Поддержка врачебных решений с помощью глубокого машинного обучения при лечении бесплодия методами вспомогательных репродуктивных технологий

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.

1. Aristidou A, Jena R, Topol EJ. Bridging the chasm between AI and clinical implementation. Lancet. 2022;399(10325):620. https://doi.org/10.1016/S0140-6736(22)00235-5.

2. Barnett-Itzhaki Z, Elbaz M, Butterman R, Amar D, Amitay M, Racowsky C et al. Machine learning vs. classic statistics for the prediction of IVF out-comes. J Assist Reprod Genet. 2020;37(10):2405–2412. https://doi.org/10.1007/s10815-020-01908-1.

3. Yu SH, Wang HL. An Updated Decision Tree for Horizontal Ridge Augmentation: A Narrative Review. Int J Periodontics Restorative Dent. 2022;42(3):341–349. https://doi.org/10.11607/prd.5031.

4. Carugo O. Hydrophobicity diversity in globular and nonglobular proteins measured with the Gini index. Protein Eng Des Sel. 2017;30(12):781–784. https://doi.org/10.1093/protein/gzx060.

5. Amisha, Malik P, Pathania M, Rathaur VK. Overview of artificial intelligence in medicine. J Family Med Prim Care. 2019;8(7):2328–2331. https://doi.org/10.4103/jfmpc.jfmpc_440_19.

6. Zaninovic N, Rosenwaks Z. Artificial intelligence in human in vitro fertilization and embryology. Fertil Steril. 2020;114(5):914–920. https://doi.org/10.1016/j.fertnstert.2020.09.157.

7. Xu T, de Figueiredo Veiga A, Hammer KC, Paschalidis IC, Mahalingaiah S. Informative predictors of pregnancy after first IVF cycle using eIVF practice highway electronic health records. Sci Rep. 2022;12(1):839. https://doi.org/10.1038/s41598-022-04814-x.

8. Orvieto R. Stop GnRH-agonist/GnRH-antagonist protocol: a different insight on ovarian stimulation for IVF. Reprod Biol Endocrinol. 2023;21(1):13. https://doi.org/10.1186/s12958-023-01069-7.

9. Vaegter KK, Lakic TG, Olovsson M, Berglund L, Brodin T, Holte J. Which factors are most predictive for live birth after in vitro fertilization and intracytoplasmic sperm injection (IVF/ICSI) treatments? Analysis of 100 prospectively recorded variables in 8,400 IVF/ICSI single-embryo transfers. Fertil Steril. 2017;107(3):641–648.e2. https://doi.org/10.1016/j.fertnstert.2016.12.005.

10. Orvieto R, Kirshenbaum M, Galiano V, Zilberberg E, Haas J, Nahum R. Stop GnRH-Agonist Combined with Multiple-Dose GnRH-Antagonist for Patients with Elevated Peak Serum Progesterone Levels Undergoing Ovarian Stimulation for IVF: A Proof of Concept. Gynecol Obstet Invest. 2020;85(4):357–361. https://doi.org/10.1159/000508875.

11. Lensen SF, Wilkinson J, Leijdekkers JA, La Marca A, Mol BWJ, Marjoribanks J et al. Individualised gonadotropin dose selection using markers of ovarian reserve for women undergoing in vitro fertilisation plus intracytoplasmic sperm injection (IVF/ICSI). Cochrane Database Syst Rev. 2018;2(2):CD012693. https://doi.org/10.1002/14651858.CD012693.pub2.

12. Bedenk J, Vrtačnik-Bokal E, Virant-Klun I. The role of anti-Müllerian hormone (AMH) in ovarian disease and infertility. J Assist Reprod Genet. 2020;37(1):89–100. https://doi.org/10.1007/s10815-019-01622-7.

13. Nelson SM, Fleming R, Gaudoin M, Choi B, Santo-Domingo K, Yao M. Antimüllerian hormone levels and antral follicle count as prognostic indicators in a personalized prediction model of live birth. Fertil Steril. 2015;104(2):325–332. https://doi.org/10.1016/j.fertnstert.2015.04.032.

14. Pilsgaard F, Grynnerup AG, Løssl K, Bungum L, Pinborg A. The use of anti-Müllerian hormone for controlled ovarian stimulation in assisted reproductive technology, fertility assessment and -counseling. Acta Obstet Gynecol Scand. 2018;97(9):1105–1113. https://doi.org/10.1111/aogs.13334.

15. Wang R, Pan W, Jin L, Li Y, Geng Y, Gao C et al. Artificial intelligence in reproductive medicine. Reproduction. 2019;158(4):R139–R154. https://doi.org/10.1530/REP-18-0523.

16. Сыркашева АГ, Ибрагимова ЭО. Применение комбинированного препарата рекомбинантного фолликулостимулирующего гормона/лютеинизирующего гормона в программах вспомогательных репродуктивных технологий. Медицинский совет. 2016;(12):74–78. https://doi.org/10.21518/2079-701X-2016-12-74-78.

17. Hugues JN. Impact of ‘LH activity’ supplementation on serum progesterone levels during controlled ovarian stimulation: a systematic review. Hum Reprod. 2012;27(1):232–243. https://doi.org/10.1093/humrep/der380.

18. Виноградова ЛВ, Мишиева НГ, Абубакиров АН, Левков ЛА, Мартынова МВ. Гормональные особенности циклов ЭКО, стимулированных человеческим менопаузальным гонадотропином и рекомбинатным ФСГ в протоколах с антагонистом гонадотропин-рилизинг гормона. Акушерство и гинекология. 2014;(11):88–95. Режим доступа: https://ru.aig-journal.ru/articles/Gormonalnye-osobennosti-ciklov-EKO-stimulirovannyh-chelovecheskim-menopauzalnym-gonadotropinom-i-rekombinatnym-FSG-v-protokolah-s-antagonistom-gonadot.html?ysclid=lnmyih8y29257675120.

19. Jiang Y, Wang L, Shen H, Wang B, Wu J, Hu K et al. The effect of progesterone supplementation for luteal phase support in natural cycle frozen embryo transfer: a systematic review and meta-analysis based on randomized controlled trials. Fertil Steril. 2023;119(4):597–605. https://doi.org/10.1016/j.fertnstert.2022.12.035.

20. Alyasin A, Mehdinejadiani S, Ghasemi M. GnRH agonist trigger versus hCG trigger in GnRH antagonist in IVF/ICSI cycles: A review article. Int J Reprod Biomed. 2016;14(9):557–566. Available at: https://pubmed.ncbi.nlm.nih.gov/27738657.