Опыт применения машинного обучения для прогнозирования невынашивания беременности, наступившей с помощью вспомогательных репродуктивных технологий
Драпкина Ю.С., Макарова Н.П., Калинин А.П., Васильев Р.А., Амелин В.В.
Актуальность: Анализ данных при помощи машинного обучения (МО) позволяет более комплексно проанализировать предикторы невынашивания беременности, наступившей после применения вспомогательных репродуктивных технологий (ВРТ). Прогнозирование частоты живорождения в программе ВРТ может быть выполнено при помощи традиционных математических моделей; однако использование МО позволяет выявить скрытые закономерности в нелинейных связях и определить дополнительные корригируемые факторы.
Цель: Прогнозирование невынашивания беременности у пациентов, проходящих лечение бесплодия методом ВРТ, в зависимости от клинико-анамнестических и эмбриологических параметров с использованием алгоритма решающего дерева и линейной регрессии.
Материалы и методы: В ретроспективное исследование была включена 1021 супружеская пара. В исследовании проанализированы данные клинико-лабораторных обследований и параметры стимулированного цикла в зависимости от частоты наступления беременности и невынашивания беременности после ВРТ при помощи линейной регрессии и решающего дерева.
Результаты: Определены наиболее важные предикторы невынашивания беременности в программе ВРТ с использованием двух моделей, к которым относятся возраст, наличие беременностей от данного партнера в анамнезе, продолжительность стимуляции, качество эмбрионов, а также метод оплодотворения.
Заключение: Исследования в данной области, в особенности с использованием МО в качестве инструмента обработки данных, позволяют создать программный продукт для более персонифицированного и интегрального прогноза частоты живорождения у каждой супружеской пары. Полученные результаты могут оптимизировать финансово-экономические затраты государства на проведение цикла ВРТ за счет средств обязательного медицинского страхования у разных групп пациентов. Кроме этого, более четкий и унифицированный алгоритм позволяет более таргетно воздействовать на наиболее вероятную причину невынашивания с учетом оптимизации временных затрат на подготовку при сохранении максимального эффекта для снижения частоты невынашивания после ВРТ.
Вклад авторов: Драпкина Ю.С. – написание текста статьи; Макарова Н.П. – концепция и дизайн исследования, редактирование текста статьи; Калинин А.П. – сбор литературных данных; Васильев Р.А., Амелин В.В. – обработка материала, построение математической модели.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Финансирование: Работа выполнена без спонсорской поддержки.
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., Калинин А.П., Васильев Р.А., Амелин В.В.
Опыт применения машинного обучения для прогнозирования невынашивания беременности,
наступившей с помощью вспомогательных репродуктивных технологий.
Акушерство и гинекология. 2024; 9: 90-98
https://dx.doi.org/10.18565/aig.2024.157
Ключевые слова
Список литературы
- American College of Obstetricians and Gynecologists' Committee on Practice Bulletins—Gynecology. ACOG Practice Bulletin No. 200: Early Pregnancy Loss. Obstet. Gynecol. 2018; 132(5): e197-e207. https://dx.doi.org/10.1097/AOG.0000000000002899.
- Письмо Минздрава России от 07.06.2016 №15-4/10/2-3482 «О направлении клинических рекомендаций (протокола лечения) "Выкидыш в ранние сроки беременности: диагностика и тактика ведения"».
- Лычагин А.С., Малинина О.Ю. Невынашивание беременности: вклад мужского фактора и возможности его преодоления. Проблемы репродукции. 2017; 23(5): 106 14.
- Тетруашвили Н.К. Привычный выкидыш. Акушерство и гинекология: новости, мнения, обучение. 2017; 4: 70-87.
- Батрак Н.В., Малышкина А.И., Сотникова Н.Ю., Крошкина Н.В., Перетятко Л.П., Фатеева Н.В. Медико-социальные факторы и патогенетические механизмы ранней потери беременности у женщин с привычным невынашиванием в анамнезе. Акушерство и гинекология. 2020; 7: 79-86.
- Утробин М.В., Юрьев С.Ю. Возможности прогнозирования привычного выкидыша в предгравидарном периоде. Бюллетень медицинской науки. 2020; 2(18): 39-42.
- Драпкина Ю.С., Макарова Н.П., Васильев Р.А., Амелин В.В., Калинина Е.А. Сравнение прогностических моделей, построенных с помощью разных методов машинного обучения, на примере прогнозирования результатов лечения бесплодия методом вспомогательных репродуктивных технологий. Акушерство и гинекология. 2024; 2: 97-105.
- Драпкина Ю.С., Макарова Н.П., Васильев Р.А., Амелин В.В., Франкевич В.Е., Калинина Е.А. Изучение аналитической обработки клинико-анамнестических и эмбриологических данных пациентов в программе вспомогательных репродуктивных технологий различными методами машинного обучения. Акушерство и гинекология. 2024; 3: 96-107.
- Blank C., Wildeboer R.R., DeCroo I., Tilleman K., Weyers B., De Sutter P. et al. Prediction of implantation after blastocyst transfer in in vitro fertilization: a machine-learning perspective. Fertil. Steril. 2019; 111(2): 318-26. https://dx.doi.org/10.1016/j.fertnstert.2018.10.030.
- 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 outcomes. J. Assist. Reprod. Genet. 2020; 37(10): 2405-12. https://dx.doi.org/10.1007/s10815-020-01908-1.
- Yuan G., Lv B., Du X., Zhang H., Zhao M., Liu Y. et al. Prediction model for missed abortion of patients treated with IVF-ET based on XGBoost: a retrospective study. PeerJ. 2023; 11: e14762. https://dx.doi.org/10.7717/peerj.14762.
- Crawford G.E., Ledger W.L. In vitro fertilisation/intracytoplasmic sperm injection beyond 2020. BJOG. 2019; 126(2): 237-43. https://dx.doi.org/10.1111/1471-0528.15526.
- Buca D., D'Antonio F., Liberati M., Tinari S., Pagani G., Greco P. et al. Ovarian hyperstimulation syndrome and adverse pregnancy outcome. Minerva Obstet. Gynecol. 2022; 74(2): 178-85. https://dx.doi.org/10.23736/S2724-606X.21.04806-5.
- Zheng D., Zeng L., Yang R., Lian Y., Zhu Y.M., Liang X. et al. Intracytoplasmic sperm injection (ICSI) versus conventional in vitro fertilisation (IVF) in couples with non-severe male infertility (NSMI-ICSI): protocol for a multicentre randomised controlled trial. BMJ Open. 2019; 9(9): e030366. https://dx.doi.org/10.1136/bmjopen-2019-030366.
- Rodrigo L. Sperm genetic abnormalities and their contribution to embryo aneuploidy & miscarriage. Best Pract. Res. Clin. Endocrinol. Metab. 2020; 34(6): 101477. https://dx.doi.org/10.1016/j.beem.2020.101477.
- Louis C.M., Handayani N., Aprilliana T., Polim A.A., Boediono A., Sini I. Genetic algorithm-assisted machine learning for clinical pregnancy prediction in in vitro fertilization. AJOG Glob. Rep. 2022; 3(1): 100133. https://dx.doi.org/10.1016/j.xagr.2022.100133.
- Liu L., Jiao Y., Li X., Ouyang Y., Shi D. Machine learning algorithms to predict early pregnancy loss after in vitro fertilization-embryo transfer with fetal heart rate as a strong predictor. Comput. Methods Programs Biomed. 2020; 196: 105624. https://dx.doi.org/10.1016/j.cmpb.2020.105624.
- Leijdekkers J.A., Eijkemans M.J.C., van Tilborg T.C., Oudshoorn S.C., McLernon D.J., Bhattacharya S. et al. Predicting the cumulative chance of live birth over multiple complete cycles of in vitro fertilization: an external validation study. Hum. Reprod. 2018; 33(9): 1684-95. https://dx.doi.org/10.1093/humrep/dey263.
- McLernon D.J., Steyerberg E.W., Te Velde E.R., Lee A.J., Bhattacharya S. Predicting the chances of a live birth after one or more complete cycles of in vitro fertilisation: population based study of linked cycle data from 113,873 women. BMJ. 2016; 355: i5735. https://dx.doi.org/10.1136/bmj.i5735.
- Qiu J., Li P., Dong M., Xin X., Tan J. Personalized prediction of live birth prior to the first in vitro fertilization treatment: a machine learning method. J. Transl. Med. 2019; 17(1): 317. https://dx.doi.org/10.1186/s12967-019-2062-5.
- Pino V., Sanz A., Valdés N., Crosby J., Mackenna A. The effects of aging on semen parameters and sperm DNA fragmentation. JBRA Assist. Reprod. 2020; 24(1): 82-6. https://dx.doi.org/10.5935/1518-0557.20190058.
Поступила 06.07.2024
Принята в печать 23.09.2024
Об авторах / Для корреспонденции
Драпкина Юлия Сергеевна, к.м.н., с.н.с. отделения вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова, НМИЦ АГП им. академика В.И. Кулакова Минздрава России, 117997, Россия, Москва, ул. Академика Опарина, д. 4, yu_drapkina@oparina4.ru, https://orcid.org/0000-0002-0545-1607Макарова Наталья Петровна, д.б.н., в.н.с. отделения вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова, НМИЦ АГП им. академика В.И. Кулакова Минздрава России, 117997, Россия, Москва, ул. Академика Опарина, д. 4, np_makarova@oparina4.ru, https://orcid.org/0000-0003-8922-2878
Калинин Андрей Павлович, студент лечебного факультета, РНИМУ им. Н.И. Пирогова Минздрава России, 117997, Россия, Москва, ул. Островитянова, д. 1,
zoaza8@mail.ru
Васильев Роберт Андреевич, руководитель лаборатории прикладного искусственного интеллекта Z-union; вице-президент Ассоциации лабораторий по развитию искусственного интеллекта; аспирант Московского физико-технического института (МФТИ); магистр кафедры прикладной физики и математики МФТИ; магистр экономики (РАНХиГС при Президенте РФ); бакалавр Национального исследовательского университета «Московский институт электронной техники».
Амелин Владислав Владимирович, технический директор лаборатории прикладного искусственного интеллекта Z-union, эксперт по машинному обучению; магистр Московского государственного университета (факультет вычислительной математики и кибернетики, кафедра математических методов прогнозирования); бакалавр Национального исследовательского университета «Московский институт электронной техники».