Treatment of Infertility named after Professor B.V. Leonov, Kulakov National Medical Research Center of Obstetrics, Gynecology and Perinatology.
4, Academician Oparin St., Moscow, 117997
Введение. Анализ данных при помощи машинного обучения (МО) позволяет более точно и таргетно определить наиболее значимые корригируемые и некорригируемые предикторы наступления беременности в программах вспомогательных репродуктивных технологий (ВРТ) у пациенток разных возрастных групп. Анализ данных при помощи различных методов и сравнение результатов, полученных при использовании двух моделей, определит наиболее значимые факторы наступления беременности в программе ВРТ.
Цель исследования. Определить наиболее значимые клинические и эмбриологические предикторы наступления беременности с использованием стандартного регрессионного анализа и алгоритма решающего дерева для прогнозирования наступления беременности в программе ВРТ.
Материалы и методы. В ретроспективное исследование была включена 1 021 супружеская пара. В исследовании были проанализированы данные клинико-лабораторных обследований и параметры стимулированного цикла в зависимости от эффективности программы ВРТ. Для определения наиболее значимых факторов был проведен регрессионный анализ и построен алгоритм решающего дерева с использованием критерия Джини.
Результаты. Были выявлены «общие» признаки, которые требуют дальнейшей валидации на других моделях, в т. ч. с использованием МО: наличие/отсутствие беременностей в анамнезе, параметры стимулированного цикла (ОКК, количество ооцитов MII, количество зигот), показатели спермограммы в день пункции, количество эмбрионов отличного и хорошего качества, а также качество эмбриона.
Выводы. Препарат рФСГ (фоллитропин-альфа, Гонал-ф) дает статистически значимый результат в двух из пяти доступных возрастных группах, фоллитропин-бета, корифоллитропин альфа – только в одной из пяти групп. Построение модели, включающей не только данные анамнеза супружеской пары, но и молекулярные маркеры с использованием методов машинного обучения позволит не только определить наиболее точно максимально перспективные группы пациентов для проведения программы ЭКО, но и повысить эффективность программ ВРТ за счет селекции максимально качественного эмбриона для переноса.
Introduction. Machine learning (ML) applied to data analysis allows to more accurately and targetedly determine the most significant correctable and non-correctable predictors of onset of pregnancy in assisted reproductive technology (ART) programs in patients of different age groups. Analysis of data using various techniques and comparison of results obtained via two models will determine the most significant factors for onset of pregnancy in the ART program.
Aim. To determine the most significant clinical and embryological predictors of onset of pregnancy using standard regression analysis and a decision tree algorithm to predict pregnancy in the ART program.
Materials and methods. A total of 1,021 married couples were included in the retrospective study. The study analysed clinical and laboratory test findings and stimulated cycle parameters depending on the effectiveness of the ART program. A regression analysis was carried out and a decision tree algorithm was built using the Gini criterion to determine the most significant factors.
Results. We identified “general” signs that require further validation on other models, including ML: the presence/absence of a history of pregnancies, stimulated cycle parameters (oocyte cumulus complex, number of metaphase II (MII) oocytes, number of zygotes), spermogram indicators on the day of puncture, number of high and good quality embryos, as well as the embryo grading.
Conclusion. rFSH (follitropin-alpha, Gonal-f) gives a significant result in two of the five available age groups, follitropin-beta, corifollitropin alfa – in one of the five groups only. Building a model that includes not only the couple’s medical history data, but also molecular markers using machine learning methods will not only allow us to most accurately determine the most promising groups of patients for in vitro fertilization (IVF) programs, but also increase the efficiency of ART programs by selecting the highest quality embryo to be transferred.
The authors declare that there are no conflicts of interest present.