ПЕРЕНОС ЭМБРИОНА МОЛОДЫМ ПАЦИЕНТКАМ С ИСПОЛЬЗОВАНИЕМ ИИ
Основное содержимое статьи
Аннотация
Несмотря на то, что молодой возраст женщины является ключевым фактором эффективности программ ВРТ, частота наступления беременности в пересчете на цикл лечения у пациенток младше 35 лет остается низкой, что подчеркивает необходимость повышения результативности программ ЭКО. Использование технологий ИИ для отбора оптимального эмбриона для переноса может повысить результаты, однако для подтверждения этой гипотезы требуется больше данных.
Цель исследования – выяснить, улучшает ли отбор эмбрионов с помощью ИИ результаты программ ЭКО/ИКСИ у женщин младше 35 лет.
Материал и методы. Проспективное рандомизированное исследование включало 120 пациенток в возрасте 18-34 лет, проходивших ЭКО/ИКСИ в медицинском центре «Семья» (Уфа) с 01.01.24 г. по 01.04.24 г. Проведен анализ результатов протоколов ЭКО/ИКСИ у пациенток, разделенных на группы в зависимости от метода отбора эмбриона: группа 1 (опытная, n = 60) – отбор с помощью ИИ ERICA 1.0; группа 2 (контрольная, n = 60) – рутинная морфологическая оценка по шкале Гарднера.
Результаты. В группе, где отбор эмбрионов выполнялся с помощью ИИ (n = 60), зарегистрирована 31 клиническая беременность (51,7%) по сравнению с 24 беременностями (40,0%) в контрольной группе (p = 0,200). В опытной группе 2 случая завершились самопроизвольным абортом (6,5% от всех беременностей), в контрольной – 3 случая (12,5%) (p = 0,440).
Заключение. Результаты исследования показывают, что ИИ может быть перспективным инструментом для отбора эмбриона на перенос. Тем не менее, для окончательных выводов необходимы дополнительные исследования с увеличением объема выборки.
Ключевые слова
Информация о статье
Информация о финансировании и конфликте интересов
Авторы заявляют об отсутствии явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.
Контент доступен под лицензией Creative Commons Attribution 4.0 License.
Как цитировать
Список литературы
1. The ESHRE Guideline Group on Ovarian Stimulation; Ata B, Bosch E, Broer S, Griesinger G, Grynberg M, Kolibianakis E, et al. Ovarian stimulation for IVF/ICSI: evidence-based guideline. Hum Reprod Open. 2020; 2020(2): hoaa009. doi: 10.1093/hropen/hoaa009
2. Law YJ, Zhang N, Venetis CA, Chambers GM, Harris K. The number of oocytes associated with maximum cumulative live birth rates per aspiration depends on female age: a population study of 221 221 treatment cycles. Hum Reprod. 2019; 34(9): 1778-1787. doi: 10.1093/humrep/dez100
3. Korsak VS, Smirnova AA, Shurygina OV. ART Registry of the All-Russian Public Organization «Russian Association of Human Reproduction». Report for 2023. Russian Journal of Human Reproduction. 2025; 31(6): 6-22. Russian (Корсак В.С., Смирнова А.А., Шурыгина О.В. Регистр ВРТ Общероссийской общественной организации «Российская Ассоциация Репродукции Человека». Отчет за 2023 год //Проблемы репродукции. 2025. Т. 31, № 6. С. 6-22.) doi:10.17116/repro2025310616
4. ESHRE Guideline Group on the Number of Embryos to Transfer; Alteri A, Arroyo G, Baccino G, Craciunas L, De Geyter C, Ebner T, et al. ESHRE guideline: number of embryos to transfer during IVF/ICSI†. Hum Reprod. 2024; 39(4): 647-657. doi: 10.1093/humrep/deae010
5. Khosravi P, Kazemi E, Zhan Q, Malmsten JE, Toschi M, Zisimopoulos P, et al. Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization. NPJ Digit Med. 2019; 2: 21. doi: 10.1038/s41746-019-0096-y
6. Kucherov A, Fazzari M, Lieman H, Ball GD, Doody K, Jindal S. PGT-A is associated with reduced cumulative live birth rate in first reported IVF stimulation cycles age ≤ 40: an analysis of 133,494 autologous cycles reported to SART CORS. J Assist Reprod Genet. 2023; 40(1): 137-149. doi: 10.1007/s10815-022-02667-x
7. Salih M, Austin C, Warty RR, Tiktin C, Rolnik DL, Momeni M, et al. Embryo selection through artificial intelligence versus embryologists: a systematic review. Hum Reprod Open. 2023; 2023(3): hoad031. doi: 10.1093/hropen/hoad031
8. Xin X, Wu S, Xu H, Ma Y, Bao N, Gao M, et al. Non-invasive prediction of human embryonic ploidy using artificial intelligence: a systematic review and meta-analysis. E Clinical Medicine. 2024; 77: 102897. doi: 10.1016/j.eclinm.2024.102897
9. Hall JMM, Nguyen TV, Dinsmore AW, Perugini D, Perugini M, Fukunaga N, et al. Use of federated learning to develop an artificial intelligence model predicting usable blastocyst formation from pre-ICSI oocyte images. Reprod Biomed Online. 2024; 49(6): 104403. doi: 10.1016/j.rbmo.2024.104403
10. Bormann CL, Thirumalaraju P, Kanakasabapathy MK, Kandula H, Souter I, Dimitriadis I, et al. Consistency and objectivity of automated embryo assessments using deep neural networks. Fertil Steril. 2020; 113(4): 781-787.e1. doi: 10.1016/j.fertnstert.2019.12.004
11. Diakiw SM, Hall JMM, VerMilyea MD, Amin J, Aizpurua J, Giardini L, et al. Development of an artificial intelligence model for predicting the likelihood of human embryo euploidy based on blastocyst images from multiple imaging systems during IVF. Hum Reprod. 2022; 37(8): 1746-1759. doi: 10.1093/humrep/deac131
12. Dimitriadis I, Zaninovic N, Badiola AC, Bormann CL. Artificial intelligence in the embryology laboratory: a review. Reprod Biomed Online. 2022; 44(3): 435-448. doi: 10.1016/j.rbmo.2021.11.003
13. Shingshetty L, Cameron NJ, McLernon DJ, Bhattacharya S. Predictors of success after in vitro fertilization. Fertil Steril. 2024; 121(5): 742-751. doi: 10.1016/j.fertnstert.2024.03.003
14. Zaninovic N, Rosenwaks Z. Artificial intelligence in human in vitro fertilization and embryology. Fertil Steril. 2020; 114(5): 914-920. doi: 10.1016/j.fertnstert.2020.09.157
15. Yashchuk AG, Gromenko DD, Nasyrova SF, Gromenko YY. Possibilities of assessing embryo ploidy. Obstetrics and Gynecology. 2025; (9): 126-133. Russian (Ящук А.Г., Громенко Д.Д., Насырова С.Ф., Громенко Ю.Ю. Возможности оценки плоидности эмбрионов //Акушерство и гинекология. 2025. № 9. С. 126-133.) doi: 10.18565/aig.2025.106
16. VerMilyea M, Hall JMM, Diakiw SM, Johnston A, Nguyen T, Perugini D, et al. Development of an artificial intelligence-based assessment model for prediction of embryo viability using static images captured by optical light microscopy during IVF. Hum Reprod. 2020; 35(4): 770-784. doi: 10.1093/humrep/deaa013
17. Fitz VW, Kanakasabapathy MK, Thirumalaraju P, Kandula H, Ramirez LB, Boehnlein L, et al. Should there be an «AI» in TEAM? Embryologists selection of high implantation potential embryos improves with the aid of an artificial intelligence algorithm. J Assist Reprod Genet. 2021; 38(10): 2663-2670. doi: 10.1007/s10815-021-02318-7