- ICH GCP
- US Clinical Trials Registry
- Klinisk forsøg NCT07515118
AI-TOP Studie Kunstig Intelligens til Triggeroptimering. (AI-TOP)
En kunstig intelligens-baseret tilgang til at vælge den optimale dag til udløsning.
Studieoversigt
Status
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Assisteret Reproduktionsteknologi gennemgår en større transformation med introduktionen af kunstig intelligens (AI), som omformer, hvordan medicinske behandlinger udføres. I IVF har en af de vedvarende udfordringer været at maksimere antallet af hentede ægceller, mens man effektivt håndterer den kliniske arbejdsbyrde – især ved at reducere weekendprocedurer – uden at kompromittere resultaterne. Selvom en patients respons kan variere mellem cyklusser, viser beviser, at justering af triggerdagen med én dag ikke signifikant påvirker de kliniske resultater, hvilket muliggør mere fleksibel planlægning.
AI muliggør et skift fra standardiserede protokoller til personlige behandlinger, der forbedrer de kliniske resultater, strømliner processer og forbedrer den operationelle effektivitet. Nyere forskning viser, at AI-baserede modeller kan optimere ovariel stimulation, forbedre triggerdagsvalg og øge antallet af befrugtede ægceller sammenlignet med beslutninger taget udelukkende af læger. AI-algoritmer har også præcist forudsagt antallet af hentede ægceller, hvilket bidrager til mere effektive protokoller og højere levefødselsrater.
Ud over triggertiming er det vist, at AI forbedrer arbejdsgangseffektiviteten i IVF-klinikker ved at optimere monitoreringsplaner og balancere den kliniske arbejdsbyrde uden negativt at påvirke cyklusresultater.
Baseret på denne voksende evidens blev en randomiseret kontrolleret undersøgelse designet til at sammenligne kliniske resultater af kontrolleret ovariel stimulation, når trigger- og hentebeslutninger træffes udelukkende af lægen versus når lægen assisteres af AI-vejledning.
Undersøgelsestype
Tilmelding (Anslået)
Fase
- Ikke anvendelig
Kontakter og lokationer
Studiesteder
-
-
-
Barcelona, Spanien, 08028
- Rekruttering
- Hospital Universitario Quirón Dexeus
-
Kontakt:
- Nikolaos P Polyzos, MD PhD
- Telefonnummer: 0034932274700
- E-mail: nikpol@dexeus.com
-
Kontakt:
- Ignacio Rodriguez, MSc
- Telefonnummer: 0034932274700
- E-mail: nacrod@dexeus.com
-
Ledende efterforsker:
- Nikolaos P Polyzos, MD PhD
-
Underforsker:
- Valeria Donno, MD
-
Underforsker:
- Mariana B Miguens, MD
-
Underforsker:
- Gerarda Gaeta, MD
-
Tarragona, Spanien, 43206
- Ikke rekrutterer endnu
- Dexeus Mujer Tarragona
-
Kontakt:
- Josep Gonzalo, MD
- E-mail: josgon@dexeus.com
-
Ledende efterforsker:
- Josep Gonzalo, MD
-
-
Barcelona
-
Sabadell, Barcelona, Spanien
- Ikke rekrutterer endnu
- Dexeus Mujer Sabadell
-
Kontakt:
- Ainhoa Coco, MD
- Telefonnummer: 0034932274700
- E-mail: aincoc@dexeus.com
-
Ledende efterforsker:
- Ainhoa Coco, MD
-
Sant Cugat del Vallès, Barcelona, Spanien, 08195
- Ikke rekrutterer endnu
- Dexeus Mujer Sant Cugat
-
Kontakt:
- Ainhoa Coco, MD
- Telefonnummer: 0034932274700
- E-mail: aincoc@dexeus.com
-
Ledende efterforsker:
- Ainhoa Coco, MD
-
-
Tarragona
-
Reus, Tarragona, Spanien, 43202
- Ikke rekrutterer endnu
- Dexeus Mujer Reus
-
Kontakt:
- Josep Gonzalo, MD
- E-mail: josgon@dexeus.com
-
Ledende efterforsker:
- Josep Gonzalo, MD
-
-
Deltagelseskriterier
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
Tager imod sunde frivillige
Beskrivelse
Inklusionskriterier:
- Gennemgår COS til IVF med autologe ægceller, ægcelledonation og elektiv fertilitetsbevaring med alle monitoreringsultralydsscanninger (USS) udført på vores centre.
Eksklusionskriterier:
- Medicinsk indikeret fertilitetsbevaring
- Ude af stand til at deltage i klinikbesøg til monitorering.
Studieplan
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
- Primært formål: Behandling
- Tildeling: Randomiseret
- Interventionel model: Parallel tildeling
- Maskning: Ingen (Åben etiket)
Våben og indgreb
Deltagergruppe / Arm |
Intervention / Behandling |
|---|---|
|
Eksperimentel: AI-algoritme
Trigger-beslutninger vil blive truffet af lægen med hjælp fra AI-vejledning.
|
Den AI-algoritme, der anvendes i denne undersøgelse, er STIMAI®.
STIMAI® er en kunstig intelligens-baseret software, der assisterer klinikere ved at give datadrevne indsigter til at optimere fertilitetsbehandlingsprocessen og støtte undfangelse.
Softwaren er designet som et klinisk beslutningsstøtteværktøj og erstatter ikke lægens vurdering; endelige kliniske beslutninger forbliver under ansvaret af den behandlende læge. Lægen vil konsultere AI-applikationen, som forudsiger antallet af MII-oocytter for forskellige triggerdage.
Hvis algoritmen anbefaler at udløse i dag eller i morgen, vil lægen vælge, hvilken mulighed der skal følges.
|
|
Aktiv komparator: Rutinemæssig klinisk håndtering
Efter rutinemæssig klinisk håndtering, hvor beslutninger om ægløsningsudløsning træffes af lægen alene,
|
Så snart 2-3 follikler på 17 mm er detekteret, vil lægen bestemme tidspunktet for ægløsningsudløsning baseret på klinisk skøn.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
MII ægceller
Tidsramme: Afhentningsdag ca. 34-36 timer efter ægløsningsudløser.
|
Antal MII-oocytter hentet ved oocytopsamling.
|
Afhentningsdag ca. 34-36 timer efter ægløsningsudløser.
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Fordeling af hentningsprocedurer i løbet af ugen.
Tidsramme: Vurderet ved afslutningen af stimulationscyklusen, når hentningsplanen er gennemført. ca. 34-36 timer efter udløsning af ægløsning.
|
: Mønsteret eller fordelingen af ægcelleudtagningsprocedurer på ugens dage under en IVF-cyklus.
|
Vurderet ved afslutningen af stimulationscyklusen, når hentningsplanen er gennemført. ca. 34-36 timer efter udløsning af ægløsning.
|
|
Antal COCs
Tidsramme: Målt på dagen for ægcelleudtagelse. ca. 34-36 timer efter udløsning af ægløsning.
|
Det samlede antal oocytter omgivet af cumulusceller, der blev hentet under oocytopsamlingsproceduren, hvilket afspejler ovarial respons på stimulering.
|
Målt på dagen for ægcelleudtagelse. ca. 34-36 timer efter udløsning af ægløsning.
|
|
Stimulationslængde (dage)
Tidsramme: Fra den første dag for stimulering indtil dagen hvor ovulationsudløseren administreres. Op til 8-15 dage
|
Det samlede antal dage en patient modtager gonadotropiner til kontrolleret ovarie-stimulation før udløsning af ægløsning.
|
Fra den første dag for stimulering indtil dagen hvor ovulationsudløseren administreres. Op til 8-15 dage
|
|
FORT (præovulatoriske follikler på trigger-dagen/AFC)
Tidsramme: AFC måles ved baseline (cyklusdag 2-3); præovulatoriske follikler tælles på triggerdag. Op til 8-15 dage
|
Et mål for folikulær responsivitet, beregnet som antallet af præovulatoriske follikler på triggerdagen divideret med den basale antralfollikel-tælling (AFC).
Det afspejler effektiviteten af stimuleringen i væksten af rekrutterbare follikler.
|
AFC måles ved baseline (cyklusdag 2-3); præovulatoriske follikler tælles på triggerdag. Op til 8-15 dage
|
|
FOI (N COCs/AFC)
Tidsramme: AFC målt ved baseline; COC'er talt på dagen for retrieval ca. 34-36 timer efter ægløsningstrigger.
|
Antallet af hentede cumulus-oocyt-komplekser divideret med baseline-antralfollikeltællingen (AFC), hvilket indikerer, hvor effektivt baseline-folliklerne resulterede i hentede oocytter.
|
AFC målt ved baseline; COC'er talt på dagen for retrieval ca. 34-36 timer efter ægløsningstrigger.
|
|
Antal besøg
Tidsramme: Talt fra starten af stimulering indtil udløserdagen. op til 8-12 dage
|
Det samlede antal kliniske monitoreringsbesøg, der kræves under kontrolleret ovarie-stimulation, herunder ultralydsundersøgelser og blodprøver.
|
Talt fra starten af stimulering indtil udløserdagen. op til 8-12 dage
|
|
Spontan ægløsning
Tidsramme: Opdaget mellem udløseradministrationen og den planlagte ægcelleudtagelse. ca. 34-36 timer efter ægløsningsudløser.
|
Forekomst af utilsigtet follikelruptur før ægcelleudtagning, hvilket indikerer, at ægløsningen skete før den planlagte procedure på trods af overvågning.
|
Opdaget mellem udløseradministrationen og den planlagte ægcelleudtagelse. ca. 34-36 timer efter ægløsningsudløser.
|
Samarbejdspartnere og efterforskere
Sponsor
Publikationer og nyttige links
Generelle publikationer
- Blockeel C, Engels S, De Vos M, Haentjens P, Polyzos NP, Stoop D, Camus M, Devroey P. Oestradiol valerate pretreatment in GnRH-antagonist cycles: a randomized controlled trial. Reprod Biomed Online. 2012 Mar;24(3):272-80. doi: 10.1016/j.rbmo.2011.11.012. Epub 2011 Nov 30.
- Babayev E. Man versus machine in in vitro fertilization-can artificial intelligence replace physicians? Fertil Steril. 2020 Nov;114(5):963. doi: 10.1016/j.fertnstert.2020.07.042. Epub 2020 Aug 17. No abstract available.
- Canon C, Leibner L, Fanton M, Chang Z, Suraj V, Lee JA, Loewke K, Hoffman D. Optimizing oocyte yield utilizing a machine learning model for dose and trigger decisions, a multi-center, prospective study. Sci Rep. 2024 Aug 20;14(1):18721. doi: 10.1038/s41598-024-69165-1.
- Chow DJX, Wijesinghe P, Dholakia K, Dunning KR. Does artificial intelligence have a role in the IVF clinic? Reprod Fertil. 2021 Aug 23;2(3):C29-C34. doi: 10.1530/RAF-21-0043. eCollection 2021 Jul.
- Dimitriadis I, Zaninovic N, Badiola AC, Bormann CL. Artificial intelligence in the embryology laboratory: a review. Reprod Biomed Online. 2022 Mar;44(3):435-448. doi: 10.1016/j.rbmo.2021.11.003. Epub 2021 Nov 12.
- Ferrand T, Boulant J, He C, Chambost J, Jacques C, Pena CA, Hickman C, Reignier A, Freour T. Predicting the number of oocytes retrieved from controlled ovarian hyperstimulation with machine learning. Hum Reprod. 2023 Oct 3;38(10):1918-1926. doi: 10.1093/humrep/dead163.
- Hariton E, Chi EA, Chi G, Morris JR, Braatz J, Rajpurkar P, Rosen M. A machine learning algorithm can optimize the day of trigger to improve in vitro fertilization outcomes. Fertil Steril. 2021 Nov;116(5):1227-1235. doi: 10.1016/j.fertnstert.2021.06.018. Epub 2021 Jul 10.
- Letterie G, MacDonald A, Shi Z. An artificial intelligence platform to optimize workflow during ovarian stimulation and IVF: process improvement and outcome-based predictions. Reprod Biomed Online. 2022 Feb;44(2):254-260. doi: 10.1016/j.rbmo.2021.10.006. Epub 2021 Oct 20.
Hjælpsomme links
Datoer for undersøgelser
Studer store datoer
Studiestart (Faktiske)
Primær færdiggørelse (Anslået)
Studieafslutning (Anslået)
Datoer for studieregistrering
Først indsendt
Først indsendt, der opfyldte QC-kriterier
Først opslået (Faktiske)
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
Sidst verificeret
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- FSD-AIG-2025-20
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Studerer et amerikansk FDA-reguleret enhedsprodukt
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 .