Eugin développe un algorithme capable de prédire la meilleure méthode de stimulation ovarienne

Le groupe Eugin élabore un modèle prédictif à l'aide des technologies Big Data et Machine Learning.

Les résultats de cette recherche in silico "sont présentés à la 34ème conférence annuelle de l'ESHRE, la Société Européenne de Reproduction Humaine et d'Embryologie, qui se tient à Barcelone du 1er au 4 juillet 2018.

Un algorithme pour améliorer la prise en charge médicale des patientes

Le Groupe Eugin, l'un des leaders européens de la reproduction assistée, a choisi d’ouvrir ses activités de recherche aux nouvelles technologies et à la méthode dite "in silico", basée sur la modélisation, la simulation et la visualisation de processus biologiques et médicaux. Un groupe de chercheurs a ainsi développé un algorithme qui permettra de choisir la méthode de stimulation ovarienne optimale pour chacune des femmes qui se tournent vers un traitement de fécondation in vitro. Un outil qui devrait permettre entre autres, de réduire les réponses ovariennes faibles ou les hyper stimulations.

Les tests ont montré que l’algorithme était capable de prédire, avec 81% de fiabilité, lequel des différents protocoles de stimulation ovarienne existants aurait été le bon pour chaque patient.

Les résultats de cette recherche seront présentés lors de la 34ème conférence annuelle ESHRE, la Société Européenne de Reproduction Humaine et d'Embryologie, qui se tient à Barcelone du 1er au 4 juillet.

Un modèle prédictif bientôt utilisé dans la pratique clinique quotidienne

L’algorithme a été élaboré à partir de bases de données internes. 6,952 cas de premiers cycles de fécondation in vitro, réalisés au sein du groupe Eugin, ont été observés. Dans chacun de ces cas, les données de la patiente ont été recueillies avant la mise en œuvre d'une stimulation ovarienne et ont été saisies informatiquement : âge, indice de masse corporelle, taux d'œstrogènes ou âge auquel elle a eu ses premières menstruations, etc…

Aujourd’hui, l'ordinateur peut gérer entre 70 et 80 types de données par patient, beaucoup plus que les 8 ou 10 qui sont prises en compte dans la pratique médicale habituelle, il est donc plus facile de trouver des modèles prédictifs. En outre, l'ordinateur, continue à « apprendre » et l’algorithme s’ajuste grâce à l’intégration progressives de nouvelles données.

Le modèle mathématique devrait être encore testé et amélioré. Chaque nouveau cas sera soumis à une évaluation par le médecin et par l'ordinateur, et les coïncidences ou les écarts seront analysés. En parallèle, d’autres cas seront chargés dans l'ordinateur et l'algorithme sera ajusté au moyen d'un processus de validation constant dans lequel les variations de "formule" seront testées et la fiabilité vérifiée.