BILBAO, 10 Ago. (EUROPA PRESS) -
Investigadores de la Unidad de Reproducción Asistida del Hospital Universitario Donostia de Osakidetza (BioDonostia) y del grupo de Sistemas Inteligentes de la Facultad de Informática de la UPV/EHU acaban de publicar un trabajo de investigación sobre asistencia a la selección de embriones, que propone "un novedoso método que asigna probabilidad respecto a su calidad embrionaria"
Según han informado la UPV/EHU y Osakidetza, la investigación ha sido publicada en la revista 'Statistical Methods in Medical Research', publicación que "posee el mayor factor de impacto en las áreas científicas Medical Informatics y Statistics and Probability acerca de la selección de embriones en reproducción asistida".
Ambas instituciones han explicado que la comunidad investigadora ha propuesto distintas técnicas de análisis de datos para la construcción de modelos que predigan la capacidad implantatoria de los embriones a la hora de seleccionar cuáles se transfieren.
Hasta ahora, para el aprendizaje de estos modelos, únicamente se hacía uso de los datos procedentes de ciclos de reproducción en los cuales todos los embriones transferidos se implantaron con éxito, así como de los ciclos en los cuales ninguno de los embriones transferidos se implantó en el útero materno.
"Así, los ciclos en los cuales algunos, pero no todos, de los embriones transferidos se implantaron con éxito eran descartados para el aprendizaje de los modelos predictivos, debido a que no es posible identificar cuáles fueron los embriones implantados con éxito y cuáles no", han indicado.
"NOVEDOSO RETO"
Por ello, han destacado, la utilización de los datos de ciclos anteriormente descartados supone "un novedoso reto" para la comunidad científica especializada en análisis de datos.
El problema, conocido como 'learning from label proportions' (aprendizaje con proporciones de etiquetas), ya fue tratado por el grupo de la UPV/EHU en un trabajo previo donde se proponía "una novedosa metodología para la inclusión de los casos (embriones) con resultado no certero en el aprendizaje de los modelos predictivos".
La colaboración entre BioDonostia y la UPV/EHU trata de dar otro enfoque a este "complejo reto" y espera que los modelos aprendidos con todos los embriones transferidos en ciclos de reproducción previos, "sin descartar ninguno por no saber a ciencia cierta si fue exitoso o no", depare "unos mejores resultados" y amplíe el conocimiento sobre este problema.
Según han explicado, el método actualmente utilizado para la clasificación de la calidad embrionaria se basa en un conjunto de reglas regularmente actualizado por la Asociación para el Estudio de la Biología de la Reproducción (ASEBIR).
Teniendo en cuenta diferentes características morfológicas de los embriones, se asigna a cada uno una categoría entre cuatro valores posibles (A, B, C o D), ordenados de mayor a menor calidad embrionaria.
El método propuesto "devuelve una probabilidad, es decir, un valor entre 0 y 1, asignando mayor probabilidad a los embriones de mayor calidad embrionaria". En comparación con el método ASEBIR, la respuesta de la nueva técnica es "de grano más fino" y podría ser igualmente usada para decidir qué embriones se transfieren, han señalado sus responsables.
De acuerdo con los resultados del estudio publicado, no todos los embriones de una misma categoría ASEBIR conllevarían una misma calidad embrionaria.
"Se ha podido comprobar, sobre ciclos de reproducción ya finalizados, que mientras el método de ASEBIR y el propuesto coincidían en la predicción de los embriones de calidad alta y baja, existían notables diferencias con los embriones de calidades intermedias", han apuntado los investigadores.
UNA SEGUNDA OPINIÓN
De momento, el método desarrollado ofrecerá una segunda opinión complementaria al método ASEBIR que, en su práctica clínica diaria, las especialistas del Hospital Donostia podrán consultar para tomar su decisión final.
El trabajo forma parte de la tesis doctoral 'Contributions to learning Bayesian network models from weakly supervised data', recientemente defendida por Jerónimo Hernández, bajo la dirección de los profesores Iñaki Inza y José Antonio Lozano del Departamento Ciencias de la Computación e Inteligencia Artificial de la Facultad de Informática de la UPV/EHU.
