دهه‌هاست که روش لقاح آزمایشگاهی (IVF) به افرادی که قادر به بارداری طبیعی نیستند، فرصت داشتن فرزندان بیولوژیک را می‌دهد؛ با این حال، نرخ موفقیت جهانی این روش به‌طور قابل‌توجهی پایین است. امروزه از هوش مصنوعی (AI) برای بهبود نرخ موفقیت IVF استفاده می‌شود، اما این مسیر با چالش‌هایی نیز همراه است. آیا هوش مصنوعی پتانسیل آن را دارد که به ابزاری کارآمد در بالین برای افزایش موفقیت IVF تبدیل شود؟
هوش مصنوعی؛ ابزاری کمکی برای انتخاب جنین سالم
نیاز شدیدی به ابزارهای تکمیلی برای فناوری‌های غربالگری جنین، مانند آزمایش ژنتیک پیش از لانه‌گزینی برای بررسی وضعیت آنیوپلوئیدی (PGT-A)—احساس می‌شود؛ چرا که روش‌های فعلی می‌توانند پرهزینه و تهاجمی باشند و ارزیابی دستیِ مورفولوژی (شکل ظاهری) جنین نیز ممکن است تحت تأثیر خطای انسانی (سوگیری اپراتور) قرار گیرد. در نشریه The Lancet Digital Health، «جوسو بارنز» و همکارانش توضیح می‌دهند که چگونه روش غیرتهاجمی آنها مبتنی بر هوش مصنوعی، با نام STORK-A، می‌تواند برای پیش‌بینی وضعیت پلوئیدی (تعداد کروموزوم‌های) جنین و با هدف انتخاب بلاستوسیست‌های سالم جهت لانه‌گزینی مورد استفاده قرار گیرد. نویسندگان تأکید می‌کنند که رویکرد آنها برای جایگزینی روش‌های سنتی‌تر مانند PGT-A طراحی نشده، بلکه آن را به عنوان ابزاری کمکی برای یاری رساندن به متخصصان بالینی پیشنهاد می‌کنند. بدین ترتیب، این رویکرد که در قالب یکی از بزرگ‌ترین مطالعات در نوع خود ارائه شده و مورد اعتبارسنجی خارجی نیز قرار گرفته است، نقش بالقوه و تلفیقی هوش مصنوعی را در تصمیم‌گیری‌های بالینی برای انتخاب جنین پیش از لانه‌گزینی به نمایش می‌گذارد.
شواهد اولیه از عملکرد هوش مصنوعی در انتخاب جنین
این مطالعه یکی از چندین پژوهشی است که از سال ۲۰۲۰ تاکنون منتشر شده و پتانسیل ابزارهای هوش مصنوعی را برای انتخاب جنین نشان می‌دهد؛ برای مثال، «سونیا دیاکیو» و همکارانش نشان دادند که ابزار شبکه عصبی کانولوشنی (CNN) آنها منجر به کاهش ۱۲ درصدی در مدت‌زمان رسیدن به بارداری شده است، و مدل CNN «چارلز بورمن» و همکارانش در پیش‌بینی جنین‌هایی با بیشترین پتانسیل لانه‌گزینی، عملکردی بهتر از ۱۵ جنین‌شناس (امبریولوژیست) داشته است. با این حال، موانع متعددی در حال حاضر مانع از کاربرد بالینی ابزارهای نوین هوش مصنوعی در این حوزه می‌شوند.
چالش شفافیت و مسئله «جعبه سیاه»
رویکردهای مبتنی بر هوش مصنوعی که در برخی مطالعات به کار رفته‌اند، به دلیل پیچیدگی و در مواردی استفاده از الگوریتم‌های اختصاصی (انحصاری)، با معضل «جعبه سیاه» (عدم شفافیت در نحوه عملکرد و استدلال سیستم) مواجه هستند. این یک مشکل رایج برای ابزارهای هوش مصنوعی مورد استفاده در پزشکی است، اما می‌توان با انتخاب مدل‌های قابل تفسیر و شفاف که می‌توانند به کاهش سوگیری‌های پنهان کمک کنند، آن را کاهش داد.
کمبود شواهد بالینی و ضرورت کارآزمایی‌های تصادفی کنترل‌شده
یکی دیگر از انتقادات وارده به استفاده از ابزارهای دیجیتال در IVF، کمبود شواهد پزشکی مشخص برای اثربخشی آنهاست، به این معنی که فناوری‌های تأیید شده توسط نهادهای نظارتی (مانند سازمان لقاح انسانی و جنین‌شناسی در بریتانیا) کمیاب هستند. بنابراین، ضروری است که ابزارهای هوش مصنوعی برای انتخاب جنین به طور دقیق در کارآزمایی‌های تصادفی کنترل‌شده با کیفیت بالا آزمایش شوند تا اثربخشی آنها قبل از تأیید نظارتی و اجرای بالینی ارزیابی شود. در حال حاضر هیچ کارآزمایی تصادفی کنترل‌شده تصادفی منتشر شده‌ای وجود ندارد که ابزارهای مبتنی بر هوش مصنوعی را برای استفاده در IVF ارزیابی کند، احتمالاً به دلیل کمبود رویکردهای معتبر خارجی قوی. به همین دلیل، این اعتبارسنجی خارجی باید قبل از انجام کارآزمایی‌های تصادفی کنترل‌شده تصادفی در اولویت باشد.
ایمنی بلندمدت و ضرورت پیگیری سلامت کودکان
علاوه بر این، مطالعات پیگیری که سلامت کودکان متولد شده با IVF با کمک هوش مصنوعی را ارزیابی می‌کنند، در درک پیامدهای بلندمدت سلامت که ممکن است با استفاده از این روش‌ها مرتبط باشد، بسیار مهم هستند، زیرا فناوری کمک باروری ممکن است با پیامدهای نامطلوب دوران کودکی و نوجوانی مانند اختلال عملکرد قلبی عروقی مرتبط باشد.
با توجه به اینکه فناوری کمک باروری ممکن است با پیامدهای نامطلوب دوران کودکی و نوجوانی مانند اختلال عملکرد قلبی عروقی مرتبط باشد، انجام این مطالعات بسیار مهم است. همانند تمام تحقیقات علمی در مورد استفاده از رویکردهای جدید، ثبت نام شرکت‌کنندگان با پیشینه‌های متنوع در هر کارآزمایی بالقوه برای انتخاب جنین با کمک هوش مصنوعی نیز مهم است.
تنوع جمعیت‌های مورد مطالعه و عدالت در بهره‌مندی از فناوری
یک بررسی سیستماتیک و متاآنالیز در سال 2022 نشان داد که پس از IVF، زنان سیاه‌پوست سقط جنین خودبه‌خودی بیشتر و تولد زنده کمتری نسبت به زنان سفیدپوست داشتند. ابزار حاجی رسولی‌ها و همکارانش به طور مستقل در دو جمعیت (یکی در ایالات متحده و دیگری در اسپانیا) اعتبارسنجی شده است، که نشانه‌ای از تعمیم‌پذیری در این گروه‌ها است. با این حال، داده‌های نژاد یا قومیت برای شرکت‌کنندگان در مطالعه آنها در دسترس نبود.
جمع‌بندی؛ از نتایج امیدوارکننده تا کاربرد بالینی معتبر
امیدوارکننده است که شاهد تعداد فزاینده‌ای از روش‌های هوش مصنوعی در حال توسعه برای انتخاب جنین‌های زنده باشیم، اما این حوزه قبل از اینکه بتوان از چنین ابزارهایی به طور معمول در تصمیم‌گیری بالینی استفاده کرد، با چالش‌های مداومی روبرو است. برای پر کردن این شکاف، باید RCT های بزرگ و جامعی انجام شود تا ارزش بالینی رویکردهای هوش مصنوعی با اعتبارسنجی خارجی قبل از تأیید نظارتی برای استفاده، تأیید شود. از همه مهم‌تر، گروه‌های متنوعی باید برای مطالعات آینده استخدام شوند تا تعمیم‌پذیری مدل‌ها ارزیابی شود و از مزایای عادلانه اطمینان حاصل شود. این امر گامی اساسی به سوی به‌کارگیری بالینی این ابزارها محسوب می‌شود و شانس بارداری را برای والدینی که در آرزوی فرزند هستند، فارغ از نژاد و قومیت افزایش می‌دهد.
