Palabras clave
calidad ovocitaria
blastocistos
inteligencia artificial
Cómo citar
Resumen
Pregunta de estudio: Existe correlación entre la calidad ovocitaria analizada por MAGENTA™ y la tasa de blastulación? Respuesta resumida: Sí, a mejor calidad ovocitaria evaluada mediante MAGENTA ™ mayor tasa de blastulación. Lo que ya se sabe: Existen diferentes sistemas de clasificación embrionaria basados principalmente en morfología. Pero no ocurre lo mismo para ovocitos. MAGENTA ™ es un sistema que permite evaluar cada ovocito con una puntuación para inferir la probabilidad de llegada a blastocisto. Diseño del estudio: Estudio retrospectivo,comparativo, observacional y transversal. Se analizaron 1115 ovocitos metafase II (MII) (2022 - 2024). Materiales y Métodos: Se tomaron imágenes de cada ovocito MII (previo al ICSI) y por MAGENTA™ se los clasificó en tiempo real con una puntuación del 1 a 10. Se analizó la tasa de llegada a blastocisto (calidad ≤ 3BB). Los grupos establecidos fueron: grupo 1 (0 - 2,5); grupo 2 (2,6 - 5,5), grupo 3 (5,6 - 7,5) y el grupo 4 (7,5 - 10). Estadística: ANOVA (t de Welch). Resultados: existe una diferencia significativa entre la tasa de blastulación del grupo 1 (32%) con respecto al grupo 2 (53%) (p <0,0001). También hay diferencia entre el grupo 2 (53 %) y el grupo 3 (60%) (p <0,05). En cambio no hay diferencias al comparar el grupo 3 (60%) con el grupo 4 (67%) (p <0,09). Implicancias de los hallazgos: Permite tener una clasificación objetiva de la calidad ovocitaria mediante una puntuación. Esto implica tener información adicional para dar respuesta a los tratamientos. Limitaciones del estudio: No se considera factor masculino.
Citas
Gardner, D.K., Balaban, B., 2016. Assessment of human embryo development using morphological criteria in an era of timelapse, algorithms and “OMICS”: is looking good still important? Mol Hum Reprod 22, 704–718. https://doi.org/10.1093/molehr/gaw057
Bormann, C.L., Thirumalaraju, P., Kanakasabapathy, M.K., Kandula, H., Souter, I., Dimitriadis, I., Gupta, R., Pooniwala, R., Shafiee, H., 2020. Consistency and objectivity of automated embryo assessments using deep neural networks. Fertil Steril 113, 781–787 https://doi.org/10.1016/j.fertnstert.2019.12.004
Fernandez, E.I., Ferreira, A.S., Cecílio, M.H.M., Cheles, D.S., de Souza, R.C.M., Nogueira, M.F.G., Rocha, J.C., 2020. Artificial intelligence in the IVF laboratory: overview through the application of different types of algorithms for the classification of reproductive data. J Assist Reprod Genet 37, 2359–2376. https://doi.org/10.1007/s10815-020-01881-9
Xi, Q., Yang, Q., Wang, M., Huang, B., Zhang, B., Li, Z., Liu, S., Yang, L., Zhu, L., Jin, L., 2021. Individualized embryo selection strategy developed by stacking machine learning model for better in vitro fertilization outcomes: an application study. Reprod Biol Endocrinol 19, 53. https://doi.org/10.1186/s12958-021-00734-z
Coticchio, G., Behr, B., Campbell, A., Meseguer, M., Morbeck, D.E., Pisaturo, V., Plancha, C.E., Sakkas, D., Xu, Y., D’Hooghe, T., Cottell, E., Lundin, K., 2021. Fertility technologies and how to optimize laboratory performance to support the shortening of time to birth of a healthy singleton: a Delphi consensus. J Assist Reprod Genet 38, 1021–1043. https://doi.org/10.1007/s10815-021-02077-5
Letterie, G., MacDonald, A., 2020. Artificial intelligence in in vitro fertilization: a computer decision support system for day-to-day management of ovarian stimulation during in vitro fertilization. Fertil Steril 114, 1026–1031. https://doi.org/10.1016/j.fertnstert.2020.06.006
Siristatidis, C., Vogiatzi, P., Pouliakis, A., Trivella, M., Papantoniou, N., Bettocchi, S., 2016. Predicting IVF Outcome: A Proposed Web-based System Using Artificial Intelligence. In Vivo 30, 507–512.
Rienzi, L., Vajta, G., Ubaldi, F., 2011. Predictive value of oocyte morphology in human IVF: a systematic review of the literature. Hum Reprod Update 17, 34–45. https://doi.org/10.1093/humupd/dmq029
Mercuri, N., Fjeldstad, J., Krivoi, A., Meriano, J., Nayot, D. A Non-Invasive, 2-Dimensional (2D) Image Analysis Artificial Intelligence (AI) Tool Scores Mature Oocytes And Correlates With The Quality Of Subsequent Blastocyst Development. ASRM Scientific Congress & Expo 2022. O-191, 11:45 AM Wednesday, October 26, 2022. Fertility & Sterility, Vol. 118, No. 4, Supplement, E78–79, October 2022.
Nayot D, Meriano J, Casper R, Krivoi A., 2020. An oocyte assessment tool using machine learning; Predicting blastocyst development based on a single image of an oocyte. 36th Annual Meeting of ESHRE – Copenhagen. https://futurefertility.com/wp-content/uploads/2022/11/ESHRE-2020-FF-Oocyte-assessment-tool-using-machine-learning-Predicting-blastocyst-development-based-on-oocyte-image.pdf
Fjeldstad, J., Qi, W., Mercuri, N., Siddique, N., Meriano, J., Krivoi, A., Nayot, D. An artificial intelligence tool predicts blastocyst development from static images of fresh mature oocytes. Reproductive BioMedicine Online. 17 de enero de 2024.
Weghofer, A., Munne, S., Chen, S., Barad, D., Gleicher, N., 2007. Lack of association between polycystic ovary syndrome and embryonic aneuploidy. Fertility and Sterility 88, 900–905. https://doi.org/10.1016/j.fertnstert.2006.12.018
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Derechos de autor 2025 AJ Aon, V Julianelli, J Fjeldstad, N Mercuri; M Geller; M Lavolpe