Prediction of live birth occurrence within one year after in vitro fertilization: a machine learning approach

Infertility has been recognized as a public health issue worldwide by World Health Organization (WHO). When natural conception is not possible assisted reproduction is one of the most popular solutions. In vitro fertilization (IVF), with or without intracytoplasmic sperm injection (ICSI), is the most common form of assisted reproductive technologies (ART). The IVF treatments are expensive and invasive procedures, which consist of different time- consuming steps, involve several prognostic factors and moreover, they do not guarantee the success of the procedure. This makes decision-making particularly difficult for clinicians. Artificial intelligence and machine learning can help the medical practitioners to design treatment plans and evaluate the individual couple’s case in order to increase the individual success rate. This thesis aims to develop a machine learning approach to predict live birth chances within one year after IVF, with the specific objective of identifying possible prognostic factors. Particularly, emphasis is placed on how embryo quality impacts on the success of this procedure. The proposed approach compares the performances of five different classifier algorithms, including logistic regression (LR), support vector machine (SVC), random forest (RF), eXtreme gradient boosting (XGB) and multilayer perceptron (MLP). Then, with the aim of determine which variables most influence the prediction and provide insights into how they affect the outcome, model-agnostic explainable-AI tools are used and the results are compared among the different classifiers. Our findings shows that the performances of the different algorithms are comparable, however, nonlinear models like the proposed random forest are able to capture significant dependences and achieve slightly better results. Furthermore, we confirm that fresh embryo transfer and cryo embryo transfer can be considered equally effective for the treatment of infertility and lastly, we support the validity of morphologic grading to be used to guide the embryo selection and increase the IVF success.

L'infertilità è stata riconosciuta come un problema di salute pubblica a livello mondiale dall'Organizzazione Mondiale della Sanità (OMS). Quando il naturale concepimento non è possibile, la riproduzione assistita è una delle soluzioni più diffuse. La fecondazione in vitro (FIV), con o senza iniezione intracitoplasmatica dello spermatozoo (ICSI), è la più comune tra le tecniche di procreazione assistita (PMA). I trattamenti di FIV sono procedure costose e invasive che consistono di diverse fasi, essi richiedono tempo e coinvolgono fattori prognostici diversi, inoltre non garantiscono il successo della procedura. Tutto ciò rende le decisioni particolarmente difficili per i medici. L'intelligenza artificiale e il machine learning possono aiutare i medici a pianificare il trattamento e valutare caso per caso le potenzialità della coppia, al fine di aumentarne le possibilità di successo. Questa tesi ha l’obiettivo di sviluppare un approccio di machine learning per prevedere le probabilità di un parto vivo entro un anno dalla FIV, con l'obiettivo specifico di identificare possibili fattori prognostici. Particolare enfasi è posta su come la qualità dell'embrione influisce sul successo della procedura. L'approccio proposto confronta le prestazioni di cinque diversi algoritmi, tra cui regressione logistica (LR), support vector machine (SVC), random forest (RF), eXtreme gradient boosting (XGB) e multilayer perceptron (MLP). Allo scopo di individuare quali principali variabili influenzano la predizione e sul modo in cui lo fanno, vengono poi utilizzati strumenti di explainable-AI modello-indipendenti e confrontati i risultati per i diversi classificatori. La nostra analisi mostra che le prestazioni dei diversi algoritmi sono paragonabili, tuttavia, confermiamo che i modelli non lineari proposti come il random forest sono in grado di catturare dipendenze più significative ed ottenere risultati leggermente migliori. Inoltre, confermiamo che il trasferimento di embrioni freschi o di embrioni crioconservati possono essere considerati ugualmente efficaci, e infine sosteniamo la validità della valutazione morfologica per guidare la selezione degli embrioni e aumentare il successo della FIV.