CN. Trần Thị Hoa Phượng – IVF Tâm Anh.

Giới thiệu
Trong hơn 40 năm qua, lĩnh vực công nghệ hỗ trợ sinh sản (Assisted Reproductive Technologies - ARTs) đã chứng kiến những tiến bộ đáng kể, đặc biệt sau sự ra đời của em bé đầu tiên thông qua thụ tinh trong ống nghiệm (IVF). Hiện nay, ngành y tế ngày càng áp dụng các thuật toán máy học (machine learning - ML) để nâng cao chất lượng chăm sóc bệnh nhân và hiệu quả hoạt động. Tuy nhiên, vẫn còn những thách thức đáng kể. Trong bối cảnh đó, trí tuệ nhân tạo (Artificial intelligence - AI) trong kích thích buồng trứng đang nổi lên như một lĩnh vực đầy hứa hẹn, thu hút sự đầu tư và nghiên cứu ngày càng tăng từ cả cộng đồng khoa học và công nghệ. AI-assisted IVF là một lĩnh vực nghiên cứu đang phát triển nhanh chóng, có khả năng cải thiện hiệu quả và kết quả của kích thích buồng trứng bằng cách tối ưu hóa liều lượng và thời gian của thuốc, giảm khả năng kích thích quá mức hoặc dưới mức, và hợp lý hóa quy trình IVF. Điều này có thể dẫn đến tăng tiêu chuẩn hóa và kết quả lâm sàng tốt hơn cho bệnh nhân. Về lâu dài, việc tích hợp AI sẽ giúp các nhà cung cấp dịch vụ chăm sóc sức khỏe điều trị được nhiều bệnh nhân hơn với hiệu quả và độ chính xác cao hơn, từ đó tạo ra giá trị lâm sàng và tài chính lớn hơn, đồng thời tăng khả năng tiếp cận dịch vụ chăm sóc.
Nghiên cứu của Hariton và cộng sự (2023) nhằm mục đích làm sáng tỏ những đột phá mới nhất trong lĩnh vực này, đánh giá và thảo luận vai trò của xác thực và những hạn chế tiềm tàng của công nghệ, và kiểm tra tiềm năng biến đổi lĩnh vực công nghệ hỗ trợ sinh sản của những công nghệ này. Mục tiêu là tích hợp AI một cách có trách nhiệm vào kích thích buồng trứng để mang lại dịch vụ chăm sóc lâm sàng có giá trị cao hơn, với mong muốn tác động đáng kể đến việc tăng cường khả năng tiếp cận các phương pháp điều trị vô sinh thành công và hiệu quả hơn.
 
Vật liệu và phương pháp

Bài đánh giá này thảo luận về các mô hình và kỹ thuật AI đa dạng được áp dụng trong kích thích buồng trứng, được phát triển và thử nghiệm trên các bộ dữ liệu lâm sàng lớn:

• Hệ thống hỗ trợ ra quyết định lâm sàng (Clinical Decision Support Systems - CDSS): Letterie và Mac. (2020) đã phát triển một hệ thống sử dụng thuật toán máy học (ML) để cá nhân hóa phác đồ kích thích buồng trứng, phân tích dữ liệu bệnh nhân bao gồm tuổi, cân nặng, nồng độ hormone và dự trữ buồng trứng. Mô hình này được thử nghiệm trên 1.853 chu kỳ tự thân và 750 chu kỳ hiến tặng, với tổng cộng 7.376 lượt khám để thử nghiệm và 556 chu kỳ riêng biệt để xác thực.

• Dự đoán kết quả: Các thuật toán AI đã được phát triển để dự đoán khả năng thai lâm sàng và sinh sống. McLernon và cs. (2022) sử dụng mô hình hồi quy logistic với dữ liệu từ Hệ thống báo cáo kết quả lâm sàng của Hiệp hội Công nghệ hỗ trợ sinh sản Hoa Kỳ (SART CORS). Wang và cs. (2022) áp dụng thuật toán random forest. Nelson và cs. (2015) sử dụng mô hình boosted tree modeling với hormone Anti-Müllerian (AMH) và/hoặc số nang thứ cấp (Antral Follicle Count - AFC). Một thuật toán thương mại khả dụng đã được thử nghiệm và đối chứng trên 5.035 chu kỳ IVF với 52 biến số, sau đó được xác thực thêm trên một nhóm hồi cứu quốc tế gồm 13.076 chu kỳ.

• Lựa chọn liều và phác đồ: Các mô hình khác nhau đã được nghiên cứu: hồi quy phi tuyến tính (mô hình CONSORT) để dự đoán liều FSH, để tối ưu hóa liều FSH khởi đầu dựa trên tuổi, BMI, AMH, AFC từ cơ sở dữ liệu gồm hơn 18.000 chu kỳ từ ba phòng khám ở Mỹ, và suy luận kết quả lâm sàng để đánh giá lựa chọn phác đồ kích thích từ khoảng 20.000 chu kỳ được báo cáo cho SART CORS.

• Lập lịch hẹn: Letterie và cs. (2022) phát triển và đánh giá một nền tảng AI để tối ưu hóa quy trình làm việc của phòng khám, phân tích các đặc điểm chu kỳ từ 1.591 chu kỳ tự thân duy nhất.

• Theo dõi siêu âm nang noãn: Lĩnh vực này đã chuyển sang sử dụng AI dựa trên phân đoạn hình ảnh (segmentation-based AI) hoặc mạng thần kinh tái lập (recurrent neural networks) để phân tích hình ảnh siêu âm 3D và theo dõi kích thước nang noãn, với các mô hình học sâu có khả năng theo dõi phép đo nang noãn.

• Thời điểm tiêm kích rụng trứng (trigger):

  • Hariton và cs. (2021) trình bày một khung dựa trên suy luận kết quả T-learner (dựa trên - bagged decision trees) để dự đoán thời điểm tiêm kích rụng trứng tối ưu nhằm tối đa hóa số trứng có 2PN thu được. Nghiên cứu này bao gồm 7.866 chu kỳ.

  • Fanton và cs. (2022) trình bày các mô hình hồi quy tuyến tính để dự đoán số noãn trưởng thành (MIIs) khi tiêm kích rụng trứng ngay hôm nay so với ngày mai, dựa trên kích thước nang noãn và nồng độ estradiol của bệnh nhân. Nghiên cứu bao gồm hơn 30.000 chu kỳ từ ba phòng khám IVF.

  • Liang và cs. (2022) sử dụng các mô hình học sâu để dự đoán độ trưởng thành của noãn cho thời điểm tiêm kích rụng trứng bằng hình ảnh siêu âm 3D từ 181 bệnh nhân.

Kết quả

Các ứng dụng AI trong kích thích buồng trứng đã cho thấy những kết quả đầy hứa hẹn:

• Hệ thống hỗ trợ ra quyết định lâm sàng: Phiên bản đầu tiên của thuật toán do Letterie và Mac. (2020) phát triển đã cho thấy độ chính xác cao và sự đồng thuận với các quyết định của đội ngũ chuyên gia về việc tiếp tục/ngừng điều trị, tiêm kích thích rụng trứng, lập lịch lấy noãn, điều chỉnh thuốc và dự đoán số ngày theo dõi. Điều này chứng minh rằng các nền tảng như vậy có thể hỗ trợ đáng kể trong y học sinh sản, giúp giảm khối lượng công việc của bác sĩ và tăng hiệu quả phòng khám.

• Dự đoán kết quả:

  • Mô hình rừng ngẫu nhiên của Wang và cs. (2022) để dự đoán khả năng thai lâm sàng đạt diện tích dưới đường cong ROC (Area Under the Curve  - AUC) là 0,72, vượt trội so với hồi quy logistic truyền thống (AUC 0,67).

  • Mô hình AMH độc lập của Nelson và cs. (2015) đã cải thiện hiệu suất dự đoán lên 76,2% so với chỉ dùng tuổi.

  • Một thuật toán thương mại khả dụng đã được chứng minh là cải thiện khả năng dự đoán tỷ lệ sinh sống lên 35,7% so với chỉ dùng tuổi. Đặc biệt, bốn biến số chính (tổng số phôi, tỷ lệ ngừng phân chia, số phôi 8 tế bào và nồng độ FSH ngày 3) có thể dự đoán chính xác khoảng 70% kết quả chu kỳ IVF. Các công cụ này cung cấp khả năng cá nhân hóa quyết định điều trị, quản lý kỳ vọng bệnh nhân và định lượng rủi ro tài chính.

• Lựa chọn liều và phác đồ:

  • Mô hình CONSORT được thiết kế để cá nhân hóa liều gonadotropin đã cho thấy số noãn thu được thấp hơn khi so với liều do bác sĩ lâm sàng chỉ định trong một thử nghiệm đối chứng ngẫu nhiên.

  • Mô hình máy học K-nearest neighbor của Fanton và cs. (2022) ước tính rằng việc lựa chọn liều tối ưu có thể mang lại thêm trung bình 1,5 noãn MIIs cho bệnh nhân "đáp ứng liều". Đối với bệnh nhân "không đáp ứng liều", việc chọn liều thấp có thể tiết kiệm khoảng 1.375 IU FSH mà không làm giảm kết quả.

  • Mô hình của Correa và cs. (2022) có thể kê đơn liều chính xác hơn để thu được 10–15 noãn so với bác sĩ lâm sàng.

  • Nghiên cứu suy luận nhân quả cho thấy đối với bệnh nhân đáp ứng kém, phác đồ antagonist mang lại kết quả tương tự như phác đồ flare.

• Lập lịch hẹn: Nền tảng AI của Letterie và cs. (2022) đạt tỷ lệ chính xác 0,80 trong việc dự đoán ngày theo dõi tốt nhất (trong vòng 1,36 ngày) và cung cấp cửa sổ 3 ngày cho việc tiêm kích thích rụng trứng mà ít ảnh hưởng đến số lượng noãn, giúp cải thiện đáng kể hiệu quả phòng khám và giảm khối lượng công việc tổng thể.

• Theo dõi siêu âm nang noãn:

  • Các mô hình học sâu có thể theo dõi các phép đo nang noãn với độ tương quan lên đến 98%.

  • Một thử nghiệm ngẫu nhiên có đối chứng đã chứng minh rằng tính năng đếm thể tích tự động dựa trên siêu âm 3D do AI hỗ trợ không thua kém theo dõi nang noãn thủ công bằng siêu âm 2D và còn giúp giảm thời gian siêu âm.

  • Hệ thống siêu âm di động có khả năng tạo ra hình ảnh chất lượng lâm sàng với độ tin cậy 98% từ việc theo dõi tại nhà chỉ bằng các hướng dẫn từ xa của kỹ thuật viên siêu âm.

  • Việc tăng số lượng noãn MIIs thu được có mối tương quan trực tiếp với sự gia tăng tỷ lệ sinh sống (Live Birth Rate - LBR), cho thấy các thuật toán AI có thể gián tiếp cải thiện kết quả cuối cùng này.

• Thời điểm tiêm kích rụng trứng:

  • Một nghiên cứu của Hariton và cs. (2021) dự đoán rằng quyết định tiêm kích thích rụng trứng có hỗ trợ thuật toán có thể mang lại thêm trung bình 1,4 noãn 2PN và 0,6 phôi nang so với quyết định của bác sĩ.

  • Các mô hình của Fanton và cs. (2022) cho thấy có thể đạt thêm tới 2,7 noãn MIIs, 2,0 noãn 2PNs và 0,7 phôi nang khi tiêm kích rụng trứng theo ngày được dự đoán tối ưu.

  • Liang và cs. (2022) phát hiện rằng việc tiêm kích thích rụng trứng khi thể tích nang noãn dẫn đầu đạt ít nhất 3,0 cm³ sẽ cho số noãn MIIs cao hơn đáng kể.

Bàn luận

Việc tích hợp AI vào kích thích buồng trứng mang lại nhiều lợi ích tiềm năng nhưng cũng đối mặt với những thách thức đáng kể.

• Lợi ích và tiềm năng: AI có thể cải thiện đáng kể kết quả và hiệu quả của IVF bằng cách tối ưu hóa liều lượng và thời gian sử dụng thuốc, hợp lý hóa quy trình và tăng cường tiêu chuẩn hóa. Cho phép cá nhân hóa điều trị thông qua các đường cong đáp ứng liều cá thể hóa và hỗ trợ lập kế hoạch điều trị, quản lý kỳ vọng bệnh nhân, cũng như định lượng rủi ro tài chính. Ngoài ra, AI có thể giảm gánh nặng công việc cho bác sĩ và nhân viên phòng khám, nâng cao hiệu quả hoạt động và giảm các công việc hành chính. Quan trọng nhất, AI có tiềm năng mở rộng khả năng tiếp cận dịch vụ chăm sóc sinh sản, đặc biệt ở các khu vực nông thôn hoặc các quốc gia đang phát triển, nơi thiếu hụt các nhà cung cấp chuyên khoa. Khả năng theo dõi tại nhà do AI hỗ trợ cũng làm giảm các rào cản địa lý và thời gian đối với bệnh nhân. AI cũng có thể đóng vai trò như một hệ thống hỗ trợ ra quyết định.

• Hạn chế và thách thức: Thách thức lớn nhất là đảm bảo khả năng khái quát hóa của mô hình, vì sự không đồng nhất về thiết bị và thực hành lâm sàng giữa các phòng khám có thể ảnh hưởng đến hiệu suất của thuật toán. Đồng thời, cần lưu ý rằng AI có thể vô tình đưa vào hoặc làm trầm trọng thêm các thiên vị hiện có, dẫn đến sự chênh lệch trong chăm sóc sức khỏe. Mặt khác, các quy định hiện hành về thiết bị y tế chưa được thiết kế cho bản chất linh hoạt và tự học của AI. Cuối cùng, một bộ phận người dùng vẫn chưa thực sự tin dùng AI như một công cụ hỗ trợ trong lâm sàng do những lo ngại về việc AI thay thế nhân viên, sự mới mẻ trong giao diện và cách tiếp cận, bảo mật và quyền riêng tư.

• Nghiên cứu trong tương lai: Cần có thêm nhiều nghiên cứu tập trung vào việc đánh giá các công cụ AI dựa trên kết quả sinh con sống (LBR), thay vì chỉ các kết quả trung gian như số noãn MIIs hoặc noãn 2PNs. Đồng thời, cần thiết lập một tiêu chuẩn chung để so sánh hiệu quả và khả năng khái quát hóa của các công cụ AI khác nhau.

Kết luận

Trí tuệ nhân tạo đang nổi lên như một lực lượng biến đổi trong lĩnh vực công nghệ hỗ trợ sinh sản, hứa hẹn sẽ cách mạng hóa việc cung cấp dịch vụ IVF, làm cho quy trình IVF hiệu quả, hiệu suất, cá nhân hóa và dễ tiếp cận hơn cho tất cả mọi người. AI có tiềm năng to lớn trong việc dân chủ hóa khả năng tiếp cận dịch vụ chăm sóc sinh sản, đặc biệt ở các vùng nông thôn hoặc các quốc gia đang phát triển, nơi có sự thiếu hụt nghiêm trọng các nhà cung cấp chuyên khoa. Trong tương lai, AI có thể hỗ trợ toàn bộ hành trình của bệnh nhân, từ việc đề xuất các xét nghiệm và kế hoạch điều trị ban đầu, đến lựa chọn phác đồ và liều lượng do AI đề xuất, theo dõi nang noãn hiệu quả (có thể tại nhà), tối ưu hóa thời điểm tiêm kích thích rụng trứng, và thậm chí điều chỉnh khối lượng công việc trong phòng thí nghiệm. Mặc dù công nghệ này chưa sẵn sàng để sử dụng hàng ngày ngay lập tức, nhưng những tiến bộ này có thể không còn xa.

Hariton, E., Pavlovic, Z., Fanton, M., & Jiang, V. S. (2023). Applications of artificial intelligence in ovarian stimulation: a tool for improving efficiency and outcomes. Fertility and sterility, 120(1), 8-16.