Опыт применения машинного обучения для прогнозирования невынашивания беременности, наступившей с помощью вспомогательных репродуктивных технологий

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

Согласно последним данным, около 15–20% всех наступивших беременностей заканчиваются прерыванием; при этом 80% выкидышей происходят до 12 недель беременности [1]. Невынашивание беременности может возникать у абсолютно здоровой супружеской пары; однако при наличии двух и более самопроизвольных потерь беременности у женщины в сроках до 22 недель необходимы проведение дополнительного обследования, а также специальная подготовка к следующей беременности и лечение [2]. Стоит отметить, что вероятность последующего невынашивания беременности значительно возрастает при наличии двух и более прерываний в анамнезе. Риск повторного невынашивания после двух выкидышей составляет 24%, после трех – 30%, после четырех – 40% [3, 4]. К основным факторам, приводящим к невынашиванию, относят хромосомные анеуплоидии у эмбриона/плода, анатомические, инфекционные, эндокринные, иммунологические и другие факторы. Кроме этого, значительный вклад в исход беременности вносят репродуктивное здоровье мужчины и качество эякулята. Беременность, наступившая в результате вспомогательных репродуктивных технологий (ВРТ), находится в зоне риска по невынашиванию [5]. Среди основных факторов, предрасполагающих к невынашиванию беременности после проведения ВРТ, следует выделить тенденцию к увеличению возраста родителей, обратившихся за лечением бесплодия методом экстракорпорального оплодотворения (ЭКО), а также хромосомные аномалии эмбриона [6].

Анализ корригируемых факторов риска невынашивания беременности позволяет в значительной степени оптимизировать подготовку супружеской пары к программе ВРТ, снизить клинико-экономические затраты на проведение программы ЭКО в контексте снижения количества попыток ВРТ для повышения частоты живорождения, а также повысить эффективность лечения бесплодия. В настоящий момент значительный интерес для практического здравоохранения в области программ ВРТ представляют системы на основе нейросетевого моделирования, которые дают возможность более интегрального анализа корреляционных связей и выявления в большом массиве данных скрытых закономерностей [7]. Использование машинного обучения (МО) для прогнозирования невынашивания беременности после проведения программы ВРТ разделяет анализируемые данные, в зависимости от их характеристик, на подмножества на основе значений признаков. Несмотря на то что дерево решений дает возможность детектировать нелинейные зависимости и может быть легко интерпретируемо оператором, среди основных ограничений данной методики выступают возможная неустойчивость к изменениям данных, а также риск переобучения [8]. Для выявления наиболее достоверного тренда в прогнозе исхода лечения необходимо сравнивать, а также комбинировать алгоритмы, построенные на основе МО и классических математических моделей, например, линейной регрессии.

Таким образом, цель данной работы состоит в прогнозировании и определении факторов невынашивания беременности у пациентов в программе ВРТ в зависимости от клинико-анамнестических и эмбриологических параметров с использованием алгоритма решающего дерева и линейной регрессии.

Материалы и методы

В исследование была включена 1021 супружеская пара в возрасте от 21 до 44 лет, проходящая лечение бесплодия методом ВРТ. От каждой пары было получено письменное добровольное информированное согласие на участие в исследовании и обработку персональных данных. В качестве критериев включения выступали: наличие нормального кариотипа супругов, овариальная стимуляция по протоколу с антагонистом гонадотропин-рилизинг-гормона, селективный перенос эмбриона. Критериями исключения явились аномалии строения матки, а также противопоказания к проведению программы ВРТ. Пациенты, включенные в исследование, прошли предварительное обследование согласно приказу Министерства здравоохранения Российской Федерации №803н. Построение алгоритма МО и дальнейшее моделирование проводились с привлечением команды математиков.

Пациенткам, включенным в исследование, была проведена стандартная овариальная стимуляция по протоколу с антагонистом гонадотропин-рилизинг-гормона со 2-го или 3-го дня менструального цикла. Трансвагинальная пункция яичников была выполнена спустя 36 ч после инъекции ­триггера с последующим оплодотворением полученных ооцитов методом ЭКО (у 5,6% пациенток), интрацитоплазматической инъекции сперматозоида (ИКСИ) (у 81,9%) и физиологического ИКСИ (ПИКСИ) (у 12,5%). Селективный перенос эмбриона осуществлялся по стандартной методике на 5-е сутки после оплодотворения. Через 3 недели после переноса эмбриона при положительном результате крови на β-субъединицу хорионического гонадотропина человека было выполнено ультразвуковое исследование малого таза для диагностики клинической беременности. В качестве эмбриологических показателей проанализированы следующие критерии: концентрация, процент прогрессивно-подвижных, процент непрогрессивных, неподвижных сперматозоидов, процент морфологически здоровых сперматозоидов в день пункции, количество ооцит-кумулюсных комплексов (ОК...

Драпкина Ю.С., Макарова Н.П., Калинин А.П., Васильев Р.А., Амелин В.В.