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

Resumen

Después de casi 45 desde el nacimiento del primer bebé concebido mediante fertilización in vitro (FIV), las tasas de embarazo para este tratamiento siguen rondando el 30%, con un 20% de posibilidades de éxito en el parto. Aunque estas cifras son mucho mejores que las de los pacientes sin FIV, es lógico que existan constantes esfuerzos por comprender la realidad biológica de la fertilidad con el fin de mejorar las tecnologías de reproducción asistida (TRA)._x000D_ _x000D_ Paralelamente a los avances técnicos logrados por los profesionales de la TRA, la inteligencia artificial (IA) también ha progresado a un ritmo notable. Su capacidad para manejar bases de datos de alta dimensionalidad y detectar relaciones ocultas entre los datos ha llevado a los investigadores a explorar su aplicación en el ámbito de la salud. Existen varios procesos en la TRA, y específicamente en la FIV, donde actualmente se están aplicando métodos de IA._x000D_ _x000D_ En esta tesis, el enfoque principal se centra en la selección de la primera dosis de hormona estimulante del folículo (FSH) para la hiperestimulación ovárica controlada (HOC). La HOC es el primer paso de un tratamiento de FIV, cuyo objetivo es obtener un número óptimo de óvulos maduros del ovario. Los resultados de la HOC son fundamentales para el éxito del tratamiento de FIV. Los protocolos clínicos estándar para la selección de la primera dosis de FSH no son perfectos y llevan a una parte considerable de los pacientes a obtener resultados subóptimos. En esta tesis, utilizamos métodos de IA con datos históricos de tratamientos anteriores de HOC para obtener una política de dosificación óptima de FSH._x000D_ _x000D_ Los conjuntos de datos históricos u observacionales a menudo presentan sesgos y tienen poca variabilidad debido a la alta adherencia de los médicos a los protocolos estándar. En este contexto, los métodos de IA convencionales no tienen suficiente información para aprender modelos de dosificación que mejoren la práctica estándar, ni siquiera para ser consistentes con la realidad fisiológica subyacente. Por lo tanto, la introducción del conocimiento del dominio en el proceso de entrenamiento es clave para obtener modelos de dosificación clínicamente robustos a partir de datos observacionales. Para lograr esto, proponemos construir el modelo de dosificación en base a la suposición de que la relación dosis-respuesta entre la FSH y el número de óvulos recuperados es monótona._x000D_ _x000D_ Además, dado que la evaluación del rendimiento de los modelos de dosificación generalmente se logra a través de intervenciones clínicas prospectivas, hemos diseñado un puntaje de rendimiento ad hoc para evaluar las dosis (reales o contrafactuales) en un entorno preclínico. Este puntaje, basado en el conocimiento experto, puede evaluar si una dosis es adecuada en función del resultado verdadero, expresado como el número de óvulos maduros recuperados. Utilizando este método, hemos logrado una mejora estadísticamente significativa en comparación con la práctica clínica estándar. También se ha probado un método generalizado para problemas de dosificación similares, llamado IDoser, en el caso de uso de la FSH, comparándolo con la práctica clínica y un conjunto de literatura, y nuevamente se ha encontrado una mejora significativa. Una primera aproximación de la aplicación de IDoser a la selección del número de embriones para la transferencia en la FIV también ha arrojado resultados positivos con potencial de mejora._x000D_ _x000D_ Finalmente, las soluciones impulsadas por IA, especialmente en entornos de atención médica como la selección de dosis de medicamentos, deben ser manejadas con cuidado, ya que la salud de los pacientes está en juego. Además, deben ganarse la confianza de los médicos. La confianza se obtiene a través de la mejora clínica y la adhesión comprobable al conocimiento disponible en el campo.

Fecha de lectura	24 jul 2023
Idioma original	Inglés
Supervisor	Rita Vassena (Director/a), Jesús Cerquides Bueno (Director/a) & Josep Lluís Arcos Rosell (Director/a)