دوره 9، شماره 4 - ( 1403 )
دوره 9 شماره 4 صفحات 237-231 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Shafti V, Azarboo A. Personalized Medicine and Artificial Intelligence in Ovarian Stimulation Protocols for Female Infertility: A Review Article. SJMR 2025; 9 (4) : 7
URL: http://saremjrm.com/article-1-352-fa.html
URL: http://saremjrm.com/article-1-352-fa.html
شفتی ویدا، آذربو علیرضا. پزشکی شخصی‌سازی شده و هوش مصنوعی در پروتوکل های تحریک تخمدان در ناباروری زنان: مقاله مروری. مجله تحقيقات پزشكي صارم. 1403; 9 (4) :231-237
ویدا شفتی*1 
، علیرضا آذربو2
، علیرضا آذربو2
1- دانشکده پزشکی، واحد تنکابن، دانشگاه آزاد اسلامی، تنکابن، ایران
2- دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران.
2- دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران.
چکیده: (1120 مشاهده)
مقدمه: لقاح آزمایشگاهی با کمک هوش مصنوعی یک حوزه تحقیقاتی به سرعت در حال رشد است. با استفاده از این روش می‌توان نتایج و کارایی تحریک تخمدان را ارتقاء داد، دوز و زمان‌بندی داروها را شخصی‌سازی نمود و با ساده سازی فرآیند IVF در نهایت منجر به بهبود نتایج بالینی شد.
روش‌ها: این مطالعه به صورت یک مرور نظام‌مند انجام شده است. برای جمع‌آوری اطلاعات، پایگاه‌های علمی معتبر مانند PubMed، Scopus، Web of Science و Google Scholar مورد جستجو قرار گرفتند. مقالات منتشر شده در زمینه پزشکی شخصی‌سازی شده، هوش مصنوعی و پروتکل‌های تحریک تخمدان در درمان ناباروری زنان از سال ۲۰۱۰ تا ۲۰۲۴ بررسی شدند. کلیدواژه‌های مورد استفاده شامل "هوش مصنوعی"، "پزشکی شخصی‌سازی شده"، "تحریک تخمدان"، "ناباروری زنان"، "درمان IVF"، "تصمیم‌گیری بالینی" و "سیستم‌های پشتیبانی تصمیم" بودند. مقالات انتخاب شده بر اساس معیارهای ورود و خروج مشخص شامل مطالعات اصیل، کارآزمایی‌های بالینی، مطالعات مرور سیستماتیک و متاآنالیزها ارزیابی شدند. داده‌ها از مقالات منتخب استخراج و تجزیه‌وتحلیل شدند تا روندهای فعلی، کاربردهای بالقوه، مزایا، چالش‌ها و مسیرهای آینده ادغام هوش مصنوعی در پروتکل‌های تحریک تخمدان مشخص شوند. همچنین، نقش فناوری‌های نوین مانند یادگیری ماشین (ML)، شبکه‌های عصبی مصنوعی (ANN) و سیستم‌های پشتیبانی تصمیم بالینی (CDSS) در بهینه‌سازی فرآیند IVF بررسی شد.
نتیجه گیری: هدف از این مقاله مروری بررسی یک نمای کلی از پزشکی شخصی‌سازی شده و هوش مصنوعی در پروتکل‌های تحریک تخمدان در ناباروری بود. این روش درمانی، علاوه بر نقش کلیدی در کلینیک‌های IVF، نتایج را بهبود بخشیده و همچنین عوارض بارداری را کاهش خواهد داد.
روش‌ها: این مطالعه به صورت یک مرور نظام‌مند انجام شده است. برای جمع‌آوری اطلاعات، پایگاه‌های علمی معتبر مانند PubMed، Scopus، Web of Science و Google Scholar مورد جستجو قرار گرفتند. مقالات منتشر شده در زمینه پزشکی شخصی‌سازی شده، هوش مصنوعی و پروتکل‌های تحریک تخمدان در درمان ناباروری زنان از سال ۲۰۱۰ تا ۲۰۲۴ بررسی شدند. کلیدواژه‌های مورد استفاده شامل "هوش مصنوعی"، "پزشکی شخصی‌سازی شده"، "تحریک تخمدان"، "ناباروری زنان"، "درمان IVF"، "تصمیم‌گیری بالینی" و "سیستم‌های پشتیبانی تصمیم" بودند. مقالات انتخاب شده بر اساس معیارهای ورود و خروج مشخص شامل مطالعات اصیل، کارآزمایی‌های بالینی، مطالعات مرور سیستماتیک و متاآنالیزها ارزیابی شدند. داده‌ها از مقالات منتخب استخراج و تجزیه‌وتحلیل شدند تا روندهای فعلی، کاربردهای بالقوه، مزایا، چالش‌ها و مسیرهای آینده ادغام هوش مصنوعی در پروتکل‌های تحریک تخمدان مشخص شوند. همچنین، نقش فناوری‌های نوین مانند یادگیری ماشین (ML)، شبکه‌های عصبی مصنوعی (ANN) و سیستم‌های پشتیبانی تصمیم بالینی (CDSS) در بهینه‌سازی فرآیند IVF بررسی شد.
نتیجه گیری: هدف از این مقاله مروری بررسی یک نمای کلی از پزشکی شخصی‌سازی شده و هوش مصنوعی در پروتکل‌های تحریک تخمدان در ناباروری بود. این روش درمانی، علاوه بر نقش کلیدی در کلینیک‌های IVF، نتایج را بهبود بخشیده و همچنین عوارض بارداری را کاهش خواهد داد.
شماره‌ی مقاله: 7
واژه‌های کلیدی: مصنوعی، پزشکی شخصی‌سازی شده، سیستم‌های پشتیبانی تصمیم، فناوری‌های کمک باروری، ناباروری
نوع مقاله: مروری سیستماتيک |
موضوع مقاله:
ناباروری
دریافت: 1403/10/25 | پذیرش: 1403/11/20 | انتشار: 1403/12/26
دریافت: 1403/10/25 | پذیرش: 1403/11/20 | انتشار: 1403/12/26
فهرست منابع
1. Rezaeiye, R.D., et al., Impact of various parameters as predictors of the success rate of in vitro fertilization. International Journal of Fertility & Sterility, 2022. 16(2): p. 76.
2. Smeenk, J., et al., ART in Europe, 2019: results generated from European registries by ESHRE. Human Reproduction, 2023. 38(12): p. 2321-2338. [DOI:10.1093/humrep/dead197] [PMID] []
3. Datta, A.K., et al., Mild versus conventional ovarian stimulation for IVF in poor, normal and hyper-responders: a systematic review and meta-analysis. Human reproduction update, 2021. 27(2): p. 229-253. [DOI:10.1093/humupd/dmaa035] [PMID] []
4. Abbara, A., et al., FSH requirements for follicle growth during controlled ovarian stimulation. Frontiers in endocrinology, 2019. 10: p. 579. [DOI:10.3389/fendo.2019.00579] [PMID] []
5. Shrestha, D., X. La, and H.L. Feng, Comparison of different stimulation protocols used in in vitro fertilization: a review. Annals of translational medicine, 2015. 3(10): p. 137.
6. Hanassab, S., et al., The prospect of artificial intelligence to personalize assisted reproductive technology. Npj digital medicine, 2024. 7(1): p. 55. [DOI:10.1038/s41746-024-01006-x] [PMID] []
7. Medenica, S., et al., The future is coming: artificial intelligence in the treatment of infertility could improve assisted reproduction outcomes-the value of regulatory frameworks. Diagnostics, 2022. 12(12): p. 2979. [DOI:10.3390/diagnostics12122979] [PMID] []
8. Mañas, N.C., et al., P-637 Development and validation of an Artificial Intelligence algorithm that matches a clinician ability to select the best follitropin dose for ovarian stimulation. Human Reproduction, 2021. 36(Supplement_1): p. deab130. 636. [DOI:10.1093/humrep/deab130.636]
9. Choo, C.-W. and J.H. Kim, A prospective cohort study to develop a treatment algorithm for controlled ovarian stimulation to select a starting dose of recombinant follicle stimulating hormone based on patient characteristics and ovarian response (fame study). Fertility and Sterility, 2021. 116(3): p. e196. [DOI:10.1016/j.fertnstert.2021.07.538]
10. Ferrand, T., et al., Predicting the number of oocytes retrieved from controlled ovarian hyperstimulation with machine learning. Human Reproduction, 2023. 38(10): p. 1918-1926. [DOI:10.1093/humrep/dead163] [PMID] []
11. Hajirasouliha, I. and O. Elemento, Precision medicine and artificial intelligence: overview and relevance to reproductive medicine. Fertility and Sterility, 2020. 114(5): p. 908-913. [DOI:10.1016/j.fertnstert.2020.09.156] [PMID]
12. Niederberger, C., et al., Forty years of IVF. Fertility and sterility, 2018. 110(2): p. 185-324. e5. [DOI:10.1016/j.fertnstert.2018.05.017] [PMID]
13. Davenport, T. and R. Kalakota, The potential for artificial intelligence in healthcare. Future healthcare journal, 2019. 6(2): p. 94-98. [DOI:10.7861/futurehosp.6-2-94] [PMID] []
14. Albertini, D.F., The making and managing of a niche for artificial intelligence in reproductive medicine. Journal of Assisted Reproduction and Genetics, 2023. 40(2): p. 211-212. [DOI:10.1007/s10815-023-02744-9] [PMID] []
15. Hariton, E., et al., Applications of artificial intelligence in ovarian stimulation: a tool for improving efficiency and outcomes. Fertility and sterility, 2023. 120(1): p. 8-16. [DOI:10.1016/j.fertnstert.2023.05.148] [PMID]
16. Letterie, G. and A. Mac Donald, Artificial intelligence in in vitro fertilization: a computer decision support system for day-to-day management of ovarian stimulation during in vitro fertilization. Fertility and Sterility, 2020. 114(5): p. 1026-1031. [DOI:10.1016/j.fertnstert.2020.06.006] [PMID]
17. Letterie, G., Three ways of knowing: the integration of clinical expertise, evidence-based medicine, and artificial intelligence in assisted reproductive technologies. Journal of Assisted Reproduction and Genetics, 2021. 38(7): p. 1617-1625. [DOI:10.1007/s10815-021-02159-4] [PMID] []
18. Xia, L., et al., Predicting personalized cumulative live birth rate after a complete in vitro fertilization cycle: an analysis of 32,306 treatment cycles in China. Reproductive Biology and Endocrinology, 2024. 22(1): p. 65. [DOI:10.1186/s12958-024-01237-3] [PMID] []
19. Wald, K., et al., Changing stimulation protocol on repeat conventional ovarian stimulation cycles does not lead to improved laboratory outcomes. Fertility and Sterility, 2021. 116(3): p. 757-765. [DOI:10.1016/j.fertnstert.2021.04.030] [PMID]
20. Li, Y., et al., A novel nomogram for individualized gonadotropin starting dose in GnRH antagonist protocol. Frontiers in Endocrinology, 2021. 12: p. 688654. [DOI:10.3389/fendo.2021.688654] [PMID] []
21. Murillo, F., et al., Causal inference indicates that poor responders have similar outcomes with the antagonist protocol compared with flare. Fertility and sterility, 2023. 120(2): p. 289-296. [DOI:10.1016/j.fertnstert.2023.04.007] [PMID]
22. Broekmans, F.J., Individualization of FSH doses in assisted reproduction: facts and fiction. Frontiers in endocrinology, 2019. 10: p. 181. [DOI:10.3389/fendo.2019.00181] [PMID] []
23. Xu, H., et al., POvaStim: An online tool for directing individualized FSH doses in ovarian stimulation. The Innovation, 2023. 4(2). [DOI:10.1016/j.xinn.2023.100401] [PMID] []
24. Letterie, G., A. MacDonald, and Z. Shi, An artificial intelligence platform to optimize workflow during ovarian stimulation and IVF: process improvement and outcome-based predictions. Reproductive biomedicine online, 2022. 44(2): p. 254-260. [DOI:10.1016/j.rbmo.2021.10.006] [PMID]
25. Cheng, S., et al., Comparative outcomes of AI-assisted ChatGPT and face-to-face consultations in infertility patients: a cross-sectional study. Postgraduate Medical Journal, 2024. 100(1189): p. 851-855. [DOI:10.1093/postmj/qgae083] [PMID]
26. Liang, X., et al., Evaluation of oocyte maturity using artificial intelligence quantification of follicle volume biomarker by three-dimensional ultrasound. Reproductive biomedicine online, 2022. 45(6): p. 1197-1206. [DOI:10.1016/j.rbmo.2022.07.012] [PMID]
27. Chung, E.H., et al., Virtual compared with in-clinic transvaginal ultrasonography for ovarian reserve assessment. Obstetrics & Gynecology, 2022. 139(4): p. 561-570. [DOI:10.1097/AOG.0000000000004698] [PMID] []
28. Abbara, A., S.A. Clarke, and W.S. Dhillo, Novel concepts for inducing final oocyte maturation in in vitro fertilization treatment. Endocrine reviews, 2018. 39(5): p. 593-628. [DOI:10.1210/er.2017-00236] [PMID] []
29. Hariton, E., et al., A machine learning algorithm can optimize the day of trigger to improve in vitro fertilization outcomes. Fertility and Sterility, 2021. 116(5): p. 1227-1235. [DOI:10.1016/j.fertnstert.2021.06.018] [PMID]
30. Fanton, M., et al., An interpretable machine learning model for predicting the optimal day of trigger during ovarian stimulation. Fertility and Sterility, 2022. 118(1): p. 101-108. [DOI:10.1016/j.fertnstert.2022.04.003] [PMID]
31. Dhillon, R., et al., Predicting the chance of live birth for women undergoing IVF: a novel pretreatment counselling tool. Human Reproduction, 2016. 31(1): p. 84-92. [DOI:10.1093/humrep/dev268] [PMID]
32. Cai, Q., et al., Quality of embryos transferred and progesterone levels are the most important predictors of live birth after fresh embryo transfer: a retrospective cohort study. Journal of Assisted Reproduction and Genetics, 2014. 31: p. 185-194. [DOI:10.1007/s10815-013-0129-4] [PMID] []
33. Bulletti, C., et al., Artificial Intelligence, Clinical Decision Support Algorithms, Mathematical Models, Calculators Applications in Infertility: Systematic Review and Hands-On Digital Applications. Mayo Clinic Proceedings: Digital Health, 2024. [DOI:10.1016/j.mcpdig.2024.08.007] [PMID] []
34. Mendizabal-Ruiz, G., et al., Artificial intelligence in human reproduction. Archives of Medical Research, 2024. 55(8): p. 103131. [DOI:10.1016/j.arcmed.2024.103131] [PMID]
35. Sellami, A., et al., # 364: Precision Medicine and Artificial Intelligence in the Area of Infertility: Update Applications and Perspectives. Fertility & Reproduction, 2023. 5(04): p. 327-327. [DOI:10.1142/S2661318223741383]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
