Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

KUNSTIG INTELLIGENS I REPRODUKTIV MEDICIN (AI in ART)

17. januar 2023 opdateret af: Dr. Kamal Rageh, MD, Al Baraka Fertility Hospital

ANVENDELSE AF KUNSTIG INTELLIGENS I REPRODUKTIV MEDICIN

Mange undersøgelser er blevet offentliggjort, der undersøger brugen af ​​AI som en objektiv, automatiseret tilgang til embryovurdering. Denne anmeldelse vil opsummere de seneste AI-fremskridt inden for IVF-området. Forhåbentlig kan det at inkorporere AI-teknologi i IVF-klinikkerne være den næste grænse på rejsen mod personlig reproduktiv medicin og forbedrede fertilitetsresultater for patienter.

Studieoversigt

Detaljeret beskrivelse

ANVENDELSE AF KUNSTIG INTELLIGENS (AI) I REPRODUKTIV MEDICIN

Kamaleldin Abdullah Rageh, M.D. (1).

Mohammad Atef Behery, M.D. (2)

Elsayed Ali Farag, M.D. (1)

1 - Institut for Obstetrik og Gynækologi, Det medicinske Fakultet, Al-Azhar Universitetet, Kairo, Egypten.

2-Internationalt Islamisk Center for Befolkningsstudier og Forskning, Al-Azhar Universitet, Kairo, Egypten.

Abstrakt:

På trods af forbedret næsten alle aspekter af IVF: ovariestimulering, embryokultur og overførsel, er graviditetsraterne stadig ikke tilfredsstillende. Undersøgelser bekræfter, at op til 50 % af de udførte IVF-cyklusser mislykkes, og der er muligvis ingen direkte forklaring på dette.

Og det er værd at nævne, at nøjagtigt at forudsige resultatet af en IVF-cyklus endnu ikke er opnået. En grund til dette er metoden til at vælge et embryo til overførsel. Morfologisk vurdering af embryoner er den traditionelle metode til at evaluere embryokvalitet og vælge hvilket embryo der skal overføres. Imidlertid fører denne subjektive metode til vurdering af embryoner til inter- og intra-observatør-variabilitet, hvilket resulterer i mindre end optimale IVF-succesrater. Selvom time-lapse inkubatorer og præimplantations genetisk testning for aneuploidi er blevet introduceret for at hjælpe med at øge chancerne for levende fødsel, forbliver resultaterne mindre end ideelle.

I øjeblikket udøver infertilitetsbehandlinger meget økonomisk og følelsesmæssig stress, især hos patienter med tidligere mislykkede IVF-behandlinger, hvor der ikke er nogen klar årsag, der skal identificeres, er et almindeligt, hjerteskærende endepunkt, når den følelsesmæssige, økonomiske og fysiske byrde af behandlingen eskalerer til fortsætte med at finde svar, men AI-systemer kan hjælpe med at løse dilemmaet ved at vælge de bedste levedygtige embryoner, som mennesker ikke kan gøre. AI-teknologier har fremragende potentiale til at hjælpe infertilitetsfeltet med at svæve over dets nuværende snævre fokus på individuelle embryoner og opdage nye mønstre skjult i patientdataene for at overvinde de fremherskende infertilitetstilfælde.

Udvælgelsen af ​​embryoner er den mest kritiske faktor for IVF's succes. Der er dog ikke et enkelt endeligt kriterium, der kan forudsige et embryos succes. Snarere er embryoselektion baseret på en række faktorer, hvilket gør det vanskeligt at forudsige sandsynligheden for en vellykket graviditet for hver patient og fuldt ud at forstå årsagen til hver svigt. Så brug af kunstig intelligens (AI) kan støtte klinikerne i at udfylde dette videnshul og derved blive udnyttet i embryologilaboratoriet til at hjælpe med at forbedre IVF-resultater.

Undersøgelsestype

Observationel

Tilmelding (Forventet)

10

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiesteder

      • Cairo, Egypten, 12358
        • Rekruttering
        • Al-Azhar University
        • Kontakt:
      • Cairo, Egypten, 15006
        • Rekruttering
        • Kamal Eldin Abdalla Rageh
        • Kontakt:

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ingen

Køn, der er berettiget til at studere

Alle

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

de mennesker, der kommer til fertilitetsklinikker

Beskrivelse

Inklusionskriterier:

  • fertilitetsrelateret

Ekskluderingskriterier:

  • frugtbare mennesker

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Observationsmodeller: Andet
  • Tidsperspektiver: Andet

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
SUCCESRATE
Tidsramme: 4 MÅNEDER
ANVENDELSE AF KUNSTIG INTELLIGENS (AI) I REPRODUKTIV MEDICIN
4 MÅNEDER

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

1. november 2022

Primær færdiggørelse (Forventet)

1. marts 2023

Studieafslutning (Forventet)

1. april 2023

Datoer for studieregistrering

Først indsendt

17. januar 2023

Først indsendt, der opfyldte QC-kriterier

17. januar 2023

Først opslået (Skøn)

26. januar 2023

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Skøn)

26. januar 2023

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

17. januar 2023

Sidst verificeret

1. januar 2023

Mere information

Begreber relateret til denne undersøgelse

Andre undersøgelses-id-numre

  • Kamal-AI

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

Uafklaret

IPD-planbeskrivelse

vil tænke over det

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .

Abonner