体外受精(IVF)中优化控制性卵巢过度刺激(COH)的临床决策支持(CDS)模型:个体化促性腺激素给药与排卵触发时机的范围综述

《Clinical and Translational Science》:Clinical Decision Support Models to Optimize Controlled Ovarian Hyperstimulation: A Scoping Review

【字体: 大 中 小 】 时间:2026年10月16日 来源:Clinical and Translational Science 2.8

编辑推荐:

  控制性卵巢过度刺激(controlled ovarian hyperstimulation, COH)是一个精准医学难题,卵巢反应的显著个体间变异影响体外受精(in vitro fertilization, IVF)期间的治疗疗效与安全性。纳入统计、机器学习(

  
控制性卵巢过度刺激(controlled ovarian hyperstimulation, COH)是一个精准医学难题,卵巢反应的显著个体间变异影响体外受精(in vitro fertilization, IVF)期间的治疗疗效与安全性。纳入统计、机器学习(machine learning, ML)和人工智能(artificial intelligence, AI)方法的临床决策支持(clinical decision support, CDS)工具已被开发,用于个体化促性腺激素给药和排卵触发时机。因此,本研究旨在识别和评价在COH期间为处方决策提供信息的CDS工具。遵循PRISMA-ScR指南,检索Embase、MEDLINE、PubMed和Scopus从建库至2026年3月。纳入评价在IVF期间为COH给药和/或排卵触发时机提供信息的CDS工具的研究,按预测领域分层并进行描述性分析。主要结局为卵母细胞获取数和中期II(metaphase II, MII)卵母细胞获取数。次要结局包括促性腺激素使用和妊娠相关结局。在识别出的2879条记录中,纳入5项研究(n=16,441)。一项研究报告,与临床医生主导给药相比,精准给药CDS工具与MII卵母细胞获取数增加(1.5个卵母细胞,p < 0.001)和促性腺激素使用减少(195 IU,p < 0.001)相关。一个触发时机模型提高了MII卵母细胞获取数(2.5个卵母细胞,p < 0.01),而给药与触发联合模型显示不一致效应。K近邻(K-nearest neighbor, KNN)(n=3)和线性回归(linear regression)(n=3)方法占主导。未报告妊娠相关结局。未识别出经临床评价的机制性药代动力学/药效动力学(pharmacokinetic/pharmacodynamic, PK/PD)模型。CDS工具有望通过精准给药个体化COH并提高治疗效率。然而,临床转化仍受限于证据基础小且异质、依赖替代结局以及缺乏机制模型引导方法。需要评价临床有意义结局的前瞻性研究,以确定CDS工具在个性化生殖医学中的作用。

当前关于该主题的知识是什么?
控制性卵巢过度刺激(COH)以卵巢反应的显著个体间变异为特征,但促性腺激素给药和排卵触发时机仍主要受临床医生判断指导。纳入机器学习和人工智能的临床决策支持(CDS)工具已作为潜在的精准医学方法出现,用于个体化这些决策。

本研究探讨了什么问题?
什么证据支持基于模型的、机器学习和人工智能的CDS工具在COH期间用于个体化促性腺激素给药和排卵触发时机的临床使用?

本研究为现有知识增加了什么?
一项检查精准给药CDS工具的研究显示,与临床医生主导给药相比,其与中期II(MII)卵母细胞获取改善(+1.5个卵母细胞)和促性腺激素使用减少(?195 IU)相关。多数经临床评价的工具使用可解释的K近邻或线性回归方法,而未评价机制性PK/PD模型或报告妊娠与活产结局。

这可能如何改变临床药理学或转化科学?
这些发现支持CDS赋能的精准给药工具有潜力在COH期间个体化促性腺激素治疗并提高治疗效率。未来研究应聚焦于临床有意义结局的前瞻性评价、常规实践中的实施,以及将机器学习与机制性PK/PD方法整合,以推进个性化生殖医学。
1 Introduction
不孕症影响全球六分之一人群,是生物和社会因素驱动的医疗挑战。辅助生殖技术(assisted reproductive technologies, ART)如体外受精(in vitro fertilization, IVF)使数百万人获得子女,但2018年全球仅24%取卵者实现活产,重复周期的经济、身体和心理负担促使需要更有效策略。控制性卵巢过度刺激(controlled ovarian hyperstimulation, COH)是ART关键环节和精准医学挑战。外源促性腺激素,主要是卵泡刺激素(follicle stimulating hormone, FSH),用于多卵泡发育和成熟卵母细胞获取;排卵触发时机影响卵母细胞获取、效率和安全性。COH主要挑战是卵巢反应个体间变异,与卵巢储备、年龄、内分泌、体成分和卵泡敏感性有关。固定或经验给药可能导致刺激不足或过度,增加卵巢过度刺激综合征(ovarian hyperstimulation syndrome, OHSS)风险。目前给药和触发时机依赖临床医生经验和年龄、抗苗勒管激素(anti-Müllerian hormone, AMH)、窦卵泡计数(antral follicle count, AFC)等预测因素,不能完全捕捉复杂卵泡发生生理。临床决策支持(clinical decision support, CDS)工具通过整合患者特征和治疗反应数据,生成个体化给药或触发时机建议,可包括统计、机器学习(machine learning, ML)、人工智能(artificial intelligence, AI)或机制性药代动力学/药效动力学(pharmacokinetic/pharmacodynamic, PK/PD)方法。ML/AI在生殖医学中扩展,但COH治疗决策的CDS证据尚未系统综合。因此本范围综述旨在识别和评价COH处方决策CDS工具,关注模型特征、输入变量、临床结局及个性化模型引导策略。

2 Methods
2.1 Literature Search
按PRISMA-ScR开展,检索MEDLINE、Embase、PubMed和Scopus从建库至2026年3月24日。检索词组合卵巢刺激、临床决策支持系统和预测建模(包括ML和AI),由学术图书馆员协助调整以提高灵敏度和特异度。还筛选纳入研究参考文献。

2.2 Eligibility Criteria
纳入英文发表、研究CDS工具或预测模型用于COH精准给药,采用基于模型、ML或AI方法,在临床/临床模拟环境评价用于促性腺激素给药、卵巢反应预测和/或排卵触发时机,且报告卵母细胞/MII卵母细胞数并提供训练验证信息。排除仅开发模型未评价决策应用、二次文献、综述、病例报告、社论、信件和书章。

2.3 Outcome Measures
主要结局为每启动COH周期卵母细胞/MII卵母细胞获取数。次要结局包括临床妊娠率、持续妊娠率、活产率、起始FSH剂量和总FSH剂量。提取研究/人群特征、模型类型、开发验证方法、输入变量和性能指标(如平均绝对误差(mean average error, MAE)、决定系数(R2))及预期临床用途。

2.4 Study Selection
检索结果导入Covidence,去除重复后由两名评审独立筛题摘,冲突由第三评审裁决;全文复核分歧由第三评审解决。

2.5 Data Extraction
用标准化表格提取数据,一名评审提取,另一名独立核实。图形数据用PlotDigitizer估算;中位数和范围按既定方法转换为均数和标准差,并标记为计算值(C)。

2.6 Assessment of Evidence Quality
按PRISMA-ScR未正式进行个体研究偏倚风险评估,但评审在提取和合成时考虑方法学质量和报告完整性。

2.7 Data Synthesis
因设计、模型类型和结局异质,进行描述性综合。研究按预测领域分为促性腺激素剂量(精准给药)、排卵触发时机或二者联合。呈现各研究报告的效应估计和显著性,比较模型引导与标准治疗在卵母细胞获取和促性腺激素使用上的差异,并总结性能指标和输入变量。

3 Results
3.1 Study Characteristics
从2879条记录中纳入5项研究,共16,441名参与者,发表于2022–2025年。加权平均年龄36.05岁,但变异性报告不一致。研究包括触发时机、给药及联合给药与触发研究;多数在美国开展,一项在中国;设计包括多中心回顾性、前瞻观察性和观察性上市后研究。

3.2 Modeling Approaches
三项研究使用AI预测模型,两项使用ML模型。未发现经临床评价的机制性PK/PD或定量系统药理学方法。工具按临床功能分类:两项聚焦精准给药以个体化促性腺激素起始剂量,一项聚焦排卵触发时机,两项联合给药与触发决策。精准给药算法常用输入变量为年龄、BMI、AFC和AMH;扩展特征还包括基线FSH、黄体生成素(luteinizing hormone, LH)、雌二醇(oestradiol, E2)等。触发时机模型依赖卵泡大小和血清E2。

3.3 Model Development
精准给药研究中K近邻(K-nearest neighbors, KNN)算法占主导(n=3),一项使用人工神经网络(artificial neural network, ANN)。所有触发时机研究(n=3)使用线性回归。

3.4 Clinical Outcomes
两项研究比较CDS引导给药与临床医生主导给药。一项报告模型给药与MII卵母细胞获取增加(+1.5个,p < 0.001)和总促性腺激素剂量减少(?195 IU,p < 0.001)相关。一项触发时机研究显示模型引导使MII卵母细胞获取增加2.5个(p < 0.01)。两项联合工具研究:一项MII增加不显著(+0.96个,p=0.16),促性腺激素减少不显著(?174.35 IU,p=0.13);另一项MII无差异(?0.07个,p=0.90),总促性腺激素剂量显著减少(?472.94 IU,p < 0.01)。所有研究均未报告临床妊娠率或活产结局,MII卵母细胞数作为治疗成功替代结局。

3.5 Model Performance Metrics
定量性能指标报告不一致。触发时机和给药中,两项研究提供指标;预测次日E2浓度的准确性高于MII卵母细胞预测(R2=0.88 vs. 0.62–0.64)。其他研究主要关注临床结局,区分度、校准或外部验证信息有限。

3.6 Comparison Between Clinician- and Model-Guided Decisions
一项精准给药研究直接比较模型推荐起始剂量与临床医生选择剂量。临床医生更常在剂量范围极端开药,模型预测更集中;在卵母细胞获取分布低端和高端,二者差异增大,提示预测低或高卵巢反应患者中模型与经验决策分歧更大。

3.7 Safety Outcomes
安全性报告有限。两项研究报告无OHSS病例,其余未报告OHSS。现有证据不足以确定CDS引导COH的安全性影响。

4 Discussion
4.1 Precision Dosing Appears to Be the Principal Driver of Clinical Benefit
CDS引导促性腺激素给药一致改善卵母细胞获取并减少促性腺激素暴露。COH精准给药的生物学合理性来自卵泡对FSH敏感性差异;统一剂量可能因FSH受体表达和下游信号差异导致异质反应。个体化给药旨在使FSH暴露匹配卵巢敏感性,改善反应性卵泡募集并限制过度刺激,也可解释总促性腺激素使用减少。高敏感患者可能受益于减量,而预测低反应者增量对卵母细胞获取改善有限。促性腺激素暴露减少支持模型引导精准给药(model-informed precision dosing, MIPD)在生殖医学中的概念。

4.2 Ovulation Trigger Tools Offer Limited Value When Follicular Synchrony Is Established Through Optimal FSH Dosing
尽管一项触发时机模型改善MII卵母细胞获取,联合给药与触发研究未一致优于单独给药。适当促性腺激素给药优化卵泡发育可能是治疗成功主要决定因素,触发时机算法作用可能依赖情境。个体化给药可能促进卵泡同步,因卵泡FSH受体密度和亚型组成存在内在变异,各卵泡达到cAMP/PKA激活阈值所需FSH不同;个体化FSH给药可促进更均一卵泡募集和生长,减少触发时卵泡间变异,从而降低精确触发时机需求。既往病例对照研究显示个体化给药降低早期和晚期卵泡异步,并减少总FSH剂量。下一代CDS可能无需额外触发时机模块,以避免操作负担而不改善结局。

4.3 Predictor Selection and Model Inputs
精准给药模型预测变量高度集中于年龄、BMI、AFC和AMH。年龄反映FSH敏感性窦卵泡进行性耗竭,老年女性需更高外源FSH。AMH和AFC量化可募集窦卵泡池大小和功能活性,反映多卵泡生长所需FSH。超重通过增加细胞外液分布稀释循环FSH,遗漏BMI可能导致系统剂量误估,尤其体重变异大的多囊卵巢综合征(polycystic ovary syndrome, PCOS)人群。触发时机模型中E2浓度和卵泡大小是主要输入;E2反映颗粒细胞活性并与卵母细胞数和成熟度正相关,触发日卵泡大小决定卵母细胞回收。更复杂模型未显示超过核心参数的显著增量预测价值。

4.4 Model Approaches
纳入研究使用相对简单且可解释的算法。KNN和线性回归占多数临床评价工具,复杂神经网络不常见,反映实施科学挑战。尽管ANN等黑箱模型可捕捉复杂非线性关系,临床采用需要透明、可解释和临床医生信任;KNN和线性回归使临床医生理解决策因素,可能促进整合。对可解释方法的偏好可能是现实实施的务实反应。

4.5 Absence of Mechanistic Modeling Approaches
最显著发现是临床评价CDS工具中完全缺乏PK/PD或机制建模方法。与数据驱动ML/AI相比,PK/PD框架提供药物暴露、受体相互作用和下游生物反应的机制表征。机制方法在其他治疗领域改善精准给药,但在卵巢过度刺激中尚未探索,具有可解释性、外推和纳入已知生理机制优势。卵泡生长、内分泌反应和促性腺激素暴露可能适合机制建模;将PK/PD与ML整合可能产生兼顾生理真实性与预测性能的混合CDS工具。

4.6 Strengths and Limitations
本综述在同一框架比较给药、触发时机和联合模型,有助于理解不同CDS如何应对COH不同阶段,并为未来开发者提供预测变量和方法设计参考。局限包括研究少(n=5)、设计/人群/模型异质限制可比性;4/5研究在美国,卵巢反应人群差异可能影响外推;多数观察性,缺乏外部验证或随机比较,偏倚风险增加;结局限于替代指标,无临床妊娠或活产,临床意义不确定;性能指标报告不一致,安全结局缺失或不足;排除仅模型开发研究,未捕获尚未临床评价的新兴方法。

4.7 Implications for Future Research and Clinical Practice
尽管结果鼓舞,支持临床实施的证据仍弱。无研究报告妊娠或活产,安全报告稀少,MII卵母细胞获取改善转化为患者获益不明确。未来研究需超越替代终点,评价以患者为中心的结局、实施可行性、临床医生接受度、经济评价和可及性,以使CDS工具从有前景技术进展为常规部署的精准医学干预。

5 Conclusion
当前证据提示CDS赋能精准促性腺激素给药可能在COH中改善卵母细胞获取并减少药物暴露。然而领域仍处早期,由经验性ML方法主导并针对替代结局评价。机制模型引导方法缺失是重要知识空白和创新机会。未来研究应前瞻性评价临床有意义结局,并开发支持真正个性化COH管理的混合ML-机制框架。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号