KS CNSH. Nông Thị Hoài
Bệnh viện Đại học Y Dược Buôn Ma Thuột
 
Số lượng chu kỳ điều trị bằng kỹ thuật hỗ trợ sinh sản đã tăng lên rất nhiều trên toàn thế giới. Đa thai sau thụ tinh trong ống nghiệm (IVF) thường bắt nguồn từ việc chuyển hai hoặc nhiều phôi. Đa thai không chỉ dẫn đến nguy cơ tiền sản giật và tiểu đường thai kỳ cao hơn, tỷ lệ sinh mổ cao hơn mà còn ảnh hưởng bất lợi đến sức khỏe của trẻ sơ sinh do sinh non và tuổi thai nhỏ. Để giảm tỷ lệ đa thai sau IVF, các hướng dẫn lâm sàng hiện tại khuyến nghị hạn chế số lượng phôi được chuyển và ủng hộ chuyển một phôi (single embryo transfer - SET). Tuy nhiên, chuyển hai hoặc nhiều phôi vẫn là một chiến lược phổ biến để tăng tỷ lệ thành công sau IVF.
 
Các nghiên cứu trước đây đã chứng minh độ chính xác cao hơn của mô hình trí tuệ nhân tạo (artificial intelligence – AI) để dự đoán kết quả IVF so với phân tích thống kê truyền thống. Tuy nhiên, chưa có nghiên cứu nào tập trung vào việc dự đoán nguy cơ đa thai. Trí tuệ nhân tạo có thể đóng vai trò là một công cụ hiệu quả trong y học sinh sản để đưa ra dự đoán điều trị cá nhân hóa. AI có thể quản lý lượng dữ liệu khổng lồ và do đó lý tưởng cho mô hình dự đoán kết quả IVF. Ý nghĩa của mô hình dự đoán AI sẽ giúp các bác sĩ lựa chọn số lượng phôi phù hợp trong quá trình chuyển phôi để giảm đa thai mà không làm giảm tỷ lệ mang thai.
 
Bài báo tập trung vào việc ứng dụng trí tuệ nhân tạo trong lĩnh vực hỗ trợ sinh sản, đặc biệt là dự đoán tỷ lệ mang thai và nguy cơ đa thai sau các chu kỳ chuyển phôi tươi thụ tinh trong ống nghiệm (IVF-ET). Nghiên cứu được thực hiện tại một trung tâm y tế ở Đài Loan, sử dụng dữ liệu từ 1507 chu kỳ IVF/ICSI trong khoảng thời gian từ năm 2010 đến 2019. Đây là những chu kỳ chuyển phôi tươi, chuyển phôi ngày 2 và các chu kỳ chuyển phôi đông lạnh. Trong đó, 949 chu kỳ được sử dụng để xây dựng mô hình dự đoán tỷ lệ mang thai và 380 chu kỳ để xây dựng mô hình dự đoán nguy cơ đa thai.
 
Nghiên cứu này sử dụng sáu thuật toán học máy, bao gồm Logistic Regression (LR), Random Forest (RF), Support Vector Machine (SVM), Adaptive Boosting (AdaBoost), Neural Network (NN) và Extreme Gradient Boosting (XGBoost). Tác giả đã đào tạo các mô hình trên 70% tập dữ liệu và thực hiện xác thực thông qua 30% tập dữ liệu. Một loạt các yếu tố quan trọng ảnh hưởng đến kết quả điều trị đã được đưa vào mô hình dự đoán, bao gồm tuổi bệnh nhân, chỉ số khối cơ thể (BMI), số lượng noãn MII thu được, tỷ lệ thụ tinh, số lượng phôi chuyển, và chất lượng phôi. Các yếu tố này được lựa chọn dựa trên phân tích thống kê và kinh nghiệm lâm sàng, giúp đảm bảo tính chính xác và thực tiễn của mô hình.
 
Kết quả cho thấy, thuật toán XGBoost đạt hiệu suất cao nhất trong các mô hình dự đoán. Cụ thể, đối với mô hình dự đoán tỷ lệ mang thai, XGBoost đạt độ chính xác 71,6%, độ nhạy 71,1%, độ đặc hiệu 71,9%, và AUC (diện tích dưới đường cong ROC) là 0,787. Đối với mô hình dự đoán nguy cơ đa thai, XGBoost đạt độ chính xác 71,1%, độ nhạy 64,9%, độ đặc hiệu 74% và AUC là 0,732. So sánh với các thuật toán khác, XGBoost vượt trội hơn nhờ khả năng xử lý dữ liệu phức tạp và tối ưu hóa dự đoán trong các tình huống có nhiều yếu tố ảnh hưởng.
 
Các yếu tố ảnh hưởng lớn nhất đến kết quả dự đoán bao gồm số lượng phôi chuyển và chất lượng phôi. Điều này không gây ngạc nhiên vì số lượng phôi chuyển cao có mối liên hệ trực tiếp với nguy cơ đa thai, trong khi chất lượng phôi ảnh hưởng đáng kể đến khả năng làm tổ và phát triển phôi sau khi chuyển vào tử cung. Các mô hình AI, đặc biệt là XGBoost, đã giúp các nhà nghiên cứu và bác sĩ lâm sàng hiểu rõ hơn về sự tương tác giữa các yếu tố này, từ đó hỗ trợ ra quyết định điều trị một cách hiệu quả hơn.
 
Một điểm đáng chú ý là nghiên cứu cũng đề cập đến tính ứng dụng thực tế của các mô hình này. Các mô hình AI không chỉ giúp dự đoán kết quả, mà còn có thể tích hợp vào quy trình lâm sàng, từ đó hỗ trợ các bác sĩ đưa ra quyết định số lượng phôi cần chuyển để tối ưu hóa cơ hội mang thai đồng thời giảm nguy cơ mang thai đa thai. Việc áp dụng AI vào các chu kỳ chuyển phôi đông lạnh cũng được đề xuất như một hướng mở rộng tiềm năng, vì chuyển phôi đông lạnh ngày càng phổ biến trong lĩnh vực hỗ trợ sinh sản.
Ngoài ra, bài báo còn nhấn mạnh ý nghĩa của việc sử dụng AI trong việc cải thiện hiệu quả điều trị và cá nhân hóa các quyết định. Trong bối cảnh ngành hỗ trợ sinh sản ngày càng đối mặt với nhiều thách thức, từ chi phí cao đến nhu cầu tối ưu hóa kết quả lâm sàng, trí tuệ nhân tạo cung cấp một công cụ mạnh mẽ để hỗ trợ các bác sĩ, tăng cường khả năng dự đoán và ra quyết định chính xác hơn. Điều này không chỉ mang lại lợi ích về mặt lâm sàng, mà còn nâng cao trải nghiệm của bệnh nhân, giảm thiểu rủi ro và tăng sự tin tưởng vào các quy trình điều trị.
 
Tuy nhiên, nghiên cứu cũng thừa nhận một số hạn chế. Thứ nhất, dữ liệu được thu thập từ một trung tâm duy nhất tại Đài Loan, do đó kết quả có thể bị giới hạn về tính đại diện và cần được kiểm chứng trên các quần thể đa dạng hơn. Thứ hai, các yếu tố môi trường và điều kiện nuôi cấy phôi, vốn có thể ảnh hưởng đến kết quả, chưa được đưa vào phân tích. Cuối cùng, mặc dù AI thể hiện tiềm năng lớn, nhưng việc triển khai trong thực tế lâm sàng cần phải đảm bảo tính minh bạch, dễ sử dụng và tuân thủ các quy định đạo đức.
 
Tóm lại, bài báo nhấn mạnh vai trò quan trọng của trí tuệ nhân tạo trong lĩnh vực hỗ trợ sinh sản, đặc biệt là trong việc dự đoán kết quả lâm sàng như tỷ lệ mang thai và nguy cơ đa thai. Với những kết quả khả quan từ các mô hình học máy như XGBoost, nghiên cứu mở ra hướng đi mới trong việc tích hợp công nghệ AI vào quy trình lâm sàng, đồng thời đề xuất các cải tiến để tối ưu hóa hiệu quả điều trị và nâng cao trải nghiệm bệnh nhân. Trí tuệ nhân tạo không chỉ mang lại giá trị thực tiễn mà còn đóng vai trò như một công cụ hỗ trợ mạnh mẽ trong việc cá nhân hóa y học và phát triển các phương pháp điều trị hiện đại trong tương lai.

Nguồn:Jen-Yu Wen, Chung-Fen Liu, Ming-Ting Chung, Yung-Chieh Tsai, 2022. Artificial intelligence model to predict pregnancy and multiple pregnancy risk following in vitro fertilization-embryo transfer (IVF-ET).

Từ khóa: AI, Thụ tinh trong ống nghiệm (IVF), mang thai, đa thai