Evaluation of embryonic ploidy

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Embryo aneuploidy is a leading cause of implantation failure and miscarriage during early pregnancy. Preimplantation genetic testing for aneuploidies (PGT-A) enables the assessment of embryo ploidy before transfer; however, it has several limitations. The integration of automated analysis algorithms into embryologists' workflows can significantly enhance embryo selection and mitigate human errors.

Objective: To evaluate the effectiveness of automated analysis algorithms in determining embryo ploidy across different age groups.

Materials and methods: This retrospective study was conducted from January to May 2022 at the Family Medical Center and included embryos from 51 patients who underwent in vitro fertilization (IVF) with PGT-A. The effectiveness of determining euploidy based on blastocyst images was compared with the results obtained through PGT-A. The study utilized the Embryo Ranking Intelligent Classification Algorithm (ERICA 1.0) software.

Results: A total of 117 blastocysts were obtained, of which 101 were subjected to PGT-A and automated analysis: 31 blastocysts from women under 35 years of age (mean age 30.7 years), 39 blastocysts from women aged 35–39 years (mean age 37.4 years), and 31 blastocysts from women over 40 years of age (mean age 42 years). According to the PGT-A results for 101 embryos, the euploidy rate was 51.5%. The accuracy, positive predictive value, negative predictive value, sensitivity, specificity, and area under the ROC curve were 0.74, 0.76, 0.73, 0.73, 0.76, and 0.78, respectively. The most significant results were observed in patients aged < 35 years.

Conclusion: Automated image analysis shows promise as an auxiliary tool for decision-making in embryo selection, particularly in patients over 35 years of age.

About the authors

Alfiya G. Yashchuk

Bashkir State Medical University, Ministry of Health of the Russian Federation

Email: dasha.gromenko@mail.ru

Dr. Med. Sci., Professor, Head of the Department of Obstetrics and Gynaecology No. 2

Russian Federation, 450008, Republic of Bashkortostan, Ufa, Lenina str., 3

Daria D. Gromenko

Bashkir State Medical University, Ministry of Health of the Russian Federation

Author for correspondence.
Email: dasha.gromenko@mail.ru
ORCID iD: 0000-0001-5638-1779

PhD student at the Department of Obstetrics and Gynaecology No. 2

Russian Federation, 450008, Republic of Bashkortostan, Ufa, Lenina str., 3

Svetlana F. Nasyrova

Bashkir State Medical University, Ministry of Health of the Russian Federation

Email: dasha.gromenko@mail.ru
ORCID iD: 0000-0002-2313-7232

PhD, Associate Professor, Department of Obstetrics and Gynaecology No. 2

Russian Federation, 450008, Republic of Bashkortostan, Ufa, Lenina str., 3

Iuliia Iu. Gromenko

Medical Center "Family"

Email: dasha.gromenko@mail.ru
ORCID iD: 0000-0002-3373-0873

PhD, Chief Physician

Russian Federation, 450054, Republic of Bashkortostan, Ufa, Oktyabrya Ave., 73 build. 1

References

  1. Melo P., Dhillon-Smith R., Islam M.A., Devall A., Coomarasamy A. Genetic causes of sporadic and recurrent miscarriage. Fertil. Steril. 2023; 120(5): 940-4. https://dx.doi.org/10.1016/j.fertnstert.2023.08.952
  2. Matorras R., Pérez-Fernández S., Mercader A., Sierra S., Larreategui Z., Ferrando M. et al. Lessons learned from 64,071 embryos subjected to PGT for aneuploidies: results, recurrence pattern and indications analysis. Reprod. Biomed. Online. 2024; 49(5): 103979. https://dx.doi.org/10.1016/j.rbmo.2024.103979
  3. Российская Aссоциация Репродукции Человека. Регистр ВРТ. Отчет за 2022 год. Доступно по: https://www.rahr.ru/d_registr_otchet/RegistrVRT_2022.pdf [Russian Association of Human Reproduction. ART Register. 2022 Report. Available at: https://www.rahr.ru/d_registr_otchet/RegistrVRT_2022.pdf (in Russian)].
  4. Casper R.F. PGT-A: Houston, we have a problem. J. Assist. Reprod. Genet. 2023; 40(10): 2325-32. https://dx.doi.org/10.1007/s10815-023-02913-w
  5. Theobald R., SenGupta S., Harper J. The status of preimplantation genetic testing in the UK and USA. Hum. Reprod. 2020; 35(4): 986-98. https://dx.doi.org/10.1093/humrep/deaa034
  6. Roos Kulmann M.I., Lumertz Martello C., Bos-Mikich A., Frantz N. Pronuclear and blastocyst morphology are associated age-dependently with embryo ploidy in in vitro fertilization cycles. Hum. Fertil. (Camb). 2022; 25(2): 369-76. https://dx.doi.org/10.1080/14647273.2020.1808716
  7. Khosravi P., Kazemi E., Zhan Q., Malmsten J.E., Toschi M., Zisimopoulos P. et al. Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization. NPJ Digit. Med. 2019; 2: 21. https://dx.doi.org/10.1038/s41746-019-0096-y
  8. Cimadomo D., Rienzi L., Conforti A., Forman E., Canosa S., Innocenti F. et al. Opening the black box: why do euploid blastocysts fail to implant? A systematic review and meta-analysis. Hum. Reprod. Update. 2023; 29(5): 570-633. https://dx.doi.org/10.1093/humupd/dmad010
  9. Giménez C., Conversa L., Murria L., Meseguer M. Time-lapse imaging: morphokinetic analysis of in vitro fertilization outcomes. Fertil. Steril. 2023; 120(2): 218-27. https://dx.doi.org/10.1016/j.fertnstert.2023.06.015
  10. Riegler M.A., Stensen M.H., Witczak O., Andersen J.M., Hicks S.A., Hammer H.L. et al. Artificial intelligence in the fertility clinic: status, pitfalls and possibilities. Hum. Reprod. 2021; 36(9): 2429-42. https://dx.doi.org/10.1093/humrep/deab168
  11. Luong T.M., Le N.Q.K. Artificial intelligence in time-lapse system: advances, applications, and future perspectives in reproductive medicine. J. Assist. Reprod. Genet. 2024; 41(2): 239-52. https://dx.doi.org/10.1007/s10815-023-02973-y
  12. Diakiw S.M., Hall J.M.M., VerMilyea M.D., Amin J., Aizpurua J., Giardini L. et al. Development of an artificial intelligence model for predicting the likelihood of human embryo euploidy based on blastocyst images from multiple imaging systems during IVF. Hum. Reprod. 2022; 37(8): 1746-59. https://dx.doi.org/10.1093/humrep/deac131
  13. Paya E., Pulgarín C., Bori L., Colomer A., Naranjo V., Meseguer M. Deep learning system for classification of ploidy status using time-lapse videos. F. S. Sci. 2023; 4(3): 211-8. https://dx.doi.org/10.1016/j.xfss.2023.06.002
  14. Драпкина Ю.С., Макарова Н.П., Васильев Р.А., Амелин В.В., Франкевич В.Е., Калинина Е.А. Изучение аналитической обработки клинико-анамнестических и эмбриологических данных пациентов в программе вспомогательных репродуктивных технологий различными методами машинного обучения. Акушерство и гинекология. 2024; 3: 96-107. [Drapkina Yu.S., Makarova N.P., Vasilev R.A., Amelin V.V., Frankevich V.E., Kalinina E.A. Application of various machine learning techniques to the analysis of clinical, anamnestic, and embryological data of patients undergoing assisted reproductive technologies. Obstetrics and Gynecology. 2024; (3): 96-107 (in Russian)]. https://dx.doi.org/10.18565/aig.2023.281
  15. Bori L., Paya E., Alegre L., Viloria T.A., Remohi J.A., Naranjo V. et al. Novel and conventional embryo parameters as input data for artificial neural networks: an artificial intelligence model applied for prediction of the implantation potential. Fertil. Steril. 2020; 114(6): 1232-41. https://dx.doi.org/10.1016/j.fertnstert.2020.08.023
  16. Министерство здравоохранения Российской Федерации. Клинические рекомендации. Женское бесплодие. М.; 2024. [Ministry of Health of the Russian Federation. Clinical guidelines. Female infertility. Moscow; 2024. (in Russian)].
  17. Российская Ассоциация Репродукции Человека. Секция «Клиническая эмбриология». Оценка ооцитов и эмбрионов в лаборатории ВРТ. Методические рекомендации. М.; 2021. 17 с. [Russian Association of Human Reproduction. Section "Clinical embryology". Assessment of oocytes and embryos in the ART laboratory. Methodological recommendations. Moscow; 2021. 17 p. (in Russian)].
  18. ERICA. ERICA: artificial intelligence for embryo selection. Available at: https://embryoranking.com/
  19. Chavez-Badiola A., Flores-Saiffe-Farías A., Mendizabal-Ruiz G., Drakeley A.J., Cohen J. Embryo ranking intelligent classification algorithm (ERICA): artificial intelligence clinical assistant predicting embryo ploidy and implantation. Reprod. Biomed. Online. 2020; 41(4): 585-93. https://dx.doi.org/10.1016/j.rbmo.2020.07.003
  20. Capalbo A., Poli M., Rienzi L., Girardi L., Patassini C., Fabiani M. et al. Mosaic human preimplantation embryos and their developmental potential in a prospective, non-selection clinical trial. Am. J. Hum. Genet. 2021; 108(12): 2238-47. https://dx.doi.org/10.1016/j.ajhg.2021.11.002
  21. Salih M., Austin C., Warty R.R., Tiktin C., Rolnik D.L., Momeni M. et al. Embryo selection through artificial intelligence versus embryologists: a systematic review. Hum. Reprod. Open. 2023; 2023(3): hoad031. https://dx.doi.org/10.1093/hropen/hoad031
  22. Xin X., Wu S., Xu H., Ma Y., Bao N., Gao M. et al. Non-invasive prediction of human embryonic ploidy using artificial intelligence: a systematic review and meta-analysis. EClinicalMedicine. 2024; 77: 102897. https://dx.doi.org/10.1016/j.eclinm.2024.102897
  23. Diakiw S.M., Hall J.M.M., VerMilyea M.D., Amin J., Aizpurua J., Giardini L. et al. Development of an artificial intelligence model for predicting the likelihood of human embryo euploidy based on blastocyst images from multiple imaging systems during IVF. Hum. Reprod. 2022; 37(8): 1746-59. https://dx.doi.org/10.1093/humrep/deac131
  24. Diakiw S.M., Hall J.M.M., VerMilyea M., Lim A.Y.X., Quangkananurug W., Chanchamroen S. et al. An artificial intelligence model correlated with morphological and genetic features of blastocyst quality improves ranking of viable embryos. Reprod. Biomed. Online. 2022; 45(6): 1105-17. https://dx.doi.org/10.1016/j.rbmo.2022.07.018

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Figure. Area under the receiver operating characteristic curve (ROC) for embryo density assessment for all groups

Download (57KB)
Indexing metadata

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».