CVPH. Trần Hà Lan Thanh-IVFMD Phú Nhuận 

Vô sinh đã trở thành một vấn đề sức khỏe chiếm tỉ lệ 8-12% các cặp vợ chồng trên toàn cầu. Và số lượng các cặp vợ chồng điều trị thụ tinh trong ống nghiệm (TTTON) tiếp tục tăng. Một số cặp vợ chồng vẫn không có con sau vài chu kỳ điều trị TTTON. Bệnh nhân nữ phải đối mặt với rủi ro lớn hơn về sức khoẻ, tâm lý và gánh nặng tài chính.

Sự tiến bộ của trí tuệ nhân tạo đã được nghiên cứu ứng dụng vào nhiều lĩnh vực khoa học cuộc sống. Trong lĩnh vực TTTON, trí tuệ nhân tạo (AI) dựa trên ngành máy móc học (machine learning) đã dùng xây dựng các mô hình để tự động tính điểm chất lượng phôi, mô hình tiên lượng lựa chọn phôi tiềm năng phát triển lên phôi nang, làm tổ sau khi chuyển phôi nang… Khi so với các phương pháp thống kê truyền thống để xây dựng mô hình thì machine learning có thể tính đến các tương tác giữa các biến số và kết hợp dữ liệu mới để cập nhật thuật toán. Tuy nhiên, chưa có mô hình bằng công nghệ AI tiên lượng cơ hội có trẻ sinh sống trước khi điều trị TTTON. Điều này rất cần thiết trong thực hành lâm sàng để tư vấn cho bệnh nhân, định hình kỳ vọng và giúp bệnh nhân chuẩn bị tâm lý, tài chính sắp xếp công việc trước khi điều trị.

Chính vì thế, nhóm tác giả thuộc Đại học Y Trung Quốc đã sử dụng machine learning để tạo mô hình tiên lượng trẻ sinh sống cộng dồn trước khi điều trị TTTON lần đầu tiên.

Dữ liệu đặc điểm nền của 7188 phụ nữ điều trị TTTON lần đầu tiên từ năm 2014-2018 điều trị TTTON tại Trung tâm y tế sinh sản của Bệnh viện Shengjing đã được thu thập lại như tuổi, BMI, AMH, thời gian vô sinh, nguyên nhân vô sinh, đã từng sinh con, sẩy thai, sinh non hay không. Xây dựng các mô hình machine learning khác nhau và so sánh hiệu quả tiên lượng. Xây dựng mô hình gồm 2 giai đoạn: giai đoạn đào tạo sử dụng 70% bộ dữ liệu bằng các biến tiền xử lý và giai đoạn kiểm chứng hiệu quả tiên lượng được đánh giá trên 30% bộ dữ liệu còn lại. Kiểm chứng lồng đã được sử dụng để ước tính không thiên vị về hiệu quả tiên lượng của các thuật toán.

Kết quả:

Một mô hình tiên lượng dựa trên XGBoost đã được phát triển bằng cách sử dụng tuổi, BMI, AMH, thời gian vô sinh, nguyên nhân vô sinh, đã từng sinh con, sẩy thai, sinh non hay không như các yếu tố tiên lượng. Nghiên cứu này có thể mở ra một bước đầy hứa hẹn để cung cấp công cụ tiên lượng về cơ hội có trẻ sinh sống cộng dồn của chu kỳ TTTON đầu tiên trước khi điều trị.

Nguồn: Personalized prediction of live birth prior to the first in vitro fertilization treatment: a machine learning method, Journal of Translational Medicine, 2019, https://doi.org/10.1186/s12967-019-2062-5