Một số mô hình tính điểm và phân loại phôi đã được phát triển để ra quyết định lâm sàng và dự đoán thành công thụ tinh trong ống nghiệm (TTTON). Các mô hình này cơ bản dựa trên những phân tích hồi quy đa biến (MvLRM-multivariate logistic regression model). Tuy nhiên, phân tích này không khai thác được mối liên kết sẵn có giữa các yếu tố tiên lượng và sự kết hợp của các yếu tố tiên lượng không đáng kể. Điều này giải thích tại sao dù đã ngoại kiểm, dường như độ chính xác của mô hình tiên lượng này vẫn thấp. Ngoài ra, hầu hết các mô hình đều dựa trên rất nhiều chu kỳ điều trị, nên sự chồng lấp các trường trong dữ liệu là có thể xảy ra.

Công nghệ trí tuệ nhân tạo dựa trên Machine learning (ML) là hướng tiếp cận đầy triển vọng để ứng dụng trong TTTON. ML là khoa học tập trung vào cách máy tính học từ dữ liệu mà không được cung cấp rõ ràng. Các thuật toán dựa trên ML với khả năng xử lý dữ liệu mạnh mẽ đã trở thành một phương pháp đầy hứa hẹn cho việc ra quyết định lâm sàng và nghiên cứu y học. Cho đến nay, ML đã ứng dụng trong đánh giá, phân loại phôi tự động, xây dựng mô hình tiên lượng kết cục điều trị.

Mô hình rừng ngẫu nhiên (RFM- random forest model) là một trong các dạng thuật toán ML có giám sát với khả năng thực hiện cả các nhiệm vụ hồi quy và phân loại. Như tên cho thấy, thuật toán này tạo ra khu rừng với một số cây quyết định. Một lợi thế của RFM so với MvLRM là nó như một hệ thống kiểm soát chất lượng vì có thể kết hợp nhiều biến số ngoài các yếu tố tiên lượng lâm sàng quan trọng.

Chính vì thế, nghiên cứu này đã khai thác những lợi thế của RFM để xây dựng mô hình tiên lượng kết quả thai diễn tiến. Mô hình kết hợp cả hai biến số là kết quả phôi học và lâm sàng của một nhóm bệnh nhân (n=1.052) được điều trị bằng cách chuyển phôi đơn (SET) phôi nang. Đồng thời so sánh hiệu suất tiên lượng kết quả thai diễn tiến ≥11 tuần của RFM so với mô hình MvLRM, thông qua giá trị AUC, độ chính xác, độ đặc hiệu và độ nhạy.

Phân tích ROC cho kết quả AUC để tiên lượng kết quả thai diễn tiến ≥11 tuần của RFM là 0,74 ± 0,03, độ nhạy là 0,84 ± 0,07; độ đặc hiệu là 0,48 ± 0,07.

Trong khi đó, giá trị AUC để tiên lượng kết quả thai diễn tiến ≥11 tuần của MvLRM là 0,66 ± 0,05; độ nhạy 0,66 ± 0,08 và độ đặc hiệu là 0,58 ± 0,08.

Như vậy, hiệu suất tiên lượng kết quả thai diễn tiến của mô hình RFM được cải thiện đáng kể khi so với MvLRM. Ứng dụng trí tuệ nhân tạo có thể cải thiện được hiệu suất tiên lượng các kết cục điều trị lâm sàng.

Nguồn: Prediction of implantation after blastocyst transfer in in vitro fertilization: a machine-learning perspective, Fertility and Sterility, 2019,  https://doi.org/10.1016/j.fertnstert.2018.10.030
 

Từ khóa: Tiên lượng khả năng làm tổ sau khi chuyển phôi nang trong IVF: bằng thuật toán machine-learning