Του Αχιλλέα Παπαθεοδώρου, PhD, M.Med.Sc., Senior Kλινικός Eμβρυολόγος (πιστοποιημένος από την ESHRE), Διευθυντής Εργαστηρίων Embryolab
Η κλάδος της υποβοηθούμενης αναπαραγωγής (IVF) έχει γνωρίσει αξιοσημείωτες εξελίξεις τα τελευταία χρόνια, προσφέροντας νέες ελπίδες σε άτομα και ζευγάρια που προσπαθούν αλλά δυσκολεύονται να τεκνοποιήσουν. Μια τέτοια σημαντική πρόοδο αποτελεί η ενσωμάτωση της Τεχνητής Νοημοσύνης (AI) στη διαδικασία της εξωσωματικής γονιμοποίησης (IVF). Η χρήση αυτής της τεχνολογίας στην υποβοηθούμενη αναπαραγωγή αποτελεί μια πολλά υποσχόμενη προοπτική για να μπορέσουμε να βελτιώσουμε την αποτελεσματικότητα των θεραπειών και διαδικασιών μας και ευελπιστούμε να καταφέρουμε να αντιμετωπίσουμε επιτυχώς τη μεγαλύτερη πρόκληση στο χώρο μας, να αυξήσουμε τα κλινικά αποτελέσματα.
Ο ρόλος της τεχνητής νοημοσύνης στην εξωσωματική γονιμοποίηση
Ο απώτερος στόχος μιας θεραπείας εξωσωματικής γονιμοποίησης είναι η μεταφορά ενός ευπλοειδικού (χρωμοσωμικά φυσιολογικού) εμβρύου στη μήτρα, αυξάνοντας τις πιθανότητες να γεννηθεί ένα υγιές παιδί. Παραδοσιακά, οι εμβρυολόγοι βασίζονται σε απλές μικροσκοπικές παρατηρήσεις για να αξιολογήσουν τα έμβρυα για μεταφορά και να προβλέψουν τις δυνατότητές τους να οδηγήσουν σε μια επιτυχημένη εγκυμοσύνη. Ωστόσο, αυτή η μέθοδος έχει αποδειχθεί ότι είναι εγγενώς υποκειμενική με αποτέλεσμα να παρατηρούνται μεγάλες διαφοροποιήσεις στις αξιολογήσεις των εμβρύων τόσο μεταξύ διαφορετικών εργαστήριων αλλά και μεταξύ εμβρυολόγων στο ίδιο εργαστήριο.
Στην προσπάθεια να βελτιώσουμε την αποτελεσματικότητά μας στις κλινικές ΙVF, έχει προταθεί ως λύση η χρήση της τεχνητής νοημοσύνης. Πιο συγκεκριμένα, έχουν δημιουργηθεί συστήματα AI που μπορούν να προσφέρουν αντικειμενικές και εξαιρετικά ακριβείς αξιολογήσεις εμβρύων, μειώνοντας την υποκειμενικότητα και τη μεταβλητότητα που σχετίζεται με την κλασσική παρατήρηση.
Η αξιολόγηση των εμβρύων με βάση τη μορφολογία τους αποτελεί μια πρακτική που έχει εδραιωθεί στην ιστορία της υποβοηθουμένης αναπαραγωγής. Οι εμβρυολόγοι αξιολογούν συγκεκριμένα μορφολογικά χαρακτηριστικά σε βασικά αναπτυξιακά στάδια και κατηγοριοποιούν τα έμβρυα σύμφωνα με προκαθορισμένα κριτήρια. Δύο γνωστά συστήματα αξιολόγησης είναι τα κριτήρια Gardner και τα κριτήρια ASEBIR. Και τα δύο αξιολογούν τρία χαρακτηριστικά μιας βλαστοκύστης: το εύρος της διάτασης του βλαστόκοιλου, την ποιότητα της έσω κυτταρικής μάζας και την ποιότητα των περιφερειακών κυττάρων (τροφεκτόδερμα).
Ωστόσο, καθώς τα εμβρυολογικά εργαστήρια αναπτύχθηκαν και εξελίχθηκαν, έγινε εμφανές ένα πρόβλημα – μια μεταβλητότητα στις αξιολογήσεις των εμβρύων. Υπάρχουν πολλές αναφορές που εντοπίζουν σημαντική ασυμφωνία μεταξύ των εμβρυολόγων στην αξιολόγηση των εμβρύων με βάση τη μορφολογία, γεγονός που οδηγεί σε προκλήσεις στη λήψη αποφάσεων και επομένως μπορεί να επηρεάζει τα συνολικά ποσοστά επιτυχίας μιας προσπάθειας.
Σε μια πρόσφατη μελέτη, ερευνητές αξιολόγησαν τη διεργαστηριακή συμφωνία μεταξύ των συμμετεχόντων στην αξιολόγηση και ταξινόμηση των εμβρύων χρησιμοποιώντας δυο μεθόδους: την κλασσική παρατήρηση και την αξιολόγηση της μορφολογίας χρησιμοποιώντας επωαστές με τεχνολογία Time Lapse. Τα αποτελέσματα έδειξαν ότι το επίπεδο διεργαστηριακής συμφωνίας ήταν, στην καλύτερη περίπτωση, μέτριο.
Πέρα από το παραπάνω ζήτημα της περιορισμένης συμφωνίας μεταξύ εμβρυολόγων, η αποκλειστική χρήση της κλασσικής παρατήρησης μπορεί να οδηγήσει σε αρνητικά αποτελέσματα σε διάφορα επίπεδα, όπως μειωμένη εργαστηριακή απόδοση, αυξημένο κίνδυνο σφαλμάτων κατά τη μη αυτόματη μεταφορά δεδομένων, αυξημένα επίπεδα εργασιακού στρες και κόπωσης μεταξύ των εμβρυολόγων και επιπλοκές στη διεργαστηριακή και ενδοκλινική επικοινωνία. Επιπλέον, συχνά παρατηρείται άσκοπη επανάληψη των ίδιων διαδικασιών μέσα στη ροή μιας εργασίας, χάνοντας πολύτιμο χρόνο.
Η εμπειρία του Embryolab
Ως απάντηση σε αυτές τις προκλήσεις, η Embryolab παρουσίασε μια πρωτοποριακή πλατφόρμα τεχνητής νοημοσύνης γνωστή ως EMA, η οποία αναπτύχθηκε από την AiVF, ισραηλινή εταιρεία Tεχνητής Nοημοσύνης. H εφαρμογή EMA έχει σχεδιαστεί για να παρακολουθεί την ανάπτυξη των εμβρύων αναλύοντας βίντεο με την εξέλιξή τους που μας παρέχουν εξελιγμένοι επωαστές με ενσωματωμένη τεχνολογία time-lapse. Μέσα από αυτά τα βίντεο, η ΑΙ τεχνολογία διαχειρίζεται έναν τεράστιο όγκο δεδομένων σχετικά με την εμβρυολογική εξέλιξη, κάνει αναλύσεις και συσχετισμούς τους οποίους το ανθρώπινο μυαλό αδυνατεί να πραγματοποιήσει.
Το μοντέλο βαθμολόγησης εμβρύων του EMA είναι μια απόδειξη της δύναμης της μηχανικής μάθησης (ML), που αναπτύχθηκε μέσω της ανάλυσης περισσότερων από 200.000 εμβρύων από επτά κλινικές, καθεμία από τις οποίες σχετίζεται με το δικό της σύνολο κλινικών μεταβλητών. Ο αλγόριθμος εκχωρεί μια συνεχή βαθμολογία σε κάθε έμβρυο σε μια κλίμακα από το 1 έως το 9,9, αντικατοπτρίζοντας τόσο την ποιότητά του όσο και την πιθανότητα επίτευξης κλινικής εγκυμοσύνης.
Οι δυνατότητες του EMA γίνονται ιδιαίτερα εμφανείς την 5η ημέρα, όταν ταξινομεί τα έμβρυα σύμφωνα με τη βαθμολογία τους, επιτρέποντας στους εμβρυολόγους να εντοπίσουν εύκολα τα πιο υποσχόμενα έμβρυα για μεταφορά. Επιπλέον, το EMA παρέχει στους εμβρυολόγους τη δυνατότητα να σχολιάζουν κάθε έμβρυο και να λαμβάνουν αποφάσεις σχετικά με τη μεταφορά, την κατάψυξη ή την απόρριψη.
Έρευνα και ευρήματα του Embryolab
Σε μια προσπάθεια να επικυρώσει την αποτελεσματικότητα του EMA, το Embryolab διεξήγαγε μια μελέτη στην οποία συμπεριλήφθηκαν 526 έμβρυα από 49 κύκλους εξωσωματικής γονιμοποίησης, οι οποίοι οποίων είχαν τουλάχιστον δύο καλής ποιότητας βλαστοκύστεις. Η μελέτη είχε ως στόχο να συγκρίνει τον χρόνο που απαιτείται για τον σχολιασμό, τη βαθμολόγηση και τη λήψη αποφάσεων και να συγκρίνει τη κλασσική παρατήρηση και την εφαρμογή του ΕΜΑ.
Τα αποτελέσματα:
– Η κλασσική παρατήρηση, σχολιασμός και καταγραφή των εμβρύων απαιτούσε κατά μέσο όρο 200 δευτερόλεπτα ανά έμβρυο. Σε πλήρη αντίθεση, το EMA παρείχε άμεσα τα αποτελέσματα για κάθε έμβρυο, μειώνοντας τον απαιτούμενο χρόνο σε μόλις 0 δευτερόλεπτα.
– Κλινικές και εμβρυολογικές αποφάσεις για μια ομάδα 10 εμβρύων χρειάστηκαν σχεδόν 300 δευτερόλεπτα με τη κλασσική προσέγγιση για να περαιωθούν. Με το EMA, αυτή η διαδικασία απλοποιήθηκε σε λιγότερο από 60 δευτερόλεπτα, οδηγώντας σε αξιοσημείωτη μείωση του χρόνου ροής εργασίας κατά 97,8%.
Επιπλέον, η μελέτη υπογράμμισε την εξαιρετική ικανότητα του EMA να διαφοροποιεί τους βαθμούς των εμβρύων και τον ισχυρό συσχετισμό του με το ποσοστό των εμβρύων που οδηγούν σε επιτυχημένες εγκυμοσύνες. Αυτά τα ευρήματα επικύρωσαν την ικανότητα της ΑΙ πλατφόρμας να αξιολογεί ποσοτικά την πιθανότητα επίτευξης κλινικής εγκυμοσύνης.
Κλινικά αποτελέσματα και μελλοντικές προοπτικές
Ενισχύοντας αυτά τα πολλά υποσχόμενα αποτελέσματα, το Embryolab ξεκίνησε μια κλινική δοκιμή, μια προοπτική, τυχαιοποιημένη ελεγχόμενη μελέτη με στόχο την αξιολόγηση των κλινικών αποτελεσμάτων των εμβρυομεταφορών. Η μελέτη συνέκρινε τα αποτελέσματα των εμβρύων που επιλέχθηκαν από εμβρυολόγους (ομάδα Α ) με αυτά που επιλέχθηκαν με χρήση του EMA (ομάδα Β). Τα πρώτα ευρήματα ήταν άκρως ενθαρρυντικά:
– Η ομάδα Α, αποτελούμενη από 26 ασθενείς που τυχαιοποιήθηκαν για αξιολόγηση εμβρύου με κλασσική παρατήρηση (αξιολογήσεις εμβρυολόγου), πέτυχε κλινικό ποσοστό εγκυμοσύνης 42%.
– Η ομάδα Β, αποτελούμενη από 21 ασθενείς που τυχαιοποιήθηκαν σε αξιολόγηση εμβρύου με EMA, πέτυχε κλινικό ποσοστό εγκυμοσύνης 57%. Είναι σημαντικό ότι και οι δύο ομάδες είχαν έμβρυα παρόμοιας ποιότητας.
– Το EMA έδειξε κλινική χρησιμότητα παρόμοια με την κλασσική μικροσκοπική παρατήρηση στην πρόβλεψη της επιτυχίας της εγκυμοσύνης, παρέχοντας σχετική ποσοστιαία βελτίωση 35% στην εκτίμηση της πιθανότητας κλινικής εγκυμοσύνης.
Αυτά τα πρώιμα αποτελέσματα υποδηλώνουν ότι μια πλατφόρμα ΑΙ έχει τη δυνατότητα να βελτιώσει σημαντικά τη διαδικασία της εξωσωματικής γονιμοποίησης, οδηγώντας τελικά σε υψηλότερα ποσοστά επιτυχίας και αυξημένη ικανοποίηση των ασθενών. Ωστόσο, είναι σημαντικό να σημειωθεί ότι απαιτείται περαιτέρω έρευνα για την απόδειξη της στατιστικής σημασίας, η οποία θα γίνει πιο εμφανής καθώς διευρύνεται το μέγεθος του δείγματος στην εν εξελίξει μελέτη.
Συμπέρασμα
Η ενσωμάτωση της τεχνολογίας AI στον κόσμο του IVF έχει εγκαινιάσει μια νέα εποχή αποτελεσματικότητας, ακρίβειας και ελπίδας. Η πρωτοποριακή δουλειά του Embryolab πάνω στην εφαρμογή τεχνολογίας ΑΙ στο εργαστήριο IVF υπογραμμίζει τις δυνατότητες της τεχνολογίας αυτής στην αντιμετώπιση μακροχρόνιων προκλήσεων και στη βελτίωση των αποτελεσμάτων των θεραπειών γονιμότητας.
Η δύναμη του AI έγκειται στην ικανότητά του να τυποποιεί τις αξιολογήσεις, να εξαλείφει την υποκειμενικότητα, να βελτιώνει την αποτελεσματικότητα και να παρέχει εξαιρετικά ακριβείς προβλέψεις. Καθώς η τεχνητή νοημοσύνη συνεχίζει να εξελίσσεται και να ενσωματώνεται πιο βαθιά στην εξωσωματική γονιμοποίηση, διαφαίνεται ένα μέλλον που θα χαρακτηρίζεται από υψηλότερα ποσοστά επιτυχίας, από κύκλους θεραπείας που θα φέρουν πιο γρήγορα το επιθυμητό αποτέλεσμα και μια προσέγγιση στη φροντίδα της γονιμότητας που θα είναι βασισμένη σε πολλά δεδομένα.
Ωστόσο, όπως συμβαίνει με κάθε ταχύτατα εξελισσόμενη τεχνολογία, η τεχνητή νοημοσύνη φέρνει και αυτή προκλήσεις και ηθικούς προβληματισμούς που πρέπει να αντιμετωπιστούν για να διασφαλιστεί η σωστή χρήση της. Με τα σωστά ρυθμιστικά πλαίσια, την κατάλληλη εκπαίδευση των ασθενών, η δυναμική της τεχνητής νοημοσύνης μπορεί να αξιοποιηθεί στην εξωσωματική γονιμοποίηση για να βοηθήσει περισσότερους ανθρώπους να πραγματοποιήσουν το όνειρά τους στην πατρότητα και τη μητρότητα.
