مقدمه
لقاح آزمایشگاهی (In Vitro Fertilization; IVF) یکی از روش‌های اصلی درمان ناباروری است که طی دهه‌های اخیر پیشرفت‌های قابل‌توجهی داشته است. بااین‌حال، احتمال موفقیت این روش در افراد مختلف متفاوت است و تحت تأثیر مجموعه‌ای از عوامل فردی، بالینی و آزمایشگاهی قرار دارد. شناسایی این عوامل می‌تواند به متخصصان کمک کند تا احتمال تولد زنده را دقیق‌تر برآورد کنند و اطلاعات واقع‌بینانه‌تری در اختیار زوج‌های متقاضی درمان قرار دهند.
مطالعه مروری Shingshetty و همکاران که در سال ۲۰۲۴ در مجله Fertility and Sterility منتشر شد، به بررسی عوامل مؤثر بر پیش‌بینی موفقیت IVF و نقش آن‌ها در برآورد میزان تولد زنده پرداخت.
روش بررسی
در این مطالعه، پژوهش‌های منتشرشده از سال ۱۹۷۸ تا نوامبر ۲۰۲۳ بررسی شدند. در نهایت، ۴۳ مقاله مرتبط با توسعه مدل‌های پیش‌بینی موفقیت IVF وارد مرور شدند. این مدل‌ها از روش‌های آماری، از جمله رگرسیون لجستیک، و الگوریتم‌های یادگیری ماشین برای ارزیابی ارتباط میان ویژگی‌های بیماران، متغیرهای درمانی و پیامدهای IVF استفاده کرده بودند.
یافته‌های اصلی
بر اساس نتایج این مرور، ۱۱ عامل به‌طور مکرر در مدل‌های پیش‌بینی موفقیت IVF مورد استفاده قرار گرفته‌اند.
۱. سن زن
سن زن یکی از مهم‌ترین عوامل پیش‌بینی‌کننده موفقیت IVF است. افزایش سن، به‌ویژه پس از ۳۵ سالگی، معمولاً با کاهش ذخیره تخمدان و افت کمیت و کیفیت تخمک‌ها همراه است. این تغییرات می‌توانند بر لقاح، رشد جنین و احتمال تولد زنده تأثیر بگذارند.
۲. مدت ناباروری
مدت‌زمان ناباروری یکی دیگر از متغیرهای مهم در مدل‌های پیش‌بینی است. طولانی‌تر بودن سابقه ناباروری ممکن است با احتمال کمتر موفقیت درمان ارتباط داشته باشد؛ هرچند این رابطه به سن، علت ناباروری و سایر ویژگی‌های بالینی نیز وابسته است.
۳. شاخص توده بدنی (BMI)
وضعیت وزنی می‌تواند با عملکرد باروری و پیامدهای درمان ارتباط داشته باشد. در برخی مطالعات، شاخص توده بدنی در محدوده طبیعی با نتایج مطلوب‌تری همراه بوده است. بااین‌حال، BMI به‌تنهایی برای پیش‌بینی نتیجه IVF کافی نیست و باید در کنار سایر عوامل ارزیابی شود.
۴. ذخیره تخمدان
شمارش فولیکول‌های آنترال (AFC) و اندازه‌گیری هورمون ضد مولرین (AMH) از ابزارهای رایج ارزیابی ذخیره تخمدان هستند. این شاخص‌ها به پیش‌بینی پاسخ تخمدان به داروهای تحریک‌کننده کمک می‌کنند؛ اما توانایی آن‌ها برای پیش‌بینی مستقیم تولد زنده محدود است. بنابراین، نتایج این آزمایش‌ها باید در کنار سن زن و سایر اطلاعات بالینی تفسیر شوند.
۵. سابقه بارداری
سابقه بارداری می‌تواند در ارزیابی احتمال موفقیت درمان‌های بعدی مفید باشد. به‌ویژه، سابقه تولد زنده پس از IVF ممکن است با احتمال موفقیت بیشتر در چرخه‌های بعدی همراه باشد. بااین‌حال، سابقه بارداری به‌تنهایی تضمین‌کننده نتیجه مطلوب در درمان آینده نیست.
۶. علت ناباروری
علت زمینه‌ای ناباروری، از جمله اختلالات تخمک‌گذاری، مشکلات لوله‌های رحمی، اندومتریوز و عوامل مردانه، می‌تواند بر پیامدهای درمان اثر بگذارد. اهمیت هر یک از این عوامل به شرایط فردی بیمار و نوع درمان بستگی دارد.
۷. ویژگی‌های اسپرم
پارامترهایی مانند غلظت و تحرک اسپرم در ارزیابی باروری مردان و پیش‌بینی برخی پیامدهای درمان اهمیت دارند. بااین‌حال، میزان تأثیر هر پارامتر بر تولد زنده در مطالعات مختلف یکسان نبوده است و باید در چارچوب وضعیت کلی زوج بررسی شود.
۸. تعداد تخمک‌های به‌دست‌آمده
تعداد تخمک‌های بازیابی‌شده پس از تحریک تخمدان می‌تواند بر تعداد جنین‌های قابل‌استفاده و احتمال تجمعی تولد زنده تأثیر بگذارد. بااین‌حال، افزایش تعداد تخمک‌ها لزوماً به معنای افزایش متناسب موفقیت در هر چرخه نیست. همچنین، تحریک تخمدان باید با توجه به شرایط بیمار و خطر عوارض احتمالی انجام شود.
۹. کیفیت جنین
کیفیت مورفولوژیک جنین و مرحله رشد آن از عوامل مهم در انتخاب جنین برای انتقال هستند. ارزیابی این ویژگی‌ها می‌تواند به برآورد احتمال لانه‌گزینی و تولد زنده کمک کند؛ هرچند ظاهر مناسب جنین به‌تنهایی موفقیت بارداری را تضمین نمی‌کند.
۱۰. روز انتقال جنین
انتقال جنین ممکن است در مرحله تقسیم سلولی یا مرحله بلاستوسیست انجام شود. انتخاب زمان مناسب انتقال به شرایط بیمار، تعداد و کیفیت جنین‌ها و راهبرد درمانی مرکز ناباروری بستگی دارد. شواهد مرورشده، برتری قطعی یک مرحله انتقال را برای تمام بیماران تأیید نمی‌کنند.
۱۱. قومیت
برخی مطالعات، تفاوت‌هایی را در پیامدهای IVF میان گروه‌های قومی گزارش کرده‌اند. بااین‌حال، تفسیر این تفاوت‌ها باید با احتیاط انجام شود؛ زیرا عواملی مانند شرایط اجتماعی و اقتصادی، دسترسی به خدمات درمانی و ویژگی‌های بالینی نیز ممکن است در این اختلاف‌ها نقش داشته باشند.
نقش هوش مصنوعی در پیش‌بینی موفقیت IVF
مدل‌های پیش‌بینی مبتنی بر یادگیری ماشین می‌توانند چندین متغیر بالینی و آزمایشگاهی را به‌طور هم‌زمان تحلیل کنند و برآوردی فردمحور از احتمال موفقیت درمان ارائه دهند. این رویکردها ظرفیت شناسایی روابط پیچیده میان عوامل مختلف را دارند و می‌توانند در آینده به بهبود مشاوره پیش از درمان کمک کنند.
بااین‌حال، استفاده بالینی از این مدل‌ها مستلزم بررسی دقت، قابلیت تعمیم و اعتبارسنجی آن‌ها در جمعیت‌های مختلف است. همچنین، باید توجه داشت که توانایی یک مدل در پیش‌بینی نتیجه لزوماً به معنای اثبات رابطه علت و معلولی میان متغیرهای آن و موفقیت درمان نیست.
محدودیت‌های مطالعه
این مقاله مروری بر عوامل مورد استفاده در مدل‌های پیش‌بینی موفقیت IVF تمرکز داشت و هدف آن ارزیابی جامع عملکرد بالینی تمام مدل‌های موجود نبود. همچنین، تفاوت در نحوه اندازه‌گیری و گزارش متغیرها و استفاده از روش‌های آماری متفاوت، مقایسه مستقیم میزان اهمیت هر عامل را دشوار می‌کرد. ازاین‌رو، برای تعیین دقیق ارزش پیش‌بینی‌کننده هر متغیر و کاربرد گسترده مدل‌ها در بالین، به مطالعات بیشتر نیاز است.
نتیجه‌گیری
موفقیت لقاح آزمایشگاهی تحت تأثیر مجموعه‌ای از عوامل فردی، بالینی و آزمایشگاهی قرار دارد. سن زن یکی از مهم‌ترین پیش‌بینی‌کننده‌های نتیجه درمان است؛ بااین‌حال، هیچ عامل یا آزمایش منفردی نمی‌تواند موفقیت یا شکست IVF را به‌طور قطعی مشخص کند.
مدل‌های پیش‌بینی فردمحور، به‌ویژه با بهره‌گیری از روش‌های آماری پیشرفته و یادگیری ماشین، می‌توانند به ارائه مشاوره دقیق‌تر، مدیریت انتظارات زوج‌ها و تصمیم‌گیری آگاهانه‌تر درباره درمان کمک کنند. در نهایت، برآورد احتمال موفقیت باید بر اساس ارزیابی جامع شرایط هر زوج و با در نظر گرفتن محدودیت‌های مدل‌های پیش‌بینی انجام شود.
منبع اصلی: Shingshetty L, Cameron NJ, McLernon DJ, Bhattacharya S. Predictors of success after in vitro fertilization. Fertility and Sterility. 2024;121:742–751.
