DuoStim 在 PGT 病例中的应用：使用 MitoScore 比较胚胎数量和胚胎质量

传统上，卵泡发育被认为仅发生在月经周期的卵泡期。 然而，新数据表明，在同一月经周期内，窦状卵泡会出现几波周期性发育。 一些作者坚持认为，黄体期形成的卵泡可能具有与卵泡期形成的卵泡相似的排卵潜能，从而为促排卵提供了新的可能性。

由于玻璃化技术的使用和促性腺激素的出现，医生们可以创新用于控制卵巢过度刺激的方案，并且能够在更短的时间内为需要快速干预的患者（例如肿瘤患者）获得更多的卵母细胞。 由于积累了这些新方法的经验，一些研究人员最近提出了双重刺激 (DuoStim) 方案。 最近定义并发表了从黄体期获得的卵母细胞能力的证据。 此外，它与先天性异常风险增加无关。

DuoStim 是一种方案，由同一月经周期内的两种刺激组成，一种是从周期的第 2 天开始的卵泡期，另一种是在第一次卵巢穿刺后 5 天开始的黄体期。 触发始终与 GnRH 激动剂一起执行。

此外，需要不孕不育治疗的患者年龄越来越大，使用植入前基因检测 (PGT) 可以更好地选择胚胎并获得更好的生殖结果。 目前，大多数 PGT 是在囊胚阶段进行的，这可以改善预后，但相反，也必须冷冻这些胚胎并进行延迟移植，从而延长了程序。

最近描述的另一个用于更准确胚胎选择的创新工具是 MitoScore。 MitoScore 是 Igenomix 开发的线粒体生物标志物指数，旨在指示胚胎的能量状态。 它打算选择那些具有最佳植入潜力的胚胎，因此更有可能在 IVF 治疗后继续怀孕。 它的计算方法是将线粒体 DNA 拷贝数除以核 DNA 的数量。 虽然仍有争议，但一些作者已经证明它可以提高 IVF 周期中植入和持续妊娠的成功率，并减少多胎妊娠的数量。

由于女性在高龄接受不孕症治疗且预后较差，因此患者更频繁地要求 PGT，因此有时医生不得不进行多个刺激周期以获得更多卵子，从而获得更多的活检胚胎。 因此，进行这项研究的想法是试图最大限度地优化每个月经周期。

据信，DuoStim 方案可以成为这组患者的替代方案，允许在更短的时间内获得更多的卵母细胞，从而增加活检胚胎的数量，并可能缩短实现成功妊娠的间隔。

研究人员旨在评估 DuoStim 协议对希望尽快获得卵母细胞的患者的潜在用途。 此外，使用 PGT，研究人员将比较接受 DuoStim 方案的患者与在连续周期中接受两次常规控制性卵巢过度刺激的患者每个周期的整倍体胚胎率。 患者将包括高龄和反应差的女性。

这是一项单中心、前瞻性、随机、非盲、平行组对照的IV期临床研究。 研究人员假设，与在连续周期中接受两次常规控制性卵巢过度刺激的组相比，DuoStim 组每个周期的整倍体胚胎率相似。

此外，研究人员将评估获得的总卵母细胞数量、成熟卵母细胞数量、活检胚泡数量和可用整倍体胚胎的 MitoScore 指数是否存在差异。 这些变量将根据 DuoStim 组的卵母细胞是在卵泡期还是黄体期获得来评估和比较。 结果数据将与从常规刺激组获得的数据进行比较。 从卵巢刺激开始到胚胎移植的这段时间也将得到解决。

患者将致电周期计划部门的诊所以安排治疗。 在短期服用避孕药后，患者将被转诊就诊。 在第一次咨询时，主治医师将使用信息学系委托的随机分配软件随机分配希望参与并符合纳入标准的患者。 由于这项研究是一项公开试验，因此不会采用盲法。

参加者有权随时以任何理由退出研究，而不会对其未来的医疗护理造成任何不便。 退出意味着受试者不想接受任何进一步的治疗，也不希望患者继续参与研究。 退出研究的原因：患者意愿、缺乏合作、影响患者安全的毒性或不良事件、主要研究者在有利于患者利益时中断的决定、死亡以及违反或违反研究方案。

当所有参与者都完成了足够的随访期后，试验将终止。 由于安全原因、未能满足预期的招募截止日期，或者即使存在任何涉及患者安全或健康的风险，它也可能在完成日期之前中断。 所有退出试验的参与者都将留在后续阶段，除了那些撤回知情同意或死亡的人。

临床研究数据捕获配置文件 (CRD) 中的条目必须与源文件中包含的条目一致。 数据将从保留患者医疗记录的机构存储库软件平台导出。 至少一名调查员将检查完整性和准确性，以确保提取的信息和所有必需的监管文件都是适当的。 研究文件和所有源文档将在需要时存储。

考虑到常规刺激每周期 20% 的整倍体胚胎率和 10% 的平均值之间的差异（常规 X DuoStim 组），估计样本量为 136 名患者（每组 68 名）获得 80% 的功效阿尔法误差为 5%。 还考虑了 5% 的损失率来计算样本量。

分类变量将通过受试者数量以及绝对和相对频率进行评估。 连续变量将通过均值、中位数、标准差、第 25 个和第 75 个百分位数、最小值和最大值进行评估。 对于分类变量和连续变量，将考虑 95% 的置信区间。 数据的探索性分析将允许确定数据的质量并检测任何异常。

将比较描述性变量的均值和比例，以验证随机化是否正确执行。 只要变量呈正态分布，就会应用参数检验，例如分类变量的卡方检验和连续变量的 T 学生检验或方差分析。 如果分布不正常，将根据变量的特征应用非参数检验，例如 Mann-Whitney U 或 Wilcoxon 检验。

如果研究人员发现两组之间的描述性变量存在静态显着差异，则这些变量将包含在回归模型中以控制它们的干扰。

此外，将定义线性或逻辑回归模型，具体取决于结果变量是定量的还是分类的。 它将允许调整可能影响结果的混杂因素。