NHS. Đặng Thị Thoại Sang – IVFMD

Với sự phát triển nhanh của công nghệ số, chúng ta có thể thấy thuật toán máy tính được ứng dụng trong hầu hết các lĩnh vực công nghiệp, nông nghiệp, kể cả y khoa, và hỗ trợ sinh sản (HTSS) đã được các nhà khoa học kĩ thuật quan tâm. Về mặt phôi học, HTSS đã áp dụng thành công thuật toán hình ảnh trong việc phân loại phôi nhằm tối ưu khả năng tiên lượng phôi làm tổ. Gần đây, một nghiên cứu khác của Letterie và McDonald cũng áp dụng thuật toán dự đoán phân tích trong quá trình kích thích buồng trứng điều trị TTTON. Tuy nhiên, nghiên cứu này còn hạn chế khi chỉ sử dụng một dữ liệu từ 1 trung tâm và sau đó không được áp dụng rộng rãi.
 
Hiện nay, trong quá trình điều trị TTTON, bác sĩ sẽ là người quyết định ngày trigger dựa vào đặc điểm của bệnh nhân, kích thước nang noãn, nồng độ estradiol và tiền sử điều trị. Do đó, vẫn còn nhiều tranh cãi và chưa có sự thống nhất trong việc chọn ngày trigger, vì vậy việc xác định cách giúp tối ưu hoá thời gian tiêm trigger và thống nhất giữa các trung tâm để đạt tối đa số lượng tế bào noãn được thụ tinh (2PN) và tổng số phôi bào có thể sử dụng được là điều cần thiết. Eduardo và cộng sự đã thực hiện nghiên cứu này bằng việc sử dụng thuật toán machine learning.
 
Thiết kế nghiên cứu:
Nhóm nghiên cứu thu thập các thông tin trên 7866 bệnh nhân đã làm TTON có tiêm tinh trùng vào bào tương noãn từ năm 2008 đến 2019 về đặc điểm BN, đặc điểm chu kì điều trị, sau đó thuật toán được thiết kế bằng công cụ Light GBM và chia ra thành hai nhóm: nhóm 1 là nhóm trigger vào đúng ngày thuật toán đưa ra và nhóm 2 là nhóm trigger trước 1 ngày. Đồng thời nghiên cứu cũng so sánh với sự lựa chọn ngày trigger của thuật toán với ý kiến của bác sĩ đồng tình hay phản đối. Kết cục chính của nghiên cứu là cải thiện kết quả tổng số 2PN và phôi bào có thể sử dụng được so với quyết định của bác sĩ đưa ra.
 
Kết quả:
Về việc đánh giá mức độ cải thiện về số lượng phôi 2PN, lợi ích của việc thực hiện theo khuyến cáo của mô hình tăng thêm 3,015 lần (95% CI 2.626 - 3.371). Đối với tổng số phôi nang có thể sử dụng được, lợi ích thu được là nhiều phôi nang có thể sử dụng hơn 1.515 lần ( 95% CI 1.134 - 1.871). Đồng thời, nghiên cứu báo cáo cho thấy sự trùng khớp giữa ý kiến của bác sĩ và mô hình thuật toán tương ứng là 52,57% và 61,89%, lần lượt ở phôi 2PN và phôi nang. Các quyết định thực hiện được hỗ trợ bằng thuật toán mang lại đạt kết quả tăng trung bình thêm 1.430 lần đối với phôi 2PN và 0,577 lần đối với tổng số phôi nang có thể sử dụng được trong một chu kì KTBT. Các đặc điểm quan trọng nhất ảnh hưởng đến quyết định của mô hình này theo thứ tự là số lượng nang noãn có đường kính từ 16-20 mm, số lượng nang noãn có đường kính từ 11- 15 mm và nồng độ estradiol.
 
Kết luận:
Việc sử dụng thuật toán machine learning cho thấy có hiệu quả trong việc chọn thời điểm tiêm trigger để cải thiện số lượng 2PN và tổng số phôi bào có thể sử dụng được trong một chu kỳ kích thích buồng trứng khi đem ra so sánh với các quyết định của bác sĩ. Do đó, việc phát triển hướng nghiên cứu này trong tương lai là cần thiết và nên được nghiên cứu thêm.
 
Tài liệu tham khảo:
Hariton, E., Chi, E. A., Chi, G., Morris, J. R., Braatz, J., Rajpurkar, P., & Rosen, M. (2021). A machine learning algorithm can optimize the day of trigger to improve in vitro fertilization outcomes. Fertility and Sterility.

Từ khóa: Sử dụng machine learning để tối ứu hoá việc chọn ngày trigger nhằm cải thiện kết cục điều trị hỗ trợ sinh sản