Прогнозирование исходов программ экстракорпорального оплодотворения на основе нейронных сетей
Портнов И.Г., Лисовская Т.В., Резайкин А.В., Маясина Е.Н., Салимов Д.Ф., Иванов А.В., Гзгзян А.М., Левин В.А.
Актуальность. Цель проведения цикла лечения любым методом ВРТ – рождение здорового ребенка. В этой связи особое значение приобретают разработка и использование математических моделей на основе искусственных нейронных сетей в репродуктологии, позволяющие прогнозировать исходы программ.
Цель. Повышение эффективности программ экстракорпорального оплодотворения (ЭКО) путем использования данных прогноза на основе нейронных сетей.
Материалы и методы. Были объединены три связанные прогнозные математические модели,
описывающие основные этапы протокола ЭКО: проведение контролируемой стимуляции овуляции и пункции фолликулов, оплодотворение и культивирование эмбрионов, перенос эмбрионов в полость матки. Каждая из них реализована в виде искусственной нейронной сети заданной архитектуры и предварительно обученной на подготовленном наборе данных, куда вошли данные из 5200 протоколов ЭКО. Обучение нейронных сетей реализовано с помощью языка программирования Python и стандартных библиотек в виде программы для персонального компьютера.
Результаты. Анализ эффективности контролируемой стимуляции овуляции выявил статистически значимое увеличение количества циклов с получением от 6 до 19 ооцитов при использовании прогнозной модели (114/152 (75,0%) циклов по сравнению с группой сравнения (93/152 (61,19%) циклов, p=0,033). Анализ критериальной переменной второго этапа выявил различия между группами при сравнении количества циклов как 1-го ранга (получение 0 эмбрионов), так 2-го (от 1 до 2 эмбрионов хорошего качества) и 3-го ранга (получение от 3 и более эмбрионов хорошего качества). Различия между группами по количеству эмбрионов, пригодных для переноса в полость матки, были статистически значимы, p=0,032. При анализе критериальной переменной 3-го этапа было установлено наступление беременности в 70/152 (46,05%) по сравнению с группой сравнения – 53/ 152 (34,76%), р=0,047. В качестве примера использования разработанной математической модели на основе нейронных сетей приведен клинический случай лечения бесплодия с применением ВРТ, показавший достаточно высокую точность прогноза исходов каждого из этапов протокола ЭКО: 85,6; 82,9 и 71,2% соответственно.
Заключение. Выбор протокола каждого этапа программы ЭКО с учетом прогноза их исходов на основе использования искусственных нейронных сетей позволяет проводить коррекцию лечения в процессе проведения программы или своевременный отказ от ее дальнейшего выполнения.
Вклад авторов. Портнов И.Г., Резайкин А.В. – общая концепция; Лисовская Т.В., Резайкин А.В. – дизайн исследования; Иванов А.В., Маясина Е.Н., Гзгзян А.М. – сбор и обработка материала; Резайкин А.В. – создание модели на основе нейронных сетей; Салимов Д.Ф., Резайкин А.В. – статистическая обработка данных; Лисовская Т.В. – написание текста; Левин В.А. – редактирование.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов
Финансирование. При подготовке статьи не использовались финансовые средства сторонних организаций или бюджетные средства.
Одобрение этического комитета. Клинический протокол исследования одобрен локальным комитетом по этике
ООО «Клинический институт репродуктивной медицины» (протокол № 09 от 15.12.2024).
Генеративный искусственный интеллект. При подготовке и подаче рукописи ИИ не использовался.
Обмен исследовательскими данными. Данные, подтверждающие выводы этого исследования, доступны по запросу у автора, ответственного за переписку, после одобрения ведущим исследователем.
Для цитирования: Портнов И.Г., Лисовская Т.В., Резайкин А.В., Маясина Е.Н., Салимов Д.Ф.,
Иванов А.В., Гзгзян А.М., Левин В.А. Прогнозирование исходов программ
экстракорпорального оплодотворения на основе нейронных сетей.
Акушерство и гинекология. 2026; 7: 160-169
https://dx.doi.org/10.18565/aig.2026.198
Ключевые слова
искусственный интеллект в ЭКО
нейронные сети
эффективность программ ЭКО
прогноз исхода программ ЭКО
Список литературы
- Abdullah K.A.L., Atazhanova T., Chavez-Badiola A., Shivhare S.B. Automation in ART: paving the way for the future of infertility treatment. Reprod. Sci. 2023; 30(4): 1006-16. https://dx.doi.org/10.1007/s43032-022-00941-y
- Корсак В.С., Смирнова А.А., Шурыгина О.В. Регистр ВРТ Общероссийской общественной организации «Российская Aссоциация Репродукции Человека». Отчет за 2020 год. Проблемы репродукции. 2022; 28(6): 12-27. https://dx.doi.org/10.17116/repro20222806112
- ESHRE Special Interest Group of Embryology; Alpha Scientists in Reproductive Medicine. The Vienna consensus: Report of an expert meeting on the development of ART laboratory performance indicators. Reprod. BioMed. Online. 2017; 35(5): 494-510. https://dx.doi.org/10.1016/j.rbmo.2017.06.015
- ESHRE Clinic PI Working Group; Vlaisavljevic V., Apter S., Capalbo A., D'Angelo A., Gianaroli L., Griesinger G. et al. The Maribor consensus: report of an expert meeting on the development of performance indicators for clinical practice in ART. Hum. Reprod. Open. 2021; 2021(3): hoab022. https://dx.doi.org/10.1093/hropen/hoab022
- Yuan G., Lv B., Hao C. Application of artificial neural networks in reproductive medicine. Hum. Fertil. (Camb). 2023; 26(5): 1195-201. https://dx.doi.org/10.1080/14647273.2022.2156301
- Jiang V.S., Bormann C.L. Artificial intelligence in the in vitro fertilization laboratory: a review of advancements over the last decade. Fertil. Steril. 2023; 120(1): 17-23. https://dx.doi.org/10.1016/j.fertnstert.2023.05.149
- Salih M., Austin C., Warty R.R., Tiktin C., Rolnik D.L., Momeni M. et al. Embryo selection through artificial intelligence versus embryologists: a systematic review. Hum. Reprod. Open. 2023; 2023(3): hoad031. https://dx.doi.org/10.1093/hropen/hoad031
- Riegler M.A., Stensen M.H., Witczak O., Andersen J.M., Hicks S.A., Hammer H.L. et al. Artificial intelligence in the fertility clinic: status, pitfalls and possibilities. Hum. Reprod. 2021; 36(9): 2429-42. https://dx.doi.org/10.1093/humrep/deab168
- Curchoe C.L., Flores-Saiffe Farias A., Mendizabal-Ruiz G., Chavez-Badiola A. Evaluating predictive models in reproductive medicine. Fertil. Steril. 2020; 114(5): 921-6. https://dx.doi.org/10.1016/j.fertnstert.2020.09.159
- Патент на изобретение № 2809429 Российская Федерация, МПК A61B 8/00 (2006.01),G01N 33/68 (2006.01), G01N 33/48 (2006.01). Способ прогнозирования эффективности программ вспомогательных репродуктивных технологий на основе нейронных сетей/ Портнов И.Г., Лисовская Т.В., Резайкин А.В., Маясина Е.Н., Салимов Д.Ф., Коган И.Ю., Иванов А.В., Гзгзян А.М., Лисовский С.М., Аскеров Р.А., заявитель Общество с ограниченной ответственностью «ИЛАРМ-ЕК» (ООО «ИЛАРМ-ЕК») (RU).- № 2022129790; заявл. 17 ноября 2022 г.; опубл. 11 декабря 2023 г.
- Женское бесплодие. Клинические рекомендации. 2024. Акушерство и гинекология. 2025; 10(Приложение). https://dx.doi.org/10.18565/aig.2025.297
- Bourdon M., Garnier A., Maignien Ch., Marcellin L., Dulioust E., Sogni P. et al. Assisted reproductive technology outcomes in women with a chronic viral disease. AIDS. 2021; 35(7): 1073-81. https://dx.doi.org/10.1097/QAD.0000000000002859
- Zhang L., Zhang F., Ma Z., Jin J. Hepatitis B virus infection, infertility, and assisted reproduction. J. Zhejiang Univ. Sci. B. 2024; 25(8): 672-85. https://dx.doi.org/10.1631/jzus.B2300261
- Shaw-Jackson C., Capraro M., Ameye L., Vandromme J., Manigart Y., Rozenberg S. et al. In vitro fertilization for women infected by hepatitis C virus: a matched case-control study and a systematic literature review. J. Assist. Reprod. Genet. 2017; 34(5): 587-97. https://dx.doi.org/10.1007/s10815-017-0892-8
- Wei N., Wang K., Cheng F., Chang Z., Ren X., Liu Z. et al. Prevalence of human papillomavirus infection in the female partner of infertile couples undergoing IVF/ICSI-ET and subsequent reproductive outcomes. J. Clin. Med. 2022; 11(23): 7185. https://dx.doi.org/10.3390/jcm11237185
- George J.S., Srouji S.S., Little S.E., Ginsburg E.S., Lanes A. The impact of increasing body mass index on in vitro fertilization treatment, obstetrical, and neonatal outcomes. J. Obstet. Gynecol. 2024; 230(2): 239.e1-e14. https://dx.doi.org/10.1016/j.Azg.2023.10.018
- Qin X., Du J., He R., Li Y. , Zhu Q., Li Y. et al. Adverse effects of type 2 diabetes mellitus on ovarian reserve and pregnancy outcomes during the assisted reproductive technology process. Front. Endocrinol. (Lausanne). 2023: 14: 1274327. https://dx.doi.org/10.3389/fendo.2023.1274327
- Yuan R.Y., Li S., Feng X., Li X.L., Lin X., Gao F. et al. Comparison of embryo quality and pregnancy outcomes for patients with low ovarian reserve in natural cycles and mildly stimulated cycles: a cohort study. J. Obstet. Gynaecol. 2024; 44(1): 2303693. https://dx.doi.org/10.1080/01443615.2024.2303693
- Harvey A.J., Willson B.E., Surrey E.S., Gardner D.K. Ovarian stimulation protocols: impact on oocyte and endometrial quality and function. Fertil. Steril. 2025; 123(Suppl.1): 10-21. https://dx.doi.org/10.1016/j.fertnstert.2024.08.340
- Braam S.C., de Bruin J.P., Mol B.W.J., van Wely M. The perspective of women with an increased risk of OHSS regarding the safety and burden of IVF: a discrete choice experiment. Hum. Reprod. Open. 2020; 2020(2): hoz034. https://dx.doi.org/10.1093/hropen/hoz034
- Sun B., Ma Y., Li L., Hu L., Wang F., Zhang Y. et al. Factors associated with ovarian hyperstimulation syndrome (OHSS) severity in women with polycystic ovary syndrome undergoing IVF/ICSI. Front. Endocrinol. (Lausanne). 2021; 11: 615957. https://dx.doi.org/10.3389/fendo.2020.615957
- Tran D., Cooke S., Illingworth P.J., Gardner D.K. Deep learning as a predictive tool for fetal heart pregnancy following time-lapse incubation and blastocyst transfer. Hum. Reprod. 2019; 34(6): 1011-8. https://dx.doi.org/10.1093/humrep/dez064
- Mathew A., Amudha P., Sivakumari S. Deep learning techniques: an overview. In: Hassanien A., Bhatnagar R., Darwish A., eds. Advanced machine learning technologies and applications. AMLTA 2020. Singapore: Springer; 2020: 599-608. https://dx.doi.org/10.1007/978-981-15-3383-9_54
- Matt T. "Stochastic Gradient Descent". Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions. New York: McGraw-Hill; 2019: 303-7.
Поступила 23.06.2026
Принята в печать 10.07.2026
Об авторах / Для корреспонденции
Портнов Игорь Григорьевич, к.м.н., генеральный директор, Клинический институт репродуктивной медицины, Екатеринбург, Россия, info@Kirm.clinicЛисовская Татьяна Валентиновна, д.м.н., доцент, заместитель генерального директора по научной и организационно-методической работе, Клинический институт репродуктивной медицины, Екатеринбург, Россия, tv.lis@mail.ru, https://orcid.org/0000-0002-9747-9323
Резайкин Алексей Васильевич, к.м.н., доцент кафедры медицинской физики и цифровых технологий, Уральский государственный медицинский университет
Минздрава России, Екатеринбург, Россия, alexrez@yandex.ru, https://orcid.org/0000-0002-8665-5299
Иванов Андрей Валентинович, врач высшей категории, акушер-гинеколог, репродуктолог, заведующий отделением вспомогательных репродуктивных технологий, Городская Мариинская больница, Санкт-Петербург, Россия, dr.ivanovav@gmail.com
Маясина Елена Николаевна, к.м.н., заместитель генерального директора по лечебной работе, врач акушер-гинеколог, репродуктолог, Клинический институт репродуктивной медицины, Екатеринбург, Россия, elena.mayasina@gmail.com, https://orcid.org/0000-0002-3387-819X
Салимов Даниил Фратович, к.б.н., эмбриолог, заместитель генерального директора по лабораторной работе, Клинический институт репродуктивной медицины, Екатеринбург, Россия, dfsalimov@mail.ru, https://orcid.org/0009-0004-2972-494Х
Гзгзян Александр Мкртичевич, д.м.н, профессор, профессор кафедры акушерства, гинекологии и репродуктологии, СПбГУ, Санкт-Петербург, Россия; медицинский директор, ООО «СКАЙФЕРТ», Санкт-Петербург, Россия, agzgzyan@mail.ru, https://orcid.org/0000-0003-3917-9493
Левин Виталий Александрович, врач-эндокринолог, специалист в области организации здравоохранения и общественного здоровья, Ornament Health AG, Люцерн, Швейцария, vitalylevin0205@gmail.com, https://orcid.org/0009-0000-8758-0842
Также по теме
