Согласно данным Федеральной службы государственной статистики, с 2016 г. в России отмечаются увеличение естественной убыли населения и снижение рождаемости [1, 2]. Одним из наиболее эффективных и современных способов преодоления бесплодия и улучшения демографической ситуации выступают программы вспомогательных репродуктивных технологий (ВРТ). С 2013 г. проведение программ ВРТ стало возможным за счет средств обязательного медицинского страхования (ОМС), что послужило дополнительным позитивным стимулом для повышения доступности лечения бесплодия в различных регионах России [3, 4]. Структура бесплодия у супружеской пары в значительной степени связана с региональной спецификой [5]. Так, например, максимальная частота нарушений мужского репродуктивного здоровья на 100 тыс. мужского населения наблюдается в Северо-Кавказском и Уральском федеральных округах, где они превосходят общероссийские в 3 раза. В Дальневосточном федеральном округе, напротив, частота мужского бесплодия в 3 раза ниже средних показателей РФ [6].
За последние годы отмечается увеличение количества пациентов, которые обращаются за лечением бесплодия в более старшем репродуктивном возрасте [7]. Принято считать, что одним из определяющих факторов, влияющих на результативность ВРТ, является возраст женщины, а мужчина способен, напротив, поддерживать репродуктивную функцию в течение длительного периода жизни. Однако стоит отметить, что с возрастом у мужчин отмечается снижение уровня половых гормонов и показателей сперматогенеза, повышается частота невынашиваний у партнерши, количество мутаций сперматозоидов de novo (растут на 4–5% ежегодно), чаще встречаются хромосомные анеуплоидии [8]. Интерпретация показателей спермограммы у мужчины при динамическом наблюдении также бывает неоднозначной; «вес» и вклад того или иного параметра в результативность лечения методом ВРТ остаются спорными. Danis R.B. et al. показали, что определение «фертильной» спермограммы сильно варьирует, и выделение наиболее значимого параметра с целью прогнозирования наступления беременности естественным путем и при помощи ВРТ остается неопределенным. В исследовании было также показано, что определение процентного соотношения морфологически здоровых форм сперматозоидов в эякуляте имеет низкую прогностическую ценность [9].
Для того чтобы по большому набору различных параметров реконструировать зависимость между определенными характеристиками эякулята для получения не только прогноза результативности лечения методом ВРТ, но и выделения наиболее значимых факторов, определяющих полученный прогноз, предложено большое количество математических моделей, в том числе с использованием искусственного интеллекта (ИИ) и машинного обучения (МО). МО позволяет задавать алгоритмы, которые принимают входные данные и используют статистический анализ для прогнозирования выходной информации по мере появления новых данных. Одно из перспективных направлений исследований в области МО и мужского фактора бесплодия заключается в применении ИИ для прогноза частоты бластуляции, качества эмбриона и результата лечения бесплодия методом ВРТ [10]. You J.B. et al. показали, что с практической точки зрения для повышения эффективности программ ВРТ оптимизация выбора сперматозоида при помощи МО представляется крайне актуальной задачей. Тем не менее, остается неоднозначным вопрос интерпретации наиболее важных показателей спермограммы с целью использования их значений для построения достоверных прогностический моделей с использованием МО [11].
Стоит отметить, что классические математические модели не могут автоматически выбирать оптимальные признаки, и исследователь должен самостоятельно выбирать наиболее значимые, с его точки зрения, характеристики для построения модели. Кроме этого, если связи нелинейны, такая модель может быть неспособна улавливать данную нелинейность. Учитывая наличие в спермограмме и категориальных, и количественных данных, доступных для анализа, вероятность нелинейности крайне высока. Таким образом, использование систем на основе МО позволяет обрабатывать сложные зависимости, устойчивые к шуму, с получением хороших показателей обобщения данных и выделения наиболее весомых характеристик [12]. Кроме этого, анализируемая информация может быть обработана при наличии несовершенств или неполных данных с получением сопоставимой предсказательной способности. Учитывая, что изучение влияния различных показателей спермограммы на прогноз лечения представляется крайне актуальным в отношении оптимизации подготовки мужчины к циклу ЭКО, цель данного исследования заключалась в определении «веса» и влияния каждого параметра, характеризующего качество эякулята, на частоту наступления беременности, а также вклада данных показателей в эмбриологический этап программы ВРТ при помощи линейной регрессии и МО.
Материалы и методы
В данное ретроспективное исследование была включена 1021 супружеская пара в возрасте от 21 до 40 лет, обратившаяся за лечением бесплодия методом ВРТ. От каждой пары было получено письменное добровольное информированное согласие на обработку персональных данных. Критериями включения в исследование явились бесплодие, обусловленное трубно-перитонеальным, мужским или сочетанным фактором, хронической ановуляцией или сниженным овариальным резервом, а также наличие нормального кариотипа супругов, овариальная стимуляция по протоколу с антагонистом гонадотропин-рилизинг-гормона (ГнРГ), стандартный протокол поддержки посттрансферного периода, получение собственных ооцитов в день трансвагинальной пункции (ТВП), перенос 1 эмбриона. Критериями исключения явились аномалии строения матки, аномалии кариотипа, использование донорских ооцитов или спермы.
Пациенткам, включенным в исследование, была проведена овариальная стимуляция по протоколу с антагонистом ГнРГ со 2-го или 3-го дня менструального цикла. По достижении диаметра фолликулов ≥17 мм пациенткам был назначен триггер финального созревания ооцитов – препарат хорионического гонадотропина (800 пациенток), или, в случае риска возникновения синдрома гиперстимуляции яичников, производилась замена триггера на агонист ГнРГ (138 пациенток), или был назначен двойной триггер финального созревания ооцитов (83 пациентки). Через 35–36 ч после введения триггера овуляции была проведена ТВП с последующим забором ооцитов и оценкой их качества. Оплодотворение полученных ооцитов было впоследствии выполнено методом экстракорпорального оплодотворения (ЭКО) (5,6% пациенток), интрацитоплазматической инъекции сперматозоида в ооцит (ИКСИ) (81,9%) и физиологической ИКСИ (ПИКСИ) (12,5%). Высокий процент оплодотворения методом ИКСИ связан со сниженными показателями спермограммы в день ТВП. Все этапы культивирования в ФГБУ НМИЦ АГП им. академика В.И. Кулакова проводили в мультигазовых инкубаторах СООК (Ирландия) в каплях по 25 мкл под маслом (Irvine Sc., USA) на базе отделения вспомогательных технологий в лечении бесплодия им. проф. Б.В. Леонова. На 5-е сутки после оплодотворения осуществлялся перенос эмбриона в полость матки с помощью мягкого катетера Wаllасe (Германия) или Сооk (Австралия). Оставшиеся эмбрионы, подходящие по качеству для дальнейшего применения в криопротоколе, криоконсервировали. Поддержка лютеиновой фазы и дальнейшее ведение посттрансферного периода осуществлялись по стандартной общепринятой методике. На 14-й день после переноса эмбрионов производилась оценка уровня бета-субъединицы хорионического гонадотропина человека (β-ΧГЧ). При положительном результате β-ΧГЧ через 21 день после переноса пациенткам выполнялось ультразвуковое исследование малого таза для диагностики клинической беременности. Дальнейшее ведение беременности осуществлялось индивидуально.
В исследовании было проанализировано количество бластоцист отличного, хорошего и среднего качества, количество эмбрионов, остановившихся в развитии, качество эмбриона согласно морфологическим критериям оценки по Gardner, частота наступления клинической беременности в зависимости от показателей спермограммы в день ТВП (концентрация сперматозоидов, процент прогрессивно-подвижных сперматозоидов, процент непрогрессивных сперматозоидов, неподвижных, процент морфологически здоровых сперматозоидов).
Статистическая обработка данных и алгоритм построения решающего дерева
Для статистического анализа полученных данных использовалась программа Microsoft Excel 15.0. с соответствующими лицензиями. Выборка была проверена на нормальность с помощью критерия Шапиро–Уилка. При интерпретации результатов статистического анализа уровень значимости p-value=0,05 был принят как критический. В исследовании был использован многофакторный анализ во всех моделях. При проведении регрессионного анализа были использованы зависимые переменные (переменные отклика, то есть характеристики, на которые влияют независимые переменные) и независимые переменные (указаны в таблицах, представленных в разделе «Результаты» как «признак»). Была выполнена проверка условий применимости линейного регрессионного анализа, проводилась проверка нормальности распределения остатков и равенство их дисперсий, были выбраны только некоррелированные признаки. Проверка некоррелирования была выполнена с помощью расчета корреляции Пирсона. Уравнение регрессии следующее: y=f (х, b)+ε, E(ε), где b – параметры модели, ε – случайная ошибка модели.
Учитывая, что в линейный регрессионный анализ в качестве зависимых переменных не могут быть включены частота клинической беременности и качество эмбриона, т.к. в линейной регрессии зависимой переменной может быть только количественный нормально распределенный признак, для анализа данных параметров была построена логистическая регрессия.
На следующем этапе работы совместно со специалистами по МО и ИИ для определения наиболее важных и «весомых» характеристик эякулята в отношении частоты клинической беременности и показателей эмбриологического этапа было проведено построение решающего дерева в виде древовидной модели для принятия решений с использованием скриптового языка программирования Python. Пути от корневого узла к конечным узлам, связанным меткой класса, создавали правило классификации. На каждой итерации для анализа наиболее перспективных особенностей, ведущих к максимально чистому подмножеству, была измерена чистота набора данных с использованием критерия Gini. Построенное дерево решений стремилось к разбиениям с минимальным индексом Gini, что обеспечивало наиболее чистые и однородные подмножества на каждом уровне дерева.
Результаты
На первом этапе были проанализированы клинико-лабораторные параметры включенных в исследование пациентов: 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, СПКЯ, кист яичников, резекции яичников в анамнезе, тубэктомии, продолжительность бесплодия, попытка ЭКО, фактор бесплодия (табл. 1, 2).
Далее была построена модель решающего дерева и логистической регрессии с оценкой p-value для анализа влияния каждого параметра спермограммы на частоту клинической беременности и эмбриологические параметры (табл. 3, 4).
Согласно построенным моделям, максимальный критерий Gini был получен для показателя «концентрация сперматозоидов в 1 мл, млн», а классический математический алгоритм показал статистическую значимость в отношении показателя «% неподвижных сперматозоидов».
Далее была построена аналогичная модель логистической регрессии и решающего дерева в отношении эмбриона отличного качества, полученного на 5-е сутки после оплодотворения, для переноса в полость матки (табл. 5, 6).
Модель логистической регрессии показала значимое влияние % неподвижных форм на отличное качество эмбриона. Однако стоит отметить, что модель, построенная на основе МО, опять показала важную роль показателя «концентрация сперматозоидов в 1 мл, млн».
На следующем этапе были построены и проанализированы модели влияния каждого показателя спермограммы на количество бластоцист отличного, среднего и хорошего качества с использованием линейной регрессии и дерева решений (табл. 7, 8).
Согласно построенным моделям регрессии было обнаружено, что из всех показателей спермограммы статистической значимостью в отношении получения эмбрионов хорошего и среднего качества обладает показатель «% прогрессивно подвижных форм» и «концентрация в 1 мл, млн». Результаты моделирования решающего дерева во всех случаях показали максимальный вес показателя «концентрация сперматозоидов в 1 мл, млн».
На заключительном этапе исследования был проанализирован вклад каждого параметра в частоту остановки эмбрионов в развитии при помощи линейной регрессии и алгоритма решающего дерева (табл. 9, 10).
В таблицах 11 и 12 представлена описательная статистика для независимых и зависимых переменных.
Таким образом, построенные модели с использованием линейной и логистической регрессии и МО показали различные результаты значимости каждого фактора в определении исходов эмбриологического этапа и частоты наступления беременности. Обращает на себя внимание, что дерево решений продемонстрировало высокую значимость показателя «концентрация сперматозоида в 1 мл, млн».
Обсуждение
Разработка и интеграция математических моделей и программных продуктов с использованием МО и ИИ является современным и перспективным трендом в системе здравоохранения [13]. Одной из областей, в которой использование МО представляет несомненный интерес как у ученых, так и у практических врачей, является ВРТ. Программные продукты на основе МО не только позволяют с высокой точностью прогнозировать эффективность программ ВРТ и своевременно ориентировать ожидания супружеской пары в отношении частоты наступления беременности, но и повышают результативность лечения, в том числе, за счет оптимизации протокола подготовки к ВРТ и более дифференцированной интерпретации результатов лечения.
Одна из важных проблем в современной репродуктивной медицине заключается в объективной интерпретации данных спермограммы и анализе корреляции каждого из параметров с частотой клинической беременности. Расшифровка спермограммы осуществляется согласно Шестому руководству ВОЗ по обработке и исследованию эякулята [14]. Одним из наиболее значимых изменений в обновленной версии является предложение отказаться от референсных интервалов, так как они не позволяют достоверно различать сохраненную репродуктивную функцию и бесплодие. Однако отмена референсных значений привела бы к отмене диагнозов «астенозооспермия», «тератозооспермия» и т.д.; поэтому эксперты ВОЗ предложили выполнить перерасчет 5-го процентиля на основе обновленных данных и результатов крупных исследований.
Согласно результатам исследования Cooper T.G. et al., было показано, что наиболее важные показатели для интерпретации качества эякулята следующие: объем эякулята, общее количество сперматозоидов, концентрация сперматозоидов, жизнеспособность, % прогрессивно подвижных форм, общий % подвижных форм, % морфологически здоровых форм [15]. Тем временем, Chua A.C. et al. показали, что максимальная частота оплодотворения ооцитов зависит от концентрации сперматозоидов и их подвижности. При этом в условиях сниженной концентрации, но нормальной подвижности отмечалось уменьшение частоты дробления эмбрионов и снижалась частота клинической беременности [16].
Стоит отметить, что данные результаты были получены при изучении только концентрации и подвижности сперматозоидов; другие показатели спермограммы не были включены в статистический анализ; тем не менее, данные в приведенном исследовании согласуются с результатами настоящей работы. Другие работы показали, что показатели спермограммы влияют не только на частоту фертилизации и качество эмбриона, но и обеспечивают имплантационный потенциал бластоцисты и ее дальнейшее развитие в эндометрии. Было показано, что начальные этапы оплодотворения в значительной степени зависят от концентрации сперматозоидов. Молекулярно-биологические работы показали, что дробление эмбриона человека на ранних стадиях контролируется материнской м-РНК до стадии 8 клеток, а отцовский геном начинает включаться с 8-клеточной стадии или стадии морулы [17]. Ряд экспериментальных работ показал, что большое количество сперматозоидов в эякуляте отражает их функциональную активность, необходимую для правильной активации эмбрионального генома и дальнейшего запуска всей эмбриональной программы после уничтожения материнских мРНК и активации зиготического генома, опосредованного отцовским геномом. Тем не менее большинство опубликованных клинических работ не указывает на определяющую роль концентрации сперматозоидов в отношении качества получаемого эмбриона и частоты клинической беременности [18–20]. Стоит отметить, что в данном исследовании на первоначальном этапе применение классических математических методов также не показало значимого вклада концентрации сперматозоидов в анализируемые эмбриологические и клинические исходы. Применение методов МО позволило более полно взглянуть на роль каждого фактора в определении прогноза, скорректировав недостатки работы линейной регрессии, не всегда улавливающей нелинейные зависимости. Применение МО для решения данной задачи позволило обрабатывать нелинейные отношения в данных и моделировать сложные взаимодействия между входными данными и целевыми переменными, а также извлечь наиболее информативные признаки из входных параметров. Еще одним преимуществом алгоритмов на основе МО является устойчивость к шуму и высокая способность к обобщению в условиях неполных данных, в отличие от линейной регрессии, которая может быть чувствительна к выбросам в данных [21]. Кроме этого, если два или более признаков сильно коррелируют и зависят между собой, это может привести к проблеме мультиколлинеарности, что делает оценку коэффициентов регрессии ненадежной, и полученные результаты могут не улавливать тренд, скрытый в большом объеме анализируемой информации [22].
Результаты данного исследования, полученные с использованием решающего дерева, показывают важную роль показателя «концентрация сперматозоидов в 1 мл, млн» в отношении всех анализируемых конечных параметров. В научной работе Peng T. et al. были получены похожие данные с использованием МО. Результаты показали, что у пациентов с низкой подвижностью и концентрацией сперматозоидов отмечались наиболее низкие показатели эффективности лечения бесплодия, по сравнению с другими параметрами спермограммы [23]. Данные результаты отражают не только высокую перспективность дальнейших исследований в данной области, но и необходимость оптимизации подготовки мужчин к программе ВРТ. Кроме этого, полученные данные демонстрируют необходимость в более дифференцированной интерпретации результатов проведенного лечения. Стоит отметить, что результаты данного исследования также подтверждают основополагающее значение селекции максимально качественного сперматозоида из бо'льшего количества гамет для оплодотворения полученных ооцитов в рамках проведения эмбриологического этапа программы ВРТ.
Заключение
Несмотря на значительные достижения в создании систем на основе линейной регрессии, их прогностическая точность, как правило, остается ограниченной. Использование линейной регрессии может быть оправдано при наличии линейности отношений между признаками и целевой переменной; тем не менее для решения более сложных задач со сложной архитектурой данных необходимо применение алгоритмов на основе МО. Интерпретация показателей спермограммы представляет собой сложную и актуальную задачу в контексте прогнозирования частоты наступления беременности у супружеских пар с мужским фактором бесплодия, оптимизации способа оплодотворения и индивидуализации протокола подготовки мужчины к программе ВРТ. Наиболее перспективным направлением для дальнейших исследований является изучение дополнительных молекулярно-биологических механизмов оплодотворения и дробления эмбрионов у пациентов с различными нарушениями сперматогенеза и выявление наиболее важных корригируемых маркеров мужского бесплодия, приводящих к отрицательному результату ВРТ, при помощи объединения различных математических моделей.
