AI with care: Integrating machine learning with expert knowledge for In Vitro Fertilization

Resum

Després de gairebé 45 anys del naixement de Lousie Brown, el primer nadó nascut després de la fecundació in vitro (FIV), les taxes de gestació per a aquest tractament segueixen al voltant del 30%, amb un 20% de possibilitats de part. Encara que és molt millor que les possibilitats que tenien aquests pacients sense la FIV, lògicament hi ha esforços constants per comprendre la realitat biològica de la fertilitat per tal de perfeccionar les tecnologies de reproducció artificial (TRA)._x000D_ _x000D_ Paral·lelament als avenços tècnics aconseguits pels professionals de la TRA, la intel·ligència artificial (IA) també ha progressat a un ritme notable. La seva capacitat per tractar bases de dades d'altes dimensions i detectar relacions de dades ocultes ha portat els investigadors a explorar la seva aplicació en l'àmbit de la salut. Hi ha diversos processos en la TRA, i concretament en la FIV, on actualment s'estan aplicant mètodes d'IA._x000D_ _x000D_ En aquesta tesi, l'enfocament principal se centra en la selecció de la primera dosi de l'hormona fol·liculoestimulant (FSH per les seves sigles en anglès) per a l'hiperestimulació ovàrica controlada (HOC). La HOC és el primer pas d'un tractament de FIV, on l'objectiu és obtenir un nombre òptim d'òvuls madurs de l'ovari. Els resultats de la HOC són decisius per al èxit del tractament de FIV. Els protocols clínics estàndard per a la selecció de la primera dosi de FSH no són perfectes i porten una part considerable dels pacients a resultats subòptims. En aquesta tesi, fem servir mètodes d'IA amb dades històriques de tractaments anteriors de HOC per obtenir una política de dosificació òptima de FSH._x000D_ _x000D_ Els conjunts de dades històrics o observacionals sovint presenten biaixos i tenen poca variabilitat a causa de l'alta adherència dels metges als protocols estàndard. En aquest context, els mètodes d'IA convencionals no tenen prou informació per aprendre models de dosificació que millorin la pràctica estàndard, ni tan sols que siguin coherents amb la realitat fisiològica subjacent. Per tant, la introducció del coneixement de domini en el procés de formació és clau per obtenir models clínics robustos a partir de dades observacionals. Per aconseguir-ho, proposem construir el model de dosificació al voltant de l'assumpció que la relació de resposta a la dosi entre la FSH i el nombre d'òvuls recuperats és monotònica._x000D_ _x000D_ A més, ja que l'avaluació del rendiment dels models de dosificació generalment es realitza a través d'intervencions clíniques prospectives, hem dissenyat una puntuació de rendiment ad hoc per avaluar les dosis (reals o contrafacturals) en un entorn preclínic. Aquesta puntuació, basada en el coneixement expert, pot determinar si una dosi és adequada en funció del resultat real, expressat com el nombre d'òvuls madurs recuperats. Utilitzant aquest mètode, hem aconseguit una millora estadísticament significativa en comparació amb la pràctica clínica estàndard. També s'ha provat un mètode generalitzat per a problemes de dosificació similars, anomenat IDoser, en el cas d'ús de la FSH, comparant-lo amb la pràctica clínica i un conjunt de literatura, i s'ha trobat una millora significativa un cop més. Una primera aproximació de l'aplicació d'IDoser a la selecció del nombre d'embrions per a la transferència en la FIV també ha obtingut resultats positius amb potencial de millora._x000D_ _x000D_ Finalment, les solucions impulsades per IA, especialment en entorns de salut com la selecció de dosis de medicaments, han de ser gestionades amb cura, ja que la salut dels pacients està en joc. A més, han de guanyar la confiança dels metges. La confiança s'aconsegueix mitjançant la millora clínica i l'adhesió demostrable al coneixement disponible en el camp.

Data del Ajut	24 de jul. 2023
Idioma original	Anglès
Supervisor	Rita Vassena (Director/a), Jesús Cerquides Bueno (Director/a) & Josep Lluís Arcos Rosell (Director/a)