Согласно последним данным, около 15–20% всех наступивших беременностей заканчиваются прерыванием; при этом 80% выкидышей происходят до 12 недель беременности [1]. Невынашивание беременности может возникать у абсолютно здоровой супружеской пары; однако при наличии двух и более самопроизвольных потерь беременности у женщины в сроках до 22 недель необходимы проведение дополнительного обследования, а также специальная подготовка к следующей беременности и лечение [2]. Стоит отметить, что вероятность последующего невынашивания беременности значительно возрастает при наличии двух и более прерываний в анамнезе. Риск повторного невынашивания после двух выкидышей составляет 24%, после трех – 30%, после четырех – 40% [3, 4]. К основным факторам, приводящим к невынашиванию, относят хромосомные анеуплоидии у эмбриона/плода, анатомические, инфекционные, эндокринные, иммунологические и другие факторы. Кроме этого, значительный вклад в исход беременности вносят репродуктивное здоровье мужчины и качество эякулята. Беременность, наступившая в результате вспомогательных репродуктивных технологий (ВРТ), находится в зоне риска по невынашиванию [5]. Среди основных факторов, предрасполагающих к невынашиванию беременности после проведения ВРТ, следует выделить тенденцию к увеличению возраста родителей, обратившихся за лечением бесплодия методом экстракорпорального оплодотворения (ЭКО), а также хромосомные аномалии эмбриона [6].
Анализ корригируемых факторов риска невынашивания беременности позволяет в значительной степени оптимизировать подготовку супружеской пары к программе ВРТ, снизить клинико-экономические затраты на проведение программы ЭКО в контексте снижения количества попыток ВРТ для повышения частоты живорождения, а также повысить эффективность лечения бесплодия. В настоящий момент значительный интерес для практического здравоохранения в области программ ВРТ представляют системы на основе нейросетевого моделирования, которые дают возможность более интегрального анализа корреляционных связей и выявления в большом массиве данных скрытых закономерностей [7]. Использование машинного обучения (МО) для прогнозирования невынашивания беременности после проведения программы ВРТ разделяет анализируемые данные, в зависимости от их характеристик, на подмножества на основе значений признаков. Несмотря на то что дерево решений дает возможность детектировать нелинейные зависимости и может быть легко интерпретируемо оператором, среди основных ограничений данной методики выступают возможная неустойчивость к изменениям данных, а также риск переобучения [8]. Для выявления наиболее достоверного тренда в прогнозе исхода лечения необходимо сравнивать, а также комбинировать алгоритмы, построенные на основе МО и классических математических моделей, например, линейной регрессии.
Таким образом, цель данной работы состоит в прогнозировании и определении факторов невынашивания беременности у пациентов в программе ВРТ в зависимости от клинико-анамнестических и эмбриологических параметров с использованием алгоритма решающего дерева и линейной регрессии.
Материалы и методы
В исследование была включена 1021 супружеская пара в возрасте от 21 до 44 лет, проходящая лечение бесплодия методом ВРТ. От каждой пары было получено письменное добровольное информированное согласие на участие в исследовании и обработку персональных данных. В качестве критериев включения выступали: наличие нормального кариотипа супругов, овариальная стимуляция по протоколу с антагонистом гонадотропин-рилизинг-гормона, селективный перенос эмбриона. Критериями исключения явились аномалии строения матки, а также противопоказания к проведению программы ВРТ. Пациенты, включенные в исследование, прошли предварительное обследование согласно приказу Министерства здравоохранения Российской Федерации №803н. Построение алгоритма МО и дальнейшее моделирование проводились с привлечением команды математиков.
Пациенткам, включенным в исследование, была проведена стандартная овариальная стимуляция по протоколу с антагонистом гонадотропин-рилизинг-гормона со 2-го или 3-го дня менструального цикла. Трансвагинальная пункция яичников была выполнена спустя 36 ч после инъекции триггера с последующим оплодотворением полученных ооцитов методом ЭКО (у 5,6% пациенток), интрацитоплазматической инъекции сперматозоида (ИКСИ) (у 81,9%) и физиологического ИКСИ (ПИКСИ) (у 12,5%). Селективный перенос эмбриона осуществлялся по стандартной методике на 5-е сутки после оплодотворения. Через 3 недели после переноса эмбриона при положительном результате крови на β-субъединицу хорионического гонадотропина человека было выполнено ультразвуковое исследование малого таза для диагностики клинической беременности. В качестве эмбриологических показателей проанализированы следующие критерии: концентрация, процент прогрессивно-подвижных, процент непрогрессивных, неподвижных сперматозоидов, процент морфологически здоровых сперматозоидов в день пункции, количество ооцит-кумулюсных комплексов (ОКК), зрелых ооцитов MII, количество зигот, качество эмбриона, количество бластоцист отличного, хорошего и среднего качества, а также количество эмбрионов, остановившихся в развитии.
Статистическая обработка данных и алгоритм построения решающего дерева
Для статистического анализа и регрессионного анализа полученных данных использовалась программа Microsoft Excel 15.0. При интерпретации результатов статистического анализа уровень значимости p-value =0,05 был принят как критический. В качестве метода МО было использовано решающее дерево с применением языка Python в формате интерактивного ноутбука ipynb и анализом данных при помощи критерия Джини (Gini impurity). Были использованы следующие программные пакеты: scikit-learn, numpy, pandas, shap, matplotlib.
Методология оценки качества модели в данном исследовании включала следующие шаги.
1. Разбиение данных на обучающую и тестовую выборки.
Данные делятся на обучающую и тестовую выборки с использованием функции train_test_split из библиотеки sklearn. На каждом шаге цикла данные делятся заново. Обучающая выборка составляет 80% данных, тестовая – 20%. random_state=42 гарантирует воспроизводимость разбиения на каждом шаге.
2. Создание и обучение модели.
Для классификации используется модель DecisionTreeClassifier с максимальной глубиной дерева (max_depth), равной 55. Эта модель обучается на обучающей выборке данных (X_train и y_train).
3. Прогнозирование.
После обучения модели на обучающих данных она используется для предсказания меток (y_pred) на тестовой выборке (X_test).
4. Оценка качества модели.
Качество модели оценивается с использованием двух метрик: f1_score – гармоническое среднее между точностью и полнотой, что делает эту метрику подходящей для несбалансированных классов; accuracy_score – доля правильных предсказаний среди всех предсказаний.
5. Кросс-валидация.
Процесс обучения и оценки повторяется 5 раз (в соответствии с переменной n_cv_splits). По завершении цикла вычисляются и выводятся среднее значение и стандартное отклонение для каждой из метрик (f1_score и accuracy_score) по всем 5 итерациям. Это позволяет оценить стабильность и общую производительность модели.
Результаты
На первом этапе исследования были проанализированы клинико-лабораторные параметры включенных в исследование пациентов, представленные в таблицах 1 и 2. Клинико-лабораторные характеристики пациентов включали: возраст женщины, возраст мужчины, уровень антимюллерова гормона (АМГ), фолликулостимулирующего гормона (ФСГ), индекс массы тела (ИМТ), наличие вредных привычек, возраст менархе, продолжительность кровотечений, длительность менструального цикла, начало половой жизни, количество беременностей, абортов, невынашиваний, внематочных беременностей в анамнезе, наличие инфекций, передающихся половым путем (ИППП), аднексита, эндометриоза, миомы матки, полипов, хронического эндометрита, синдрома поликистозных яичников (СПКЯ), кист яичников, резекции яичников, тубэктомии в анамнезе, продолжительность бесплодия, попытка ЭКО, фактор бесплодия.
Частота наступления беременности у пациенток, включенных в данное исследование, а также частота невынашивания беременности представлена в таблице 3.
На следующем этапе исследования совместно с математиками и специалистами в области биоинформатики была построена модель линейной регрессии с оценкой значения р-value. Клинико-лабораторные значения, обладающие статистической значимостью на вынашивание беременности, представлены в таблице 4. Коэффициент регрессии отражает положительное или отрицательное влияние анализируемого параметра на частоту невынашивания. Согласно модели линейной регрессии, на частоту невынашивания влияют возраст женщины, количество беременностей в анамнезе, количество преждевременных родов, продолжительность стимуляции, отсутствие беременностей от данного партнера, продолжительность стимуляции, качество эмбриона, использование двойного триггера финального созревания ооцитов, а также оплодотворение полученных ооцитов при помощи ИКСИ.
На следующем этапе исследования для выявления скрытых закономерностей была построена модель МО с использованием решающего дерева, отражающая значимость анализируемых параметров и их «вес» в определении частоты вынашивания беременности. Максимальным «весом» обладали следующие показатели: возраст женщины, возраст мужчины, продолжительность стимуляции, суммарная доза препарата гонадотропина, показатели спермограммы (% прогрессивно-подвижных форм, % морфологически здоровых форм, концентрация сперматозоидов, % неподвижных форм), продолжительность бесплодия, дебют половой жизни, показатели стимулированного цикла (количество 2PN, MII, ОКК), ИМТ, качество эмбриона согласно морфологическим характеристикам Gardner, количество эмбрионов отличного качества, метод оплодотворения ИКСИ, АМГ, наличие миомы матки, эндометрита, ИППП в анамнезе, количество абортов, а также отсутствие наступления беременности от данного партнера в анамнезе (табл. 5).
Таким образом, показателями, имеющими максимальное значение в определении частоты невынашивания беременности, согласно двум построенным моделям, являются возраст, наличие беременностей от данного партнера в анамнезе, продолжительность стимуляции, качество эмбрионов, а также метод оплодотворения.
Точность полученной модели составила (accuracy):
- среднее: 0,84;
- стандартное отклонение: 0,06.
f1 score:
- среднее: 0,775;
- стандартное отклонение: 0,09.
Обсуждение
Модели для прогнозирования исхода лечения бесплодия широко используются в медицине. Среди основных алгоритмов, применяемых с целью решения данной задачи, выделяют логистическую и линейную регрессию, а также МО. Стоит отметить, что традиционные модели прогнозирования имеют ограниченную точность. В 2019 г. было проведено исследование, результаты которого показали, что площадь под кривой у модели для прогнозирования частоты имплантации эмбриона у пациентов в программе ВРТ, построенной с использованием логистической регрессии, составляет 0,66, а при помощи МО – 0,74 [9]. Barnett-Itzhaki Z. et al. в 2020 г. также оценили точность модели для прогнозирования эффективности ВРТ, построенной с использованием МО (0,69–0,90) и при помощи традиционных статистических методов (0,34–0,74) [10]. Стоит отметить, что в настоящий момент совершенствуются технологии хранения данных, поэтому внедрение МО позволяет более эффективно и быстро обрабатывать big data без привлечения большого количества ресурсов со стороны врачей, выделять необходимый фрагмент информации из большого массива данных, создавать структурированные базы и на основании предыдущего опыта создавать более достоверные прогностические модели. В отличие от МО, линейная регрессия имеет больше ограничений для анализа большого количества мультиклассовых параметров и переменных. Кроме этого, классические модели базируются на детерминированных уравнениях и не имеют способности автономно и самостоятельно обучаться, поэтому такие модели не могут быть использованы для создания систем поддержки принятия решений [11].
В данном исследовании на первом этапе была построена модель линейной регрессии, которая показала, что на частоту невынашивания беременности после ВРТ влияют возраст, количество беременностей, количество преждевременных родов в анамнезе, продолжительность стимуляции, отсутствие беременностей от данного партнера, качество эмбриона, использование двойного триггера финального созревания ооцитов, а также оплодотворение полученных ооцитов с помощью ИКСИ.
Согласно модели, построенной с использованием МО, максимальным «весом» в определении частоты невынашивания беременности, наступившей после ВРТ, обладают возраст, продолжительность стимуляции, суммарная доза препарата гонадотропина, показатели спермограммы (доля прогрессивно-подвижных форм, %, доля морфологически здоровых форм, %, концентрация сперматозоидов, доля неподвижных форм, %), продолжительность бесплодия, дебют половой жизни, показатели стимулированного цикла (2PN, MII, количество ОКК), ИМТ, качество эмбриона, количество эмбрионов отличного качества, метод оплодотворения ИКСИ, уровень АМГ, наличие миомы матки, эндометрита, ИППП в анамнезе, количество абортов, а также отсутствие наступления беременности от данного партнера в анамнезе.
Обращает на себя внимание, что продолжительность стимуляции, доза использованного препарата, количество ооцитов и зигот влияют на невынашивание беременности. Результаты предыдущих исследований показали, что данные параметры оказывают положительное влияние на частоту имплантации эмбриона [12]. Тем не менее влияние параметров стимулированного цикла на частоту невынашивания беременности может быть связано с тем, что при увеличении продолжительности стимуляции повышается количество использованного препарата и ооцитов, полученных в ходе трансвагинальной пункции яичников, что приводит к риску синдрома гиперстимуляции яичников (СГЯ). Вероятнее всего, именно в результате оптимальной профилактики риска СГЯ линейная регрессия показала, что использование двойного триггера снижает частоту невынашивания беременности. Изменения, ассоциированные с СГЯ, могут приводить к невынашиванию беременности в связи с развитием прокоагулянтного состояния и формированием микротромбов в сосудах плаценты, нарушать кровоснабжение в сосудах плаценты, вызывать локальный инфаркт, ишемию и гипоксию [13]. Пациентам, которые находятся в зоне риска по СГЯ, могут быть рекомендованы умеренная физическая нагрузка, а также использование низкомолекулярных гепаринов для профилактики не только прогрессирования СГЯ во время беременности, но и невынашивания.
Результаты построения обеих моделей показали, что оплодотворение полученных ооцитов методом ИКСИ снижает риск невынашивания. Согласно приказу Министерства здравоохранения Российской Федерации № 803н «О порядке использования вспомогательных репродуктивных технологий, противопоказаниях и ограничениях к их применению», оплодотворение методом ИКСИ должно производиться по следующим показаниям: мужской фактор бесплодия, который проявляется в значительном снижении параметров эякулята, использование сперматозоидов, полученных хирургическим путем, использование ооцитов после криоконсервации, проведение преимплантационного генетического тестирования методом полимеразной цепной реакции, низкая частота оплодотворения в предыдущей программе ЭКО. Существует большое количество работ, показывающих, что при невыраженном мужском факторе бесплодия эффективность программ ВРТ не изменяется при оплодотворении ооцитов методом ЭКО или ИКСИ, несмотря на то, что изначально процент оплодотворившихся клеток методом ИКСИ выше [14]. Учитывая, что модель на основе МО показала, что мужской фактор бесплодия влияет на частоту невынашивания, вероятнее всего, выбор сперматозоида при помощи ИКСИ также позволяет оптимизировать селекцию наиболее качественного сперматозоида. Полученные результаты требуют дальнейших исследований для более объективной интерпретации показателей спермограммы в день трансвагинальной пункции определения групп пациентов, кому может быть проведено оплодотворение методом ЭКО без снижения частоты живорождения.
На предыдущих этапах работы модель, построенная с использованием МО, показала, что среди основных показателей спермограммы на частоту клинической беременности, а также на эмбриологические исходы максимальным влиянием обладает концентрация сперматозоидов в 1 мл. При этом доля морфологически здоровых форм сперматозоидов, а также доля прогрессивно подвижных форм влияет на эти данные в незначительной степени. В данном исследовании было показано, что частота невынашивания беременности в большей степени зависит от доли прогрессивно подвижных и морфологически здоровых форм, а концентрация сперматозоидов имеет меньший «вес». При этом линейная регрессия не показала статистически значимого вклада ни одного из показателей спермограммы на частоту невынашивания. Полученные результаты согласуются с данными публикаций, которые отражают важный вклад доли (%) морфологически здоровых форм не в частоту наступления беременности, а в частоту живорождения [15]. Описанные закономерности позволяют по-другому взглянуть на подготовку мужчины к программе ВРТ, так как персонифицированный алгоритм подготовки и дифференцированная интерпретация результатов лечения на основании данных спермограммы позволяют более таргетно и комплексно подходить к лечению бесплодия, ассоциированного с мужским фактором, в зависимости от анамнеза супружеской пары.
Традиционно принято считать, что показатели овариального резерва напрямую влияют на эффективность ВРТ за счет возможности селекции максимально качественного эмбриона у пациенток с высоким овариальным запасом [16]. Модель на основе МО показала, что уровни АМГ и ФСГ, продолжительность бесплодия, количество эмбрионов хорошего/отличного качества, пригодных для витрификации, также оказывают большое влияние на частоту невынашивания беременности. По данным систематического обзора, опубликованного в 2020 г., показатели овариального резерва, в особенности уровень АМГ, могут выступать предикторами ранних репродуктивных потерь [17].
Согласно предыдущим работам, данный показатель автономно влияет на эффективность ВРТ и частоту живорождения даже с корректировкой на возраст супружеской пары [18]. Вероятнее всего, это связано с тем, что продолжительное бесплодие в супружеской паре может быть обусловлено комплексом факторов, в том числе качеством эякулята, рецептивностью эндометрия.
Модель МО продемонстрировала, что на вынашивание беременности влияют продолжительность бесплодия, фактор бесплодия, а также отсутствие наступления беременности от данного партнера в анамнезе. На предыдущих этапах исследования нами было установлено, что у пациенток с отсутствием наступления беременности в анамнезе от данного партнера снижается эффективность ВРТ, что может быть следствием сложных молекулярных нарушений у данной супружеской пары на уровне рецептивности эндометрия, оплодотворяющей способности сперматозоида, изменения качества ооцитов, нарушенного дробления эмбрионов. Результаты настоящего исследования также показали, что первичное бесплодие ассоциировано с риском невынашивания беременности, это согласуется с результатами предыдущих работ [19]. В контексте невынашивания стоит отметить, что пациентки с первичным бесплодием, помимо нарушений на уровне взаимодействия гамет и имплантации эмбриона, могут быть менее дообследованы, и причины невынашивания беременности будут определены лишь после случившегося прерывания. Одно из наиболее крупных исследований, в котором использовалось МО для прогнозирования частоты невынашивания, определило, что из 108 вариабельных переменных наиболее значимыми для построения прогностической модели являются возраст, уровень АМГ, ИМТ, продолжительность бесплодия, наличие беременностей и родов в анамнезе, а также фактор бесплодия [20]. Обращает на себя внимание, что в данном исследовании не было получено влияния качества эякулята на частоту невынашивания, что может быть связано с тем, что в работе критерием качества эякулята служило обобщающее определение – тератозооспермия, нормозооспермия, астенозооспермия и т.д., без подробной расшифровки.
При проведении подобных исследований стоит обратить внимание на практическую значимость полученных результатов. В клинической практике при консультировании супружеской пары врач чаще всего прогнозирует частоту живорождения, исходя лишь из данных возраста. Безусловно, возраст женщины оказывает большое влияние на частоту живорождения; при этом, согласно результатам ряда аналоговых исследований, возраст мужчины не влияет на невынашивание. Наши результаты согласуются с результатами исследования, в котором показано, что возраст мужчины также вносит значительный вклад в определение финального прогноза эффективности ВРТ и частоты живорождения [21]. Исследования в данной области, в особенности с использованием МО в качестве инструмента обработки данных, позволяют делать более персонифицированный и интегральный прогноз для каждой супружеской пары, так как у разных пациенток одного возраста частота невынашивания беременности может значительно отличаться. Полученные результаты могут оптимизировать финансово-экономические затраты государства на проведение цикла ВРТ за счет средств обязательного медицинского страхования у разных групп пациентов. Кроме этого, более четкий и унифицированный алгоритм может более таргетно воздействовать на наиболее вероятную причину невынашивания с учетом оптимизации временных затрат на подготовку при сохранении максимального эффекта для снижения частоты невынашивания в последующих программах. Удобный и простой алгоритм с понятным интерфейсом, разработанный совместно с математиками, дает возможность менее опытным специалистам использовать данный инструмент в качестве вспомогательной программы для более объективной подготовки и лечения супружеской пары с бесплодием.
Заключение
Несмотря на значительные достижения в отношении создания систем на основе традиционного регрессионного анализа, их точность не превышает в среднем 65%. Использование МО имеет свои ограничения и недостатки, но интеграция таких систем и применение их в ежедневной медицинской практике могут в значительной степени улучшить не только качество прогнозирования эффективности ВРТ, частоту живорождения, но и более эффективно работать с накопившимися данными и постоянно обновляющейся и добавляющейся информацией без привлечения большого количества ресурсов. Безусловно, в настоящий момент использование технологий МО невозможно без привлечения прикладных математиков и специалистов в области программирования и биоинформатики; однако создание программного продукта с понятным для врача интерфейсом может стать удобным вспомогательным инструментом, который позволяет обеспечить более объективный интегральный и комплексный подход к лечению бесплодия методом ВРТ.
