Найти в Дзене
Ирина Пшениснова

Факторы риска повторных неудач имплантации

Ученые из Китая провели когортное исследование циклов ЭКО, чтобы установить скрытые факторы риска повторных неудач имплантации (ПНИ), согласно рекомендациям ESHRE. Исследование опубликовано в журнале Human reproduction в марте 2025 года. Can Wang, et al. Risk factors for recurrent implantation failure as defined by the European Society for Human Reproduction and Embryology, Human Reproduction, Volume 40, Issue 6, June 2025, Pages 1138–1147, https://doi.org/10.1093/humrep/deaf042 Старший репродуктивный возраст является хорошо известным фактором риска неэффективности имплантации, и определение ПНИ было стратифицировано по возрасту в рекомендациях ESHRE 2023 года.  Однако в литературе указаны другие факторы риска, включая хронический эндометрит, эндометриоз, ожирение, эндометриальные полипы, внутриматочные спайки, гидросальпинкс, пороки развития матки, подслизистую миому, синдром поликистозных яичников, дисфункцию щитовидной железы, ревматические заболевания и гиперпролактинемию, кот

Ученые из Китая провели когортное исследование циклов ЭКО, чтобы установить скрытые факторы риска повторных неудач имплантации (ПНИ), согласно рекомендациям ESHRE.

-2

Исследование опубликовано в журнале Human reproduction в марте 2025 года. Can Wang, et al. Risk factors for recurrent implantation failure as defined by the European Society for Human Reproduction and Embryology, Human Reproduction, Volume 40, Issue 6, June 2025, Pages 1138–1147, https://doi.org/10.1093/humrep/deaf042

Старший репродуктивный возраст является хорошо известным фактором риска неэффективности имплантации, и определение ПНИ было стратифицировано по возрасту в рекомендациях ESHRE 2023 года. 

Однако в литературе указаны другие факторы риска, включая хронический эндометрит, эндометриоз, ожирение, эндометриальные полипы, внутриматочные спайки, гидросальпинкс, пороки развития матки, подслизистую миому, синдром поликистозных яичников, дисфункцию щитовидной железы, ревматические заболевания и гиперпролактинемию, которые связаны с неэффективностью имплантации. 

Кроме того, клинический опыт ученых из Китая свидетельствует о том, что АМГ и наличие родов в анамнезе влияют на ПНИ. Пока неясно, какие из этих факторов являются наиболее точными предикторами ПНИ.

298 пациентов с повторными неудачами имплантации и 2056 контрольных женщин (женщины, достигшие успешной имплантации эмбриона в течение 1-2 циклов переноса) были идентифицированы из 15 329 циклов ВРТ в Центре репродуктивной медицины в Первой аффилированной больнице Университета Сунь Ятсена (Гуанчжоу, Китай). ПНИ был определен в соответствии с рекомендацией ESHRE 2023.

Авторы применили метод случайного леса для построения модели машинного обучения для прогнозирования ПНИ. Данные были случайным образом разделены на 70% обучающего и 30% тестового набора. Алгоритм случайного леса оценивает вклад каждой переменной в результат с помощью метрик важности признаков, поскольку он не опирается на явные математические уравнения.

🔴 Результаты

Из 32 переменных повышенный уровень АМГ и большее количество родов живым плодом были связаны с более низким риском ПНИ, в то время как хронический эндометрит, внутриматочные спайки, высокий уровень ФСГ, высокий уровень тестостерона, старший репродуктивный возраст женщины, полипы, привычное невынашивание беременности в анамнезе, кесарево сечение в анамнезе, синдром поликистозных яичников и ревматические заболевания были связаны с более высоким риском ПНИ в соответствии с установленной моделью. Исследование показало, что АМГ оказывал наибольшее влияние на риски ПНИ, тогда как хронический эндометрит, внутриматочные синехии и индекс массы тела (ИМТ) были вторым, третьим и четвертым по значимости факторами риска для прогнозирования ПНИ соответственно.

Структура SHAP в модели случайного леса. Сводная диаграмма SHAP для RIF (A): каждая точка представляет собой отдельное значение SHAP определенного признака из набора данных и определяет влияние на результаты модели. Высокое значение признака переменной обозначено желтым цветом; низкое значение признака обозначено фиолетовым цветом. Абсолютные средние значения SHAP (B) иллюстрируют ранжирование важности выбранных переменных для RIF. SHAP — аддитивное объяснение по Шепли; RIF — рецидивирующая неудача имплантации; AMГ — антимюллеров гормон; T — тестостерон; RPL — привычное невынашивание беременности; PCOS — синдром поликистозных яичников.
Структура SHAP в модели случайного леса. Сводная диаграмма SHAP для RIF (A): каждая точка представляет собой отдельное значение SHAP определенного признака из набора данных и определяет влияние на результаты модели. Высокое значение признака переменной обозначено желтым цветом; низкое значение признака обозначено фиолетовым цветом. Абсолютные средние значения SHAP (B) иллюстрируют ранжирование важности выбранных переменных для RIF. SHAP — аддитивное объяснение по Шепли; RIF — рецидивирующая неудача имплантации; AMГ — антимюллеров гормон; T — тестостерон; RPL — привычное невынашивание беременности; PCOS — синдром поликистозных яичников.

Данное исследование было ограничено ретроспективным дизайном, проведенным в одном центре репродуктивной медицины. Более того, некоторые заболевания, такие как полипы, подслизистые миомы и ревматические заболевания, были вылечены до начала ВРТ, что указывает на то, что эти факторы влияют на ПНИ даже после лечения.

Это первое исследование, показывающее, что АМГ является сильным предиктором ПНИ, согласно определению ESHRE в 2023 году. Возраст пациентки, АМГ и ФСГ являются критическими параметрами для функции яичников. В этом исследовании АМГ и ФСГ были первым и пятым по значимости предикторами ПНИ соответственно. Возраст пациентки занял лишь шестое место по значимости, вероятно, потому, что возраст пациентки уже учитывается при диагностике ПНИ.

🔴 Вывод

Антимюллеровый гормон (АМГ) является наиболее сильным предиктором ПНИ, за ним следуют хронический эндометрит (ХЭ), внутриматочные синехии и ожирение.