Nội dung chính

Hội chứng buồng trứng - chuyển hóa - nội tiết (Polyendocrine Metabolic Ovarian Syndrome - PMOS) là tên gọi mới của hội chứng buồng trứng đa nang (Polycystic Ovary Syndrome - PCOS) [1,2]. Đây là rối loạn nội tiết chuyển hóa phổ biến, ảnh hưởng đến 6% đến 20% phụ nữ trong độ tuổi sinh sản, cũng như kết quả thụ tinh trong ống nghiệm (In Vitro Fertilization, IVF) [1,2]. Hiện nay, việc tiên lượng tỷ lệ trẻ sinh sống (Live Birth Rate - LBR) sau chuyển phôi vẫn là thách thức lớn, nguyên nhân là kết cục điều trị chịu ảnh hưởng đồng thời từ nhiều biến số sinh học có tương tác phức tạp [2]. Trong thực hành thường quy, bác sĩ chủ yếu dựa vào các chỉ số đơn lẻ như tuổi mẹ, chỉ số BMI hoặc nồng độ nội tiết cơ bản [3]. Cách tiếp cận này cho thấy nhiều hạn chế do tính đa dạng bệnh lý cao ở nhóm PMOS [3]. Đồng thời, các mô hình thống kê cổ điển như hồi quy logistic khó xử lý hiệu quả nguồn dữ liệu lâm sàng nhiều biến số và có độ nhiễu lớn [4].

            Trí tuệ nhân tạo (Artificial Intelligence - AI) và học máy (Machine Learning - ML) cung cấp công cụ mới giúp giải quyết bài toán cá thể hóa trong y học sinh sản [1]. Các mô hình ML có khả năng phân tích tốt những mối tương quan phi tuyến tính giữa dữ liệu nội tiết, chuyển hóa, phôi học và đặc điểm lâm sàng [2]. Việc ứng dụng AI tiên lượng LBR giúp bác sĩ đưa ra quyết định điều trị chính xác hơn. Qua đó, phác đồ điều trị được cá thể hóa tối ưu, giúp nâng cao cơ hội sinh con khỏe mạnh và an toàn cho bệnh nhân PMOS [4].

1. Đánh giá so sánh hiệu năng giữa các thuật toán trong chu kỳ chuyển phôi tươi

a. Ưu thế vượt trội của thuật toán XGBoost

            Nghiên cứu của Zhu và cộng sự (2025) đánh giá 1062 chu kỳ chuyển phôi tươi theo phác đồ GnRH antagonist ở bệnh nhân PMOS [4]. Bảy mô hình học máy phổ biến được xây dựng và so sánh gồm: Decision Tree (DT), K-Nearest Neighbors (KNN), Light Gradient Boosting Machine (LightGBM), Naive Bayes (NBM), Random Forest (RF), Support Vector Machine (SVM) và eXtreme Gradient Boosting (XGBoost) [4].

            Trên tập kiểm định, mô hình XGBoost đạt khả năng phân loại cao nhất với diện tích dưới đường cong ROC (Area Under the Curve - AUC) là 0,822 (khoảng tin cậy 95%: 0,777–0,867) (Hình 1). Kết quả này có được nhờ áp dụng phương pháp chọn lọc biến số LASSO kết hợp kỹ thuật Recursive Feature Elimination (RFE). Kỹ thuật kết hợp này giúp rút gọn dữ liệu đầu vào xuống còn 7 biến số quan trọng và có liên quan nhất đến kết cục [4]. Việc chọn lọc giảm số lượng biến số đầu vào vẫn bảo toàn độ chính xác, giúp mô hình gọn nhẹ và có tính khả thi cao khi ứng dụng vào thực hành lâm sàng thường quy [4].

Hình 1. So sánh đường cong ROC và hiệu năng của 7 mô hình học máy trong tiên lượng LBR trong các chu kỳ chuyển phôi tươi ở bệnh nhân PMOS [4].

 

b. Tầm quan trọng của tập dữ liệu huấn luyện chuyên biệt cho PMOS

            Song song với việc lựa chọn thuật toán, nguồn dữ liệu dùng để huấn luyện mô hình đóng vai trò quyết định đến độ chính xác. Nếu huấn luyện mô hình trên dữ liệu bệnh nhân vô sinh chung mà không phân nhóm, độ chính xác dự báo sẽ suy giảm rõ rệt [2,5]. Điển hình trong nghiên cứu của Amini và cộng sự (2021)  trên 6071 chu kỳ IVF/ICSI không chọn lọc, mô hình RF dù đạt độ chính xác 0,81 nhưng chỉ số AUC chỉ dừng lại ở mức 0,60 (95% KTC: 0,55–0,64) [5]. Do đó, việc xây dựng và huấn luyện mô hình trên tập dữ liệu chuyên biệt cho quần thể PMOS là điều kiện bắt buộc nhằm đảm bảo độ nhạy và giá trị dự báo thực tế [2]. Tuy nhiên, ngoài độ chính xác của thuật toán và tính đặc thù của dữ liệu đầu vào, cấu trúc thời gian của mô hình dự báo cũng là yếu tố then chốt ảnh hưởng đến giá trị ứng dụng thực tế.

2. Mô hình hóa chuỗi động so với mô hình tĩnh

a. Hạn chế của mô hình tĩnh một thời điểm

            Phần lớn các mô hình AI hiện nay là mô hình tĩnh, chỉ tiếp nhận dữ liệu nền một lần duy nhất trước khi kích thích buồng trứng. Trong thực tế lâm sàng, hỗ trợ sinh sản là quy trình điều trị đa bước nối tiếp nhau. Mỗi giai đoạn can thiệp trung gian đều phát sinh dữ liệu sinh học mới ảnh hưởng trực tiếp đến kết quả của bước kế tiếp. Mô hình tĩnh chỉ phản ánh tiềm năng ban đầu và bỏ sót các biến số động phát sinh trong chu kỳ điều trị (như mức độ đáp ứng buồng trứng hay số lượng phôi tạo thành), dẫn đến sai số khi dự báo kết cục thai kỳ cuối cùng [3].

b. Cập nhật dữ liệu thời gian thực và kiểm định ngoại viện

            Để khắc phục rào cản trên, Peng và cộng sự (2026) đã phát triển hệ thống ML chuỗi động dựa trên 2539 chu kỳ chuyển phôi của 1719 bệnh nhân PMOS [3]. Hệ thống khởi đầu bằng việc dùng dữ liệu nền để dự đoán xác suất có được phôi chất lượng cao (gồm phôi phân chia ngày 3 đạt độ I hoặc II, hoặc phôi nang ngày 5 đạt độ từ 4BB trở lên theo phân loại Gardner). Sau đó, các biến số phát sinh trong chu kỳ (đáp ứng buồng trứng, nồng độ hormone, ngày trigger, số lượng phôi chất lượng cao) được tích hợp liên tục làm biến đầu vào để cập nhật xác suất thai lâm sàng trong các chu kỳ chuyển phôi tươi, nguy cơ sảy thai trước 12 tuần và tỷ lệ thai lâm sàng tích lũy [3].

            Mô hình XGBoost chuỗi động đạt AUC 0,834 đối với thai lâm sàng tích lũy, vượt trội hơn so với RF (0,830) và Artificial Neural Network (0,767) [3]. So với mô hình tĩnh ban đầu, cách tiếp cận chuỗi động giúp cải thiện chỉ số AUC thêm 0,255 cho thai tích lũy và tăng 0,157 cho dự báo sảy thai sớm, đồng thời duy trì AUC 0,720 khi kiểm định ngoại viện trên 204 bệnh nhân độc lập. Cách tiếp cận này cho phép bác sĩ liên tục cập nhật các biến số tiên lượng theo thời gian thực tại từng mốc điều trị, hỗ trợ đưa ra các quyết định lâm sàng linh hoạt và chuẩn xác hơn [3].

1. Phương pháp phân tích SHAP trong giải thích cơ chế dự báo

            Một rào cản lớn khi ứng dụng ML trong y khoa là khó nhận biết mức độ ảnh hưởng của từng yếu tố lên kết quả dự báo. Để giải quyết vấn đề này, phương pháp giải thích cộng gộp Shapley (Shapley Additive Explanations - SHAP) đã được nghiên cứu.

            Công cụ này định lượng chính xác mức độ đóng góp (tác động làm tăng hoặc giảm xác suất thành công) của từng biến số lâm sàng vào kết quả đầu ra. Nhờ đó, người sử dụng có thể nắm rõ cơ sở đưa ra quyết định của thuật toán và đánh giá mức độ phù hợp của mô hình với kiến thức y khoa [4].

2. Các biến số tiên lượng lâm sàng quan trọng

a. Biến số phôi học và chiến lược chuyển phôi

            Phân tích SHAP cho thấy số lượng phôi chuyển và giai đoạn phát triển của phôi là hai yếu tố có trọng số đóng góp lớn nhất vào thành công của chu kỳ. Chuyển phôi nang ngày 5 cho thấy tác động tích cực lên LBR so với chuyển phôi phân chia ngày 3 (Hình 2) [4].

b. Đặc trưng nhân khẩu học và các chỉ số chuyển hóa nội tiết

            Về phía người mẹ, tuổi là yếu tố có tác động nghịch biến mạnh nhất đến LBR, đặc biệt khi tuổi mẹ vượt quá 35 do suy giảm chất lượng noãn và tăng tỷ lệ dị bội. Bên cạnh đó, thời gian vô sinh kéo dài từ 3 năm trở lên cũng là yếu tố tiên lượng âm tính quan trọng (Hình 2) [4].

            Về mặt chuyển hóa và nội tiết, ba yếu tố nguy cơ hàng đầu làm giảm tỷ lệ làm tổ trong chu kỳ chuyển phôi tươi gồm: chỉ số BMI cao (28 kg/m2), nồng độ testosterone huyết thanh cao và progesterone tăng cao bất thường vào ngày tiêm kích thích rụng trứng (Hình 2). Tình trạng này được cho là gây lệch pha cửa sổ làm tổ và suy giảm độ tiếp nhận của nội mạc tử cung [4]. Ngoài ra, tiền sử đái tháo đường cá nhân và béo phì là các biến số dự báo liên quan mật thiết với các biến cố thai kỳ bất lợi như đái tháo đường thai kỳ, thai to và sinh non [6].

Hình 2: Biểu đồ mật độ giá trị Shapley (SHAP summary plot) giải thích mức độ đóng góp của 7 biến số lâm sàng quan trọng nhất [4].

a. Giới hạn của chỉ số dự trữ buồng trứng trong tiên lượng LBR

            Trong thực hành lâm sàng, AMH (Anti-Müllerian Hormone) và AFC (Antral Follicle Count) luôn được xem là các chỉ số vàng để đánh giá đáp ứng buồng trứng. Tuy nhiên, một phát hiện từ các mô hình AI là AMH và AFC có vai trò rất hạn chế trong việc tiên lượng LBR [4].

            Khi đưa toàn bộ biến số vào mô hình XGBoost và phân tích SHAP, cả AMH và AFC đều không nằm trong nhóm yếu tố tiên lượng mạnh nhất đối với kết quả LBR [4].

b. Chuyển dịch trọng tâm từ số lượng noãn sang chất lượng phôi và nội mạc

            Ở bệnh nhân PMOS, thách thức điều trị không nằm ở số lượng noãn thu được. Vấn đề quan trọng nhất là tiềm năng phát triển của phôi và khả năng tiếp nhận của nội mạc tử cung vốn bị rối loạn do tình trạng cường androgen và đề kháng insulin [4].

            Các phân tích dữ liệu dựa trên AI cho thấy việc tiên lượng cơ hội sinh con không nên phụ thuộc vào số lượng nang noãn ban đầu, mà cần dựa trên chất lượng phôi và tình trạng chuyển hóa của người mẹ. Do đó, không nên sử dụng duy nhất biến số AMH hay AFC để tiên lượng LBR. Thay vào đó, chiến lược điều trị cần tập trung kiểm soát các rối loạn chuyển hóa nội tiết của người mẹ và tối ưu hóa điều kiện nuôi cấy để tăng cơ hội có phôi nang để chuyển [3,4].

1. Hỗ trợ quyết định chuyển phôi tươi hay trữ lạnh toàn bộ

a. Kiểm soát nguy cơ quá kích buồng trứng

            Hội chứng quá kích buồng trứng (Ovarian Hyperstimulation Syndrome - OHSS) là biến cố bất lợi nghiêm trọng trong kích thích buồng trứng. Bệnh nhân PMOS có nguy cơ mắc OHSS cao nhất do buồng trứng chứa nhiều nang noãn nhỏ rất nhạy cảm với gonadotropin. Để loại bỏ hoàn toàn nguy cơ OHSS muộn, chiến lược trữ lạnh phôi toàn bộ và chuyển phôi đông lạnh là giải pháp tối ưu [7].

b. Nhận diện cửa sổ làm tổ bất lợi để chuyển hướng điều trị

            Khi phân tích dữ liệu trước ngày tiêm kích thích rụng trứng, ML giúp phát hiện sớm các trường hợp giảm cơ hội có thai nếu chuyển phôi tươi, điển hình như khi progesterone tăng cao vào ngày trigger hoặc có tình trạng cường androgen nặng [4]. Việc ứng dụng này giúp bác sĩ chủ động chuyển sang phác đồ trữ phôi toàn bộ đúng thời điểm, quyết định này vừa tránh nguy cơ OHSS, vừa tối ưu hóa tỷ lệ LBR tích lũy sau lần chuyển phôi trữ tiếp theo [4,7].

            Bên cạnh việc tối ưu hóa tỷ lệ mang thai, ML cũng giúp theo dõi và bảo đảm an toàn cho thai kỳ sau hỗ trợ sinh sản nhằm có những can thiệp sớm trong trường hợp cần thiết [6].

2. Tiên lượng và dự phòng các biến chứng sản khoa muộn

            Bệnh nhân PMOS sau khi có thai IVF vẫn đối mặt với nhiều biến cố sản khoa bất lợi do các rối loạn chuyển hóa mạn tính. Mô hình RF cho thấy khả năng dự báo sớm các nguy cơ này với độ chính xác cao: đạt AUC 0,901 đối với sinh non, AUC 0,897 đối với thai to và AUC 0,782 đối với đái tháo đường thai kỳ [6].

            Các dự báo định lượng từ AI có thể cung cấp cơ sở để bác sĩ sản khoa chủ động lập kế hoạch kiểm soát đường huyết và theo dõi thai kỳ nguy cơ cao ngay từ tam cá nguyệt đầu, thay vì đợi đến khi các biến chứng xuất hiện trên lâm sàng [6].

1. Thách thức lớn nhất: Kiểm định ngoại viện đa trung tâm

            Rào cản lớn nhất hiện nay của AI trong hỗ trợ sinh sản là thiếu kiểm định ngoại viện quy mô lớn. Phần lớn mô hình mới chỉ dừng lại ở kiểm định nội viện trên dữ liệu hồi cứu đơn trung tâm. Điều này dẫn đến nguy cơ quá khớp (overfitting) và làm giảm độ chính xác khi áp dụng tại các cơ sở có sự khác biệt về đặc điểm quần thể bệnh nhân hay quy trình labo [2]. Do đó, các thuật toán bắt buộc phải được thử nghiệm độc lập trên nhiều quần thể đa dạng nhằm chứng minh tính ổn định trước khi đưa vào ứng dụng rộng rãi [2,3,8].

2. Phát triển AI đa phương thức và học máy liên kết

            Hướng phát triển tiếp theo trong quản lý bệnh nhân PMOS tập trung vào việc xây dựng hệ sinh thái AI đa phương thức (Multimodal AI) kết hợp công nghệ học máy liên kết (Federated Learning). Hệ thống này tích hợp dữ liệu lâm sàng với các công cụ hình ảnh y khoa và mô bệnh học, đồng thời cho phép các trung tâm y tế cùng phối hợp huấn luyện mô hình mà không làm lộ dữ liệu cá nhân của người bệnh [8]. Trong phân tích mô học, Lee và cộng sự (2024) đã ứng dụng học sâu để tự động định lượng tỷ lệ tế bào biểu mô và mô đệm với độ chính xác tương đương bác sĩ giải phẫu bệnh, đây là tiền đề quan trọng giúp đánh giá khách quan độ tiếp nhận của nội mạc tử cung khi chuyển phôi để tích hợp vào mô hình dự báo LBR [9].

            Ứng dụng AI và ML đã tạo ra bước tiến quan trọng trong việc nâng cao độ chính xác tiên lượng LBR ở bệnh nhân PMOS. Thuật toán XGBoost và phương pháp mô hình hóa chuỗi động kết hợp phân tích SHAP đã chứng minh tính vượt trội so với các công cụ thống kê truyền thống, cũng như tái khẳng định vai trò cốt lõi mang tính quyết định của chất lượng phôi và nội mạc tử cung lên LBR. Kiểm định ngoại viện đa trung tâm và tích hợp AI đa phương thức cùng học máy sẽ là nền tảng vững chắc để chuyển giao AI vào thực hành lâm sàng thường quy, tối ưu hóa hiệu quả điều trị và bảo đảm an toàn tối đa cho bệnh nhân PMOS.

[1] Phung TM, Nguyen HC, Ho DN, et al. In vitro maturation in women with polycystic ovary syndrome: current advances and emerging roles of artificial intelligence. Middle East Fertil Soc J. 2026;31:47.

[2] Angela C, Lumbanraja SN. Machine Learning Models for Predicting Live Birth in Women with PCOS Undergoing IVF/ICSI: A Systematic Review. J Public Health Sci. 2026;3(2):176-181.

[3] Peng L, Yu H, Huang W, et al. A novel artificial intelligence model predicting assisted reproductive outcomes in polycystic ovary syndrome. Eur J Med Res. 2026;31:716.

[4] Zhu S, Huang Z, Chen X, et al. Construction and evaluation of machine learning-based prediction model for live birth following fresh embryo transfer in IVF/ICSI patients with polycystic ovary syndrome. J Ovarian Res. 2025;18(1):70.

[5] Amini P, Ramezanali F, Parchehbaf-Kashani M, et al. Factors associated with in vitro fertilization live birth outcome: A comparison of different classification methods. Int J Fertil Steril. 2021;15(2):128-134.

[6] Mogos R, Gheorghe L, Carauleanu A, et al. Predicting Unfavorable Pregnancy Outcomes in Polycystic Ovary Syndrome (PCOS) Patients Using Machine Learning Algorithms. Medicina. 2024;60(8):1298.

[7] Leathersich S, Roche C, Hart R. Minimising OHSS in women with PCOS. Front Endocrinol. 2025;16:1507857.

[8] Wang J, Chen R, Long H, et al. Artificial intelligence in polycystic ovarian syndrome management: past, present, and future. Radiol Med. 2025;130(10):1409-1441.

[9] Lee S, Arffman RK, Komsi EK, et al. Dynamic changes in AI-based analysis of endometrial cellular composition: Analysis of PCOS and RIF endometrium. J Pathol Inform. 2024;15:100364.