Введение
Термин «искусственный интеллект» был впервые введен Джоном Маккарти в Дартмуте в 1955 г. Под этим термином подразумевалась «способность» машин обучаться и демонстрировать результаты обучения. С тех пор искусственный интеллект быстро развивался и постепенно проникал в нашу личную и социальную жизнь. В последние годы компьютеры, обладающие вычислительной мощностью, памятью, хранилищем данных и большими объемами информации, с невероятным успехом справляются со все более сложными задачами [1, 2].
Искусственный интеллект нашел широкое применение в современной медицине в связи с возможностью автоматического анализа больших и сложных баз данных [3]. Такие направления медицины, как радиология, дерматология, офтальмология, нашли способы использования машинного вычисления в практике. Применение искусственного интеллекта в таких инструментальных исследованиях, как магнитно-резонансная томография, компьютерная томография и ультразвуковое исследование, позволяет данные методы сделать более информативными и точными [4]. Таким образом, применение искусственного интеллекта может помочь в стремлении практикующих врачей повысить эффективность лечения различных заболеваний [5, 6].
Современные достижения в репродуктологии позволяют решить многие задачи. Персонализированная стимуляция яичников, расширенное культивирование эмбрионов, преимплантационное генетическое тестирование при отборе эмбрионов позволяют с наибольшей вероятностью добиться желаемого результата. Однако на практике в среднем только одна треть всех циклов экстракорпорального оплодотворения (ЭКО) приводит к беременности [7]. Это представляет собой серьезную проблему, для решения которой можно использовать искусственный интеллект.
Машинное обучение — это основная составляющая искусственного интеллекта, которая позволяет компьютеру не только самостоятельно обрабатывать большие объемы данных, но и прогнозировать отдаленные результаты. Конечным продуктом технологий искусственного интеллекта являются алгоритмы машинного обучения, основанные на использовании статистических закономерностей и обширных баз данных. Наиболее важные переменные, неизвестные науке, могут быть выяснены с помощью искусственного интеллекта. Данные методы стремятся выйти за узкие рамки внимания лишь к отдельным единицам данных и получить более целостную картину за счет обработки всего массива данных [8].
Крупные технологические компании и учреждения внедряют искусственный интеллект в здравоохранение. Например, IBM (International business machine) разработала вычислительную модель, предсказывающую сердечную недостаточность, и предоставила программно-аппаратный комплекс для диагностики рака и выбора тактики лечения. Стэнфордский университет разработал алгоритм глубокого обучения, определяющий тип рака легких и предсказывающий выживаемость пациентов [9].
В последнее десятилетие искусственный интеллект в процедурах вспомогательных репродуктивных технологий нашел применение при оценке и отборе эмбрионов и сперматозоидов, оптимизации параметров овариального резерва. В клинической эмбриологии данный метод дает возможность объективной оценки эмбрионов человека, позволяет идентифицировать ключевые признаки жизнеспособности эмбриона. Современные методы оценки эмбрионов включают статическое наблюдение за морфологией эмбриона и оценку морфокинетических данных в сочетании с морфологией бластоцисты. Искусственный интеллект также может быть полезен при анализе обширных данных с характеристиками пациенток, страдающих различными причинами бесплодия, что обеспечивает индивидуальный подбор лечения, ориентированного на каждую пациентку [10, 11].
Алгоритмы на основе использования технологий искусственного интеллекта широко применяются в эндокринологии для оценки гормонального статуса с целью прогнозирования системных расстройств. На основании динамики показателей определенных гормонов можно с высокой вероятностью определять состояния, приводящие к возникновению диабетической нефропатии и заболеваний щитовидной железы [12, 13]. Анализ биохимических процессов в организме при помощи искусственного интеллекта делает возможным создание информативных скринингов и более персонализированных программ профилактики различных заболеваний [14].
На данный момент искусственный интеллект в медицинской практике перешел от системы поддержки принятия клинических решений, помогающей врачам в диагностике и классификации заболеваний, до самостоятельного метода диагностики и прогнозирования. Во многих случаях модели машинного обучения получают преимущество в точности за счет фиксации сложных и часто нелинейных взаимосвязей между данными, используемыми для прогнозирования [15, 16].
A. Uyar и соавт. [17] в 2014 г. опубликовали результаты ретроспективного исследования, которое основывалось на прогнозировании исхода имплантации. На основе Байесовского классификатора и данных тысяч имплантаций была составлена база данных и в дальнейшем разработан алгоритм, благодаря которому можно было достаточно точно предполагать результаты ИКСИ. В дальнейшем алгоритмы совершенствовались, что позволило исследователям оценивать множество других параметров и таким образом увеличить эффективность данного метода [17—19]. Другие авторы также осуществляют попытки внедрения интерпретируемых и неинтерпретируемых математических моделей машинного обучения, основанных на данных гормонального статуса и соматического состояния женщин для выбора дня стимуляции овуляции [20—22]. B. Liu и соавт. [23] в 2019 г. опубликовали исследование по прогнозированию беременности по масштабным данным мобильного приложения, отслеживающего репродуктивное здоровье пользователей. Анализируя данные о самочувствии, менструациях, применении лекарственных средств и болезнях исследователи составили алгоритм, прогнозирующий наступление овуляции и вероятность зачатия [23].
В контексте репродуктивной медицины, метод оценки готовности организма к беременности — метод SPERO-screen основан на математической модели, описывающей нелинейные динамические процессы. Статистический анализ временных рядов в сочетании с применением хронобиологического подхода позволяет оценить готовность организма к наступлению беременности в определенный момент времени. Применение теоретико-вероятностных методов позволило снизить влияние случайных отклонений входных параметров на качество результатов. В основе технологии лежит объемная база данных тысяч циклов вспомогательных репродуктивных технологий (ВРТ). Использование машинной технологии искусственного интеллекта позволило обобщить и использовать эту информацию для прогнозирования наступления беременности у конкретных пациенток.
На базе анализа данных историй болезни проводилось ретроспективное исследование, целью которого было изучение эффективности применения метода SPERO-screen для повышения вероятности наступления беременности.
Материал и методы
В протокол клинического исследования был включен ретроспективный анализ деперсонализированных данных 334 пациенток в возрасте от 20 до 48 лет, проходивших лечение по программе ЭКО (за исключением криопротоколов) в период с июля 2011 г. по январь 2019 г.
Обязательным условием было отсутствие органических поражений половых органов (миома матки, эндометриоз, воспалительные заболевания органов малого таза, образования придатков и др.) и тяжелых экстрагенитальных заболеваний (инфаркты и инсульты в анамнезе, заболевания ЦНС, онкологические заболевания в анамнезе и др.). Все 334 пациентки прошли процедуру ЭКО. Перед проведением протокола ВРТ у данных пациенток была взята венозная кровь на определение гормонального статуса (эстрадиол, фолликулостимулирующий гормон, лютеинизирующий гормон, тестостерон, дегидроэпиандростерон, антимюллеров гормон, пролактин, тиреотропный гормон, трийодтиронин, тироксин), были оценены менструальная функция, репродуктивный анамнез, соматические заболевания, гинекологический анамнез, оперативные вмешательства, антропометрические данные, использование ВРТ в анамнезе для дальнейшего прогнозирования в пределах 3 последующих менструальных циклов наиболее подходящего временного промежутка для проведения процедуры ЭКО.
Были сформированы две группы пациенток: 1-я группа составляла 145 (43,4%) пациенток, у которых процедура ЭКО проводилась в интервале до 7 дней от программно-рассчитанных дат, 2-я группа составляла 189 (56,6%) пациенток, которым процедура ЭКО проводилась во временные промежутки, отличающиеся от программно-рассчитанных на 7 дней и более.
Результаты и обсуждение
Положительным результатом ВРТ является рождение здорового ребенка, однако в проведенном исследовании в качестве положительного результата рассматривалось наступление маточной беременности. По данным мировой литературы, частота наступления беременности при ЭКО составляет от 29,6 до 34,5% [24, 25].
Возраст пациенток колебался от 20 до 48 лет (в среднем составил 34,9±0,6 года), рост варьировал от 150 до 188 см (в среднем составил 166,7±0,8 см), масса тела — от 41 до 100 кг (в среднем составила 62,1±1,3 кг). По данным УЗ-исследования, патологических образований в полости малого таза не было выявлено, М-эхо имело нормальные значения. У всех пациенток показатели влагалищного мазка находились в пределах нормы. Первичным бесплодием страдали 162 (48,5%) женщины, вторичным — 172 (51,5%). У 115 (34,4%) пациенток в анамнезе отмечались самопроизвольные выкидыши и неразвивающаяся беременность, у 25 (7,5%) имелось привычное невынашивание. У 208 (62,2%) пациенток в анамнезе было применение ВРТ.
С помощью программного обеспечения SPERO-screen для каждой пациентки был произведен расчет временной картины вариабельности байесовской вероятности наступления беременности при условии применения ВРТ в соответствующие даты. Следует отметить, что полученный результат не являлся распределением абсолютных значений вероятности, а лишь позволял определить даты локальных экстремумов1 (максимумов или минимумов) вероятности.
Таким образом, менструальный цикл пациенток был разделен на 3 интервала: «зеленый» — вблизи программно-рассчитанной даты локального максимума вероятности, «желтый» — промежуточные даты, «красный» — с максимальным отклонением от программно-рассчитанной даты, что соответствовало локальному минимуму вероятности. Для каждой пациентки были построены соответствующие диаграммы (рис. 1, на цв. вклейке).
Рис. 1. Примеры диаграмм, построенных методом SPERO-screen для пациентки из 1-й группы (а) и 2-й группы (б).
В нашем исследовании в 1-ю группу входили пациентки, у которых трансвагинальная пункция фолликулов яичников и перенос эмбрионов в полость матки происходили в «зеленом» временном интервале (вплоть до середины «желтых» интервалов), как в наиболее благоприятные даты для наступления беременности в соответствии с результатами расчета с помощью математической модели.
У пациенток 1-й группы беременность наступила в 75 (51,7%) наблюдениях. Соответственно, беременность не наступила в 70 (48,3%) наблюдениях.
У пациенток 2-й группы процедура проводилась в сроки, значительно отличающиеся от программно-рассчитанных (в «красном» временном интервале, вплоть до середины «желтых» интервалов). Среди них беременность наступила в 46 (24,3%) наблюдениях (p<0,001). Таким образом, можно отметить, что вероятность наступления беременности вне программно-рассчитанных дат существенно ниже данных мировой литературы, а применение алгоритма анализа данных искусственным интеллектом позволяет повысить вероятность наступления беременности более чем в 2 раза (рис. 2, 3).
Рис. 2. Распределение доли пациенток 1-й и 2-й групп с наступившей беременностью.
Рис. 3. Распределение числа пациенток 1-й и 2-й групп с наступившей и ненаступившей беременностью.
В исследование входило 162 пациентки старше 35 лет. Среди них в 1-ю группу входила 61 (37,7%) пациентка. Во 2-ю — 101 (62,3%) пациентка. У пациенток 1-й группы беременность наступила в 28 (45,9%) наблюдениях. Соответственно, беременность не наступила в 33 (54,1%) наблюдениях. Среди пациенток 2-й группы беременность наступила в 16 (15,8%) наблюдениях (p<0,001). Таким образом, данный метод применим и для пациенток позднего репродуктивного возраста.
Также была выявлена обратная зависимость числа пациенток с наступившей беременностью от величины отклонения фактической даты трансвагинальной пункции фолликулов яичников от программно-рассчитанной даты (рис. 4, на цв. вклейке). Наибольшая результативность процедуры ЭКО по критерию наступления беременности наблюдалась в случаях, когда отклонение составляло не более 3 дней.
Рис. 4. Распределение числа пациенток с наступившей беременностью по величине отклонения фактической даты трансвагинальной пункции фолликулов яичников от программно-рассчитанной даты (от центра «зеленого» интервала).
Заключение
Искусственный интеллект не только стремительно входит в повседневную жизнь, но и находит свое применение в практической медицине. Специалисты по лучевой диагностике, хирурги, радиологи применяют алгоритмы машинного обучения для оказания эффективной помощи пациентам. Разработанные системы диагностики, основанные на анализе ферментов, онкомаркеров, показателей гормонального исследования, позволяют диагностировать заболевания и даже прогнозировать их. Методы искусственного интеллекта не могли не получить своего отражения и в области такого быстро развивающегося направления медицины, как репродуктология. На основании гормонального статуса женщины и данных анамнеза при помощи искусственных нейронных сетей, подготовленных на базе тысяч клинических наблюдений успешного наступления беременности, возможно прогнозирование наиболее благоприятных менструальных циклов и конкретных дат зачатия. В перспективе применение данного подхода позволит разработать протоколы лечения, в большей степени учитывающие динамический характер процессов репродуктивной системы и индивидуальные особенности пациентки. На данный момент проводится масштабное проспективное исследование использования данной технологии с оценкой исходов беременности, наступившей в разные программно-рассчитанные временные промежутки.
Участие авторов:
Концепция и дизайн исследования — С.Н. Буянова, Н.А. Щукина, А.Ю. Темляков
Сбор и обработка материала — А.Ю. Темляков, Т.А. Глебов
Статистическая обработка — А.Ю. Темляков
Написание текста — Т.А. Глебов
Редактирование — С.Н. Буянова, Н.А. Щукина
Авторы заявляют об отсутствии конфликта интересов.
Participation of authors:
Concept and design of the study — S.N. Buyanova, N.A. Shchukina, A.Yu. Temlyakov
Data collection and processing — A.Yu. Temlyakov, T.A. Glebov
Statistical processing of the data — A.Yu. Temlyakov
Text writing — T.A. Glebov
Editing — S.N. Buyanova, N.A. Shchukina
Authors declare lack of the conflicts of interests.
1Англ. extremum — максимум или минимум.