Оценка влияния мужского фактора бесплодия на исходы программ вспомогательных репродуктивных технологий с применением машинного обучения
Драпкина Ю.С., Макарова Н.П., Кулакова Е.В., Калинина Е.А.
Актуальность: Интерпретация показателей спермограммы при динамическом наблюдении остается неоднозначной, и изучение «веса» и вклада того или иного параметра в результативность лечения методом вспомогательных репродуктивных технологий (ВРТ) в условиях повышения доли мужского фактора представляется крайне актуальным. Анализ данных при помощи машинного обучения (МО) позволяет более точно и таргетно определить наиболее значимые корригируемые и некорригируемые предикторы наступления беременности в программах ВРТ.
Цель: Определение «веса» и влияния каждого параметра, характеризующего качество эякулята, на частоту наступления беременности, а также вклад данных показателей в эмбриологический этап программы ВРТ при помощи линейной регрессии и машинного обучения.
Материалы и методы: В ретроспективное исследование была включена 1021 супружеская пара. В исследовании были проанализированы данные спермограммы в день трансвагинальной пункции яичников в зависимости от клинических и эмбриологических исходов программы ВРТ с использованием построения алгоритмов решающего дерева и линейной регрессии.
Результаты: Построенные модели с использованием линейной регрессии и решающего дерева показали различные результаты значимости каждого фактора спермограммы в определении исходов эмбриологического этапа и частоты наступления беременности. Обращает на себя внимание, что дерево решений продемонстрировало высокую значимость показателя «концентрация сперматозоида в 1 мл, млн».
Заключение: Данные результаты отражают не только высокую перспективность дальнейших исследований в данной области, но и необходимость оптимизации подготовки мужчин к программе ВРТ. Модели, построенные с использованием линейной регрессии, не всегда могут улавливать тренд, скрытый в большом объеме анализируемой информации.
Вклад авторов: Драпкина Ю.С. – написание текста статьи, сбор литературных данных, обработка материала; Макарова Н.П. – концепция и дизайн исследования, редактирование текста статьи; Кулакова Е.В., Калинина Е.А. –редактирование текста статьи.
Конфликт интересов: Авторы заявляют об отсутствии возможных конфликтов интересов.
Финансирование: Работа проведена без привлечения дополнительного финансирования со стороны третьих лиц.
Одобрение Этического комитета: Исследование было одобрено локальным Этическим комитетом ФГБУ НМИЦ АГП им. академика В.И. Кулакова Минздрава России.
Согласие пациентов на публикацию: Пациенты подписали информированное согласие на публикацию своих данных.
Обмен исследовательскими данными: Данные, подтверждающие выводы этого исследования, доступны по запросу у автора, ответственного за переписку, после одобрения ведущим исследователем.
Для цитирования: Драпкина Ю.С., Макарова Н.П., Кулакова Е.В., Калинина Е.А.
Оценка влияния мужского фактора бесплодия на исходы программ вспомогательных
репродуктивных технологий с применением машинного обучения.
Акушерство и гинекология. 2024; 7: 96-105
https://dx.doi.org/10.18565/aig.2024.44
Ключевые слова
искусственный интеллект
ВРТ
машинное обучение
спермограмма
мужское бесплодие
решающий лес
частота наступления беременности
Список литературы
- Zegers-Hochschild F., Adamson G.D., Dyer S., Racowsky C., de Mouzon J., Sokol R. et al. The international glossary on infertility and fertility care, 2017. Fertil. Steril. 2017; 108(3): 393-406. https://dx.doi.org/10.1016/ j.fertnstert.2017.06.005.
- Vander Borght M., Wyns C. Fertility and infertility: definition and epidemiology. Clin. Biochem. 2018; 62: 2-10. https://dx.doi.org/10.1016/ j.clinbiochem.2018.03.012.
- Приказ Министерства здравоохранения Российской Федерации N 108н от 28.02.2019 «Об утверждении правил обязательного медицинского страхования» (с изменениями 13.12.2022 №789н).
- Приказ Министерства здравоохранения Российской Федерации от 31 июля 2020 г. № 803н «О порядке использования вспомогательных репродуктивных технологий, противопоказаниях и ограничениях к их применению».
- Корнеева И.Е., Назаренко Т.А., Перминова С.Г., Митюрина Е.В., Цыбизова Т.И., Дашиева А.Э. Медико-социальные факторы бесплодия в России. Акушерство и гинекология. 2023; 3: 65-72.
- Лебедев Г.С., Голубев Н.А., Шадеркин И.А., Шадеркина В.А., Аполихин О.И., Сивков А.В., Комарова В.А. Мужское бесплодие в Российской Федерации: статистические данные за 2000-2018 годы. Экспериментальная и клиническая урология. 2019; 4: 4-12.
- Шатылко Т.В., Гамидов С.И., Франкевич В.Е., Стародубцева Н.Л., Гасанов Н.Г., Тамбиев А.Х. Астенозооспермия и протеомные факторы регуляции подвижности сперматозоидов. Акушерство и гинекология. 2020; 4: 37-44.
- Овчинников Р.И., Гамидов С.И., Попова А.Ю., Ушакова И.В., Голубева О.Н. Привычное невынашивание беременности - что зависит от мужчины? Акушерство и гинекология. 2016; 12: 15-23.
- Danis R.B., Samplaski M.K. Sperm morphology: history, challenges, and impact on natural and assisted fertility. Curr. Urol. Rep. 2019; 20(8): 43. https://dx.doi.org/10.1007/s11934-019-0911-7.
- Jiang V.S., Bormann C.L. Artificial intelligence in the in vitro fertilization laboratory: a review of advancements over the last decade. Fertil. Steril. 2023; 120(1): 17-23. https://dx.doi.org/10.1016/j.fertnstert.2023.05.149.
- You J.B., McCallum C., Wang Y., Riordon J, Nosrati R, Sinton D. Machine learning for sperm selection. Nat. Rev. Urol. 2021; 18(7): 387-403. https://dx.doi.org/10.1038/s41585-021-00465-1.
- Choi R.Y., Coyner A.S., Kalpathy-Cramer J., Chiang M.F., Campbell J.P. Introduction to machine learning, neural networks, and deep learning. Transl. Vis. Sci. Technol. 2020; 9(2): 14. https://dx.doi.org/10.1167/tvst.9.2.14.
- Драпкина Ю.С., Макарова Н.П., Татаурова П.Д., Калинина Е.А. Поддержка врачебных решений с помощью глубокого машинного обучения при лечении бесплодия методами вспомогательных репродуктивных технологий. Медицинский совет. 2023; 17(15): 27-37.
- Олефир Ю.В., Виноградов И.В., Родионов М.А., Живулько А.Р., Попов Д.М., Монаков Д.М. Шестое руководство ВОЗ по обработке и исследованию эякулята: все новое - это хорошо забытое старое? Вестник урологии. 2023; 11(1): 171-6.
- Cooper T.G., Noonan E., von Eckardstein S., Auger J., Baker H.W., Behre H.M. et al. World Health Organization reference values for human semen characteristics. Hum. Reprod. Update. 2010; 16(3): 231-45. https://dx.doi.org/10.1093/humupd/dmp048.
- Chua A.C., Abdul Karim A.K., Tan A.C.C., Abu M.A., Ahmad M.F. The outcome of intra-cytoplasmic sperm injection (ICSI): do the sperm concentration and motility matter? Horm. Mol. Biol. Clin. Investig. 2021; 42(4): 367-72. https://dx.doi.org/10.1515/hmbci-2020-0089.
- Timofeeva A., Drapkina Y., Fedorov I., Chagovets V., Makarova N., Shamina M. et al. Small noncoding RNA signatures for determining the developmental potential of an embryo at the morula stage. Int. J. Mol. Sci. 2020; 21(24): 9399. https://dx.doi.org/10.3390/ijms21249399.
- Nagy Z.P., Liu J., Joris H., Verheyen G., Tournaye H., Camus M. et al. The result of intracytoplasmic sperm injection is not related to any of the three basic sperm parameters. Hum. Reprod. 1995; 10(5): 1123-9. https://dx.doi.org/10.1093/oxfordjournals.humrep.a136104.
- Tannus S., Son W.Y., Gilman A., Younes G., Shavit T., Dahan M.H. The role of intracytoplasmic sperm injection in non-male factor infertility in advanced maternal age. Hum. Reprod. 2017; 32(1): 119-24. https://dx.doi.org/10.1093/humrep/dew298.
- Mercan R., Lanzendorf E.S., Mayer J. Jr, Nassar A., Muasher S.J., Oehninger S. The outcome of clinical pregnancies following intracytoplasmic sperm injection is not affected by semen quality. Andrologia. 1998; 30(2): 91-5.https://dx.doi.org/10.1111/j.1439-0272.1998.tb01152.x.
- Zaninovic N., Rosenwaks Z. Artificial intelligence in human in vitro fertilization and embryology. Fertil. Steril. 2020; 114(5): 914-20.https://dx.doi.org/10.1016/j.fertnstert.2020.09.157.
- Goyal A., Kuchana M., Ayyagari K.P.R. Machine learning predicts live-birth occurrence before in-vitro fertilization treatment. Sci. Rep. 2020; 10(1): 20925. https://dx.doi.org/10.1038/s41598-020-76928-z.
- Peng T., Liao C., Ye X., Chen Z., Li X., Lan Y. et al. Machine learning-based clustering to identify the combined effect of the DNA fragmentation index and conventional semen parameters on in vitro fertilization outcomes. Reprod. Biol. Endocrinol. 2023; 21(1): 26. https://dx.doi.org/10.1186/s12958-023-01080-y.
Поступила 01.03.2024
Принята в печать 03.06.2024
Об авторах / Для корреспонденции
Драпкина Юлия Сергеевна, к.м.н., н.с. отделения вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова, Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. академика В.И. Кулакова МЗ РФ, 117997, Россия, Москва, ул. Академика Опарина, д. 4,yu_drapkina@oparina4.ru, https://orcid.org/0000-0002-0545-1607
Макарова Наталья Петровна, д.б.н., в.н.с. отделения вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова, Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. академика В.И. Кулакова МЗ РФ, 117997, Россия, Москва, ул. Академика Опарина, д. 4,
np_makarova@oparina4.ru, https://orcid.org/0000-0003-8922-2878
Кулакова Елена Владимировна, д.м.н., с.н.с. отделения вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова, Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. академика В.И. Кулакова МЗ РФ, 117997, Россия, Москва, ул. Академика Опарина, д. 4,
e_kulakova@oparina4.ru, https://orcid.org/0000-0002-4433-4163
Калинина Елена Анатольевна, д.м.н., профессор, заведующая отделением вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова, Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. академика В.И. Кулакова МЗ РФ, 117997, Россия, Москва, ул. Академика Опарина,
д. 4, e_kalinina@oparina4.ru, https://orcid.org/0000-0002-8922-2878
Также по теме
