Возможности оценки плоидности эмбрионов

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Анеуплоидия эмбрионов является одной из главных причин неудач имплантации и выкидыша на ранних сроках беременности. Преимплантационное генетическое тестирование на анеуплоидии (ПГТ-А) позволяет оценить плоидность эмбриона до проведения переноса, но связано с рядом ограничений. Введение алгоритмов автоматизированного анализа в работу эмбриологов может существенно улучшить отбор эмбрионов и уменьшить влияние человеческого фактора.

Цель: Оценить эффективность применения алгоритмов автоматизированного анализа для определения плоидности эмбрионов в различных возрастных группах.

Материалы и методы: Проведено ретроспективное исследование эмбрионов 51 пациентки, проходивших с января по май 2022 г. в медицинском центре «Семья» программу экстракорпорального оплодотворения (ЭКО) с ПГТ-А. Эффективность определения эуплоидии по изображению бластоцисты сравнивали с полученными результатами ПГТ-А. В работе использовали программу ERICA 1.0 (Embryo Ranking Intelligent Classification Algorithm).

Результаты: Было получено суммарно 117 бластоцист, 101 из которых подвергли ПГТ-А, а также автоматизированному анализу: 31 бластоциста от женщин до 35 лет, средний возраст 30,7 лет; от 35 до 39 лет, средний возраст 37,4 лет – 39 бластоцист и старше 40 лет, средний возраст 42 года – 31 бластоциста. По результатам ПГТ-А 101 эмбриона частота эуплоидии составила 51,5%. Точность, прогностическая ценность положительного, отрицательного результата, чувствительность, специфичность и площадь под кривой ROC составили 0,74, 0,76, 0,73, 0,73, 0,76 и 0,78 соответственно. Наиболее значимых результатов удалось добиться в когорте пациенток младше 35 лет.

Заключение: Автоматизированный анализ изображений демонстрирует перспективность в качестве вспомогательного инструмента принятия решений при выборе эмбрионов, в особенности, когда речь идет о пациентках старше 35 лет.

Полный текст

Доступ закрыт

Об авторах

Альфия Галимовна Ящук

ФГБОУ ВО «Башкирский государственный медицинский университет» Минздрава России

Email: dasha.gromenko@mail.ru

д.м.н., профессор, заведующая кафедрой акушерства и гинекологии №2

Россия, 450008, Республика Башкортостан, Уфа, ул. Ленина, д. 3

Дарья Дмитриевна Громенко

ФГБОУ ВО «Башкирский государственный медицинский университет» Минздрава России

Автор, ответственный за переписку.
Email: dasha.gromenko@mail.ru
ORCID iD: 0000-0001-5638-1779

аспирант кафедры акушерства и гинекологии №2

Россия, 450008, Республика Башкортостан, Уфа, ул. Ленина, д. 3

Светлана Фаниловна Насырова

ФГБОУ ВО «Башкирский государственный медицинский университет» Минздрава России

Email: dasha.gromenko@mail.ru
ORCID iD: 0000-0002-2313-7232

к.м.н., доцент кафедры акушерства и гинекологии №2

Россия, 450008, Республика Башкортостан, Уфа, ул. Ленина, д. 3

Юлия Юрьевна Громенко

Медицинский центр «Семья»

Email: dasha.gromenko@mail.ru
ORCID iD: 0000-0002-3373-0873

к.м.н., главный врач

Россия, 450054, Республика Башкортостан, Уфа, пр-т Октября, д. 73, корп. 1

Список литературы

  1. Melo P., Dhillon-Smith R., Islam M.A., Devall A., Coomarasamy A. Genetic causes of sporadic and recurrent miscarriage. Fertil. Steril. 2023; 120(5): 940-4. https://dx.doi.org/10.1016/j.fertnstert.2023.08.952
  2. Matorras R., Pérez-Fernández S., Mercader A., Sierra S., Larreategui Z., Ferrando M. et al. Lessons learned from 64,071 embryos subjected to PGT for aneuploidies: results, recurrence pattern and indications analysis. Reprod. Biomed. Online. 2024; 49(5): 103979. https://dx.doi.org/10.1016/j.rbmo.2024.103979
  3. Российская Aссоциация Репродукции Человека. Регистр ВРТ. Отчет за 2022 год. Доступно по: https://www.rahr.ru/d_registr_otchet/RegistrVRT_2022.pdf [Russian Association of Human Reproduction. ART Register. 2022 Report. Available at: https://www.rahr.ru/d_registr_otchet/RegistrVRT_2022.pdf (in Russian)].
  4. Casper R.F. PGT-A: Houston, we have a problem. J. Assist. Reprod. Genet. 2023; 40(10): 2325-32. https://dx.doi.org/10.1007/s10815-023-02913-w
  5. Theobald R., SenGupta S., Harper J. The status of preimplantation genetic testing in the UK and USA. Hum. Reprod. 2020; 35(4): 986-98. https://dx.doi.org/10.1093/humrep/deaa034
  6. Roos Kulmann M.I., Lumertz Martello C., Bos-Mikich A., Frantz N. Pronuclear and blastocyst morphology are associated age-dependently with embryo ploidy in in vitro fertilization cycles. Hum. Fertil. (Camb). 2022; 25(2): 369-76. https://dx.doi.org/10.1080/14647273.2020.1808716
  7. Khosravi P., Kazemi E., Zhan Q., Malmsten J.E., Toschi M., Zisimopoulos P. et al. Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization. NPJ Digit. Med. 2019; 2: 21. https://dx.doi.org/10.1038/s41746-019-0096-y
  8. Cimadomo D., Rienzi L., Conforti A., Forman E., Canosa S., Innocenti F. et al. Opening the black box: why do euploid blastocysts fail to implant? A systematic review and meta-analysis. Hum. Reprod. Update. 2023; 29(5): 570-633. https://dx.doi.org/10.1093/humupd/dmad010
  9. Giménez C., Conversa L., Murria L., Meseguer M. Time-lapse imaging: morphokinetic analysis of in vitro fertilization outcomes. Fertil. Steril. 2023; 120(2): 218-27. https://dx.doi.org/10.1016/j.fertnstert.2023.06.015
  10. Riegler M.A., Stensen M.H., Witczak O., Andersen J.M., Hicks S.A., Hammer H.L. et al. Artificial intelligence in the fertility clinic: status, pitfalls and possibilities. Hum. Reprod. 2021; 36(9): 2429-42. https://dx.doi.org/10.1093/humrep/deab168
  11. Luong T.M., Le N.Q.K. Artificial intelligence in time-lapse system: advances, applications, and future perspectives in reproductive medicine. J. Assist. Reprod. Genet. 2024; 41(2): 239-52. https://dx.doi.org/10.1007/s10815-023-02973-y
  12. Diakiw S.M., Hall J.M.M., VerMilyea M.D., Amin J., Aizpurua J., Giardini L. et al. Development of an artificial intelligence model for predicting the likelihood of human embryo euploidy based on blastocyst images from multiple imaging systems during IVF. Hum. Reprod. 2022; 37(8): 1746-59. https://dx.doi.org/10.1093/humrep/deac131
  13. Paya E., Pulgarín C., Bori L., Colomer A., Naranjo V., Meseguer M. Deep learning system for classification of ploidy status using time-lapse videos. F. S. Sci. 2023; 4(3): 211-8. https://dx.doi.org/10.1016/j.xfss.2023.06.002
  14. 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. [Drapkina Yu.S., Makarova N.P., Vasilev R.A., Amelin V.V., Frankevich V.E., Kalinina E.A. Application of various machine learning techniques to the analysis of clinical, anamnestic, and embryological data of patients undergoing assisted reproductive technologies. Obstetrics and Gynecology. 2024; (3): 96-107 (in Russian)]. https://dx.doi.org/10.18565/aig.2023.281
  15. Bori L., Paya E., Alegre L., Viloria T.A., Remohi J.A., Naranjo V. et al. Novel and conventional embryo parameters as input data for artificial neural networks: an artificial intelligence model applied for prediction of the implantation potential. Fertil. Steril. 2020; 114(6): 1232-41. https://dx.doi.org/10.1016/j.fertnstert.2020.08.023
  16. Министерство здравоохранения Российской Федерации. Клинические рекомендации. Женское бесплодие. М.; 2024. [Ministry of Health of the Russian Federation. Clinical guidelines. Female infertility. Moscow; 2024. (in Russian)].
  17. Российская Ассоциация Репродукции Человека. Секция «Клиническая эмбриология». Оценка ооцитов и эмбрионов в лаборатории ВРТ. Методические рекомендации. М.; 2021. 17 с. [Russian Association of Human Reproduction. Section "Clinical embryology". Assessment of oocytes and embryos in the ART laboratory. Methodological recommendations. Moscow; 2021. 17 p. (in Russian)].
  18. ERICA. ERICA: artificial intelligence for embryo selection. Available at: https://embryoranking.com/
  19. Chavez-Badiola A., Flores-Saiffe-Farías A., Mendizabal-Ruiz G., Drakeley A.J., Cohen J. Embryo ranking intelligent classification algorithm (ERICA): artificial intelligence clinical assistant predicting embryo ploidy and implantation. Reprod. Biomed. Online. 2020; 41(4): 585-93. https://dx.doi.org/10.1016/j.rbmo.2020.07.003
  20. Capalbo A., Poli M., Rienzi L., Girardi L., Patassini C., Fabiani M. et al. Mosaic human preimplantation embryos and their developmental potential in a prospective, non-selection clinical trial. Am. J. Hum. Genet. 2021; 108(12): 2238-47. https://dx.doi.org/10.1016/j.ajhg.2021.11.002
  21. Salih M., Austin C., Warty R.R., Tiktin C., Rolnik D.L., Momeni M. et al. Embryo selection through artificial intelligence versus embryologists: a systematic review. Hum. Reprod. Open. 2023; 2023(3): hoad031. https://dx.doi.org/10.1093/hropen/hoad031
  22. Xin X., Wu S., Xu H., Ma Y., Bao N., Gao M. et al. Non-invasive prediction of human embryonic ploidy using artificial intelligence: a systematic review and meta-analysis. EClinicalMedicine. 2024; 77: 102897. https://dx.doi.org/10.1016/j.eclinm.2024.102897
  23. Diakiw S.M., Hall J.M.M., VerMilyea M.D., Amin J., Aizpurua J., Giardini L. et al. Development of an artificial intelligence model for predicting the likelihood of human embryo euploidy based on blastocyst images from multiple imaging systems during IVF. Hum. Reprod. 2022; 37(8): 1746-59. https://dx.doi.org/10.1093/humrep/deac131
  24. Diakiw S.M., Hall J.M.M., VerMilyea M., Lim A.Y.X., Quangkananurug W., Chanchamroen S. et al. An artificial intelligence model correlated with morphological and genetic features of blastocyst quality improves ranking of viable embryos. Reprod. Biomed. Online. 2022; 45(6): 1105-17. https://dx.doi.org/10.1016/j.rbmo.2022.07.018

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рисунок. Площадь под ROC-кривой для оценки плотности эмбрионов для всех групп

Скачать (57KB)

© ООО «Бионика Медиа», 2025