| Popis: |
La evaluación y selección de embriones en los tratamientos de fecundación in vitro (FIV) se realiza manualmente de forma convencional, mediante observaciones puntuales bajo el microscopio durante el desarrollo embrionario. Dicho análisis altera las condiciones de cultivo, pudiendo afectar a las tasas de éxito del tratamiento de reproducción asistida. La introducción de la microscopía de lapso de tiempo o time-lapse, ha hecho posible un seguimiento continuo de los embriones in vitro. De esta forma, se obtiene rutinariamente gran cantidad de información en formato de imágenes grabadas. Hoy en día, el análisis de este material todavía se realiza manualmente y las imágenes se utilizan sobre todo cualitativamente. Otra fuente de información acerca de la viabilidad de los embriones in vitro es el medio de cultivo en el que se incuban durante su desarrollo. Numerosos estudios avalan la importancia de la interacción entre el embrión y el tracto reproductor femenino mediante ligandos y receptores durante la fase preimplantacional. Actualmente, el avance en las técnicas de análisis de proteómica permite conocer los valores de numerosos marcadores simultáneamente en el medio de cultivo embrionario. Nosotros hipotetizamos que se podría considerar el uso de herramientas y técnicas computacionales para aprovechar esta gran cantidad de datos y mejorar la evaluación de los embriones. Mediante el uso de la inteligencia artificial (IA), se podrían identificar particularidades conocidas y desconocidas que caractericen un embrión con alto potencial de implantación. Información adicional resultante de la incubación in vitro (tanto las imágenes time-lapse, como el perfil secretómico), podría medirse con esta tecnología, ya que es capaz de analizar cantidades masivas de datos. El objetivo general de esta tesis es definir nuevas metodologías no invasivas como herramienta de apoyo en los laboratorios de fecundación in vitro para seleccionar qué embrión transferir a la paciente, desarrollando y aplicando innovadoras tecnologías como la inteligencia artificial para automatizar y mejorar la evaluación in vitro. Para ello, se plantearon los siguientes objetivos específicos: a) describir parámetros del desarrollo embrionario y su relación con el potencial de implantación; b) identificar marcadores no invasivos del secretoma embrionario y su asociación con el éxito de un tratamiento de reproducción asistida; c) desarrollar modelos basados en inteligencia artificial para predecir resultados clínicos; y d) evaluar herramientas para la automatización de la selección embrionaria en los laboratorios de fecundación in vitro. La presente investigación de tesis doctoral se presenta como un compendio de tres publicaciones con datos relevantes para avanzar en la selección embrionaria con métodos no invasivos, señalando a la inteligencia artificial como herramienta de apoyo fundamental en los laboratorios de fecundación in vitro. Los siguientes artículos componen este compendio: I. Novel and conventional embryo parameters as input data for artificial neural networks: an artificial intelligence model applied for prediction of the implantation potential. Bori L, Paya E, Alegre L, Viloria TA, Remohi JA, Naranjo V, Meseguer M. Fertil Steril. 2020 Dec;114(6):1232-1241. doi: 10.1016/j.fertnstert.2020.08.023. Epub 2020 Sep 8. PMID: 32917380. 5-year impact factor: 8,109. El objetivo principal de este estudio fue predecir el potencial de implantación del embrión utilizando nuevos parámetros no invasivos observados con sistemas time-lapse. Para ello, propusimos algunos parámetros morfodinámicos del embrión, que no habían sido evaluados hasta el momento, y analizamos su asociación con la probabilidad de implantación. Finalmente, desarrollamos un modelo utilizando redes neuronales artificiales para predecir el éxito de la implantación. II. An artificial intelligence model based on the proteomic profile of euploid embryos and blastocyst morphology: a preliminary study. Bori L, Dominguez F, Fernandez EI, Del Gallego R, Alegre L, Hickman C, Quiñonero A, Nogueira MFG, Rocha JC, Meseguer M. Reprod Biomed Online. 2021 Feb;42(2):340-350. doi: 10.1016/j.rbmo.2020.09.031. Epub 2020 Oct 8. PMID: 33279421. 5-year impact factor: 4,603 El objetivo del presente estudio fue desarrollar un modelo de predicción de nacimientos vivos basado en la inteligencia artificial. Se utilizaron datos procedentes del análisis de imagen de blastocistos e información proteómica del medio de cultivo embrionario para predecir el potencial de un embrión euploide para dar lugar a un nacimiento vivo. III. The higher the score, the better the clinical outcome: retrospective evaluation of automatic embryo grading as a support tool for embryo selection in IVF laboratories. Bori L, Meseguer F, Valera MA, Galan A, Remohi J, Meseguer M. Hum Reprod. 2022 May 30;37(6):1148-1160. doi: 10.1093/humrep/deac066. PMID: 35435210. 5-year impact factor: 5,632 El objetivo principal de este estudio fue evaluar la utilidad de una puntuación embrionaria automática como herramienta de apoyo a la toma de decisiones en los laboratorios de FIV. En primer lugar, analizamos la asociación entre la puntuación del embrión y una serie de resultados clínicos, como la ploidía, el embarazo, la implantación y el nacimiento vivo. En segundo lugar, cuantificamos la contribución de la puntuación del embrión en los resultados de implantación y nacimiento vivo en diferentes escenarios en un contexto individualizado. Embryo evaluation and selection in in vitro fertilization (IVF) treatments is performed manually in a conventional way, through specific observations under the microscope during the embryo development in vitro. Such analysis alters the culture conditions and may affect the success rates of assisted reproduction treatment. The introduction of time-lapse microscopy has made it possible to continuously monitor embryos in vitro. In this way, a large amount of information is routinely obtained in the form of recorded images. Today, the analysis of this material is still performed manually, and the images are mostly used qualitatively. Another source of information about the viability of in vitro embryos is the culture medium in which they are incubated during their development. Numerous studies support the importance of the interaction between the embryo and the female reproductive tract by means of ligands and receptors during the preimplantation phase. Currently, advances in proteomic analysis techniques make it possible to know the values of numerous markers simultaneously in the embryo culture medium. We hypothesize that the use of computational tools and techniques could be considered to take advantage of this large amount of data and improve embryo evaluation. Using artificial intelligence (AI), known and unknown particularities that characterize an embryo with high implantation potential could be identified. Information resulting from in vitro incubation (both time-lapse images and secretomic profiling) could be measured with this technology, as it can analyze massive amounts of data. The general objective of this thesis is to define new non-invasive methodologies as a support tool in in vitro fertilization laboratories to select which embryo to transfer to the patient, developing and applying innovative technologies such as artificial intelligence to automate and improve in vitro evaluation. To this end, the following specific objectives were proposed: a) to describe parameters of embryo development and their relationship with implantation potential; b) to identify non-invasive markers of the embryonic secretome and their association with the success of assisted reproduction treatment; c) to develop models based on artificial intelligence to predict clinical outcomes; and d) to evaluate tools for the automation of embryo selection in in vitro fertilization laboratories. The present doctoral thesis is presented as a compendium of three publications with relevant data to advance embryo selection with non-invasive methods, highlighting artificial intelligence as a key support tool in in vitro fertilization laboratories. The following articles make up this compendium: I. Novel and conventional embryo parameters as input data for artificial neural networks: an artificial intelligence model applied for prediction of the implantation potential. Bori L, Paya E, Alegre L, Viloria TA, Remohi JA, Naranjo V, Meseguer M. Fertil Steril. 2020 Dec;114(6):1232-1241. doi: 10.1016/j.fertnstert.2020.08.023. Epub 2020 Sep 8. PMID: 32917380. 5-year impact factor: 8,109. The main aim of this study was to predict embryo implantation potential using new non-invasive parameters observed with time-lapse systems. For this purpose, we proposed new morphodynamic parameters of the embryo, which had not been evaluated so far, and analyzed their association with the probability of implantation. Finally, we developed a model using artificial neural networks to predict implantation success. II. An artificial intelligence model based on the proteomic profile of euploid embryos and blastocyst morphology: a preliminary study. Bori L, Dominguez F, Fernandez EI, Del Gallego R, Alegre L, Hickman C, Quiñonero A, Nogueira MFG, Rocha JC, Meseguer M. Reprod Biomed Online. 2021 Feb;42(2):340-350. doi: 10.1016/j.rbmo.2020.09.031. Epub 2020 Oct 8. PMID: 33279421. 5-year impact factor: 4,603 The aim of the present study was to develop an artificial intelligence-based live birth prediction model. Data from blastocyst image analysis and proteomic information from the embryo culture medium were used to predict the potential of a euploid embryo to lead to a live birth. III. The higher the score, the better the clinical outcome: retrospective evaluation of automatic embryo grading as a support tool for embryo selection in IVF laboratories. Bori L, Meseguer F, Valera MA, Galan A, Remohi J, Meseguer M. Hum Reprod. 2022 May 30;37(6):1148-1160. doi: 10.1093/humrep/deac066. PMID: 35435210. 5-year impact factor: 7,736 The main objective of this study was to evaluate the usefulness of an automated embryo score as a decision support tool in IVF laboratories. First, we analyzed the association between embryo scoring and several clinical outcomes, such as embryo ploidy, pregnancy, implantation, and live birth. Second, we quantified the contribution of embryo score on implantation and live birth outcomes in different scenarios in an individualized context. |
