通过机器学习为IVF/ICSI患者个性化第一剂FSH:多中心随机对照试验的非劣势性研究协议

科学领域:

• 生殖医学 生殖医学
• 医疗保健中的人工智能
• 临床试验设计 临床试验设计

背景情况:

• 在辅助生殖中,优化初始卵泡刺激激素 (FSH) 剂量对于成功的受控卵巢刺激 (COS) 至关重要.
• 目前的方案取得了良好的结果,但可以改进个性化FSH剂量,以最大限度地减少反应不良和卵巢过度刺激综合征 (OHSS) 的风险.
• 现有的FSH剂量模型主要在年轻的,正常排卵期的女性中进行测试.

研究的目的:

• 评估机器学习 (ML) 模型 (IDoser) 的临床性能,用于在COS中选择初始FSH剂量.
• 为了比较ML指导的FSH剂量与临床医生确定的标准实践的有效性和安全性.
• 评估ML指导剂量对卵细胞产量,周期取消,OHSS风险和怀孕率的影响.

主要方法:

• 一个随机的,受控的,多中心的,单盲临床试验,涉及236名第一周期试管婴儿/ICSI患者.
• 患者被随机分配1:1接受由IDoser ML模型或临床医生的判断决定的FSH剂量.
• 分层随机化基于预测的卵巢反应 (低,正常,高);主要结局是检索的第2阶段卵子细胞数量.

主要成果:

• 这项研究正在进行中,结果正在等待.
• 主要结果是检索的基因相II卵细胞数量,对ML手臂的非劣势假设.
• 二次结果包括周期取消率,OHSS发生率和临床怀孕/活产率.

结论:

• 这是第一个随机试验,评估了在COS中初始FSH剂量选择的全包ML模型.
• 未来对医疗保健中的ML模型的验证对于临床整合至关重要.
• 这些发现将为人工智能在个性化生育治疗方面的潜力提供信息.