L’infertilité est définie par l’absence de grossesse pendant une certaine période, généralement un ou deux ans [1]. On parle plutôt d’hypofertilité pour un couple qui n’a pas encore ou peu dépassé ce seuil d’un an et pour lequel il n’y a pas de signe clair d’infertilité. Au contraire, si la période de non conception non voulue (infécondité involontaire) se prolonge ou qu’une cause d’infertilité est détectée, le couple est alors considéré infertile.

Ce problème est majeur puisqu’en France, 18 à 24% des couples sont en situation d’infécondité involontaire après un an. Et environ 10% le sont toujours après deux ans de tentatives infructueuses [2]. Ainsi, de nombreux couples consultent pour identifier les facteurs à l’origine de leur situation d’infertilité, puis entament un parcours de Procréation Médicalement Assistée (PMA) afin de les aider à concevoir.

Le parcours de Procréation Médicalement Assistée PMA

Les premières consultations permettent d’établir un profil du couple, en identifiant ses potentiels facteurs d’infertilité [3]. Ce bilan d’infertilité peut notamment inclure un spermogramme et des bilans hormonaux. Ce profil contient alors l’âge de l’homme et de la femme, la durée d’infertilité, les antécédents médicaux directement liés à l’infertilité (grossesses ou accouchements antérieurs) ou non (actes chirurgicaux), les éventuels problèmes ovulatoires ou liés au sperme ainsi que le diagnostic de la ou des causes soupçonnées d’infertilité (endométriose par exemple). Néanmoins près de 30% des couples n’ont pas de cause d’infertilité clairement identifiée [4], on parle alors d’infertilité idiopathique.

A partir de ce profil du couple, un traitement initial est proposé [5, 6]. Celui-ci consiste soit en l’Insémination Intra-Utérine (IIU) , soit la Fécondation In-Vitro (FIV, comprenant alors une ponction d’ovocytes et des transferts d’embryons).

Le parcours qui commence alors peut se révéler long, entraînant un impact psychologique et émotionnel fort pour les couples, en plus de l’aspect financier.

De plus, les techniques de PMA ne garantissent pas la naissance d’un enfant, même après plusieurs tentatives [7, 8].

Par conséquent, une meilleure connaissance des chances et de la durée nécessaire pour l’obtention d’une naissance est importante pour effectuer le bon choix de parcours et préparer le couple à son traitement. Néanmoins, dû à la grande variabilité de profil entre les couples, les médecins ont encore du mal à informer au mieux leurs patients, même en suivant les recommandations et directives thérapeutiques [9, 10, 11].

Ce que peuvent apporter les solutions d'Intelligence Artificielle (IA)

Les avancées des techniques statistiques et d’Intelligence Artificielle (IA) ont permis leur application à de nombreux domaines en santé. Ainsi, plusieurs groupes de recherches ont construit des modèles d’aide à la procréation [12] fournissant aux médecins des indications sur les chances de succès et la durée probable de parcours pour un couple donné.

La construction de tels modèles suppose de prendre en compte deux éléments principaux, le succès (i.e. obtention d’une naissance) et la durée de traitement. Ce double objectif, liant issue et durée du parcours, rentre ainsi dans la cadre de la problématique nommée analyse de survie. Cette expression vient de l’origine de l’application de cette technique. En effet ce type d’analyse modélisait principalement l’espérance de vie de cellules biologiques dans la cadre d’essais cliniques.

Dans le contexte de la PMA, nous souhaitons estimer l’évolution de la probabilité d’obtention d’une naissance au cours du temps.

Ces modèles se basent sur les informations qui sont les mêmes que celles utilisées par les médecins pour conseiller et orienter un couple (âge, causes d’infertilité, antécédents médicaux, etc). La technique la plus appliquée pour les modèles de PMA est la régression de Cox, qui est l’équivalent de la régression linéaire mais dans la cadre de l’analyse de survie. Néanmoins, les performances rapportées jusqu’à présent restent assez modestes [12], reflétant la grande variabilité de profils parmi les couples donc la difficulté à les informer et conseiller précisément sur leur parcours à venir.

Axes de recherche

Les nombreuses informations servant pour la construction des modèles peuvent avoir des effets complexes et interagir entre elles. Or, la régression de Cox généralement utilisée prend difficilement en compte toutes ces subtilités (non-linéarité, interactions), ce qui limite son pouvoir prédictif.

Il est donc intéressant d’essayer des types de modèles plus récents, dont ceux appartenant à l’apprentissage automatique (ou Machine Learning en Anglais). Les méthodes basées sur les arbres de décision sont notamment considérées comme plus robustes car elles appréhendent mieux les effets complexes. Des modèles tels que les forêts aléatoires de survie (Random Survival Forest) et les ensembles d’arbres stimulés (Boosted Tree Ensemble) sont conçus ou peuvent être appliqués à de l’analyse de survie [13, 14]. Ils seraient donc intéressant de les appliquer au contexte de la PMA.

Au-delà de ces modèles plus complexes, il est aussi nécessaire de se reposer sur des données de qualité et reflétant au mieux la haute variabilité entre les couple, par exemple en prenant en compte les informations de plusieurs centres dédiés à la PMA. Cela permettrait aussi une validation rigoureuse de ces modèles sur une population externe.

Un deuxième axe de recherches est de mesurer l’apport de ces outils d’aide à la décision dans un cadre clinique et de leurs utilisations par des médecins dans un contexte réel. Malgré la grande variabilité entre les couples, ces outils fournissent des indications issues d’une analyse statistique des années antérieures, rationalisant ainsi le contexte médical, qui peut être plus ou moins propre à chaque établissement. Il est donc important de voir à quel point ces outils permettent aux médecins de positionner un couple en particulier dans un contexte plus général. Cela permettrait de conforter leur choix initial, ou bien de les aiguiller vers un traitement correspondant mieux aux caractéristiques du couple pour alléger la charge psychologique et maximiser les chances d’avoir un enfant.

Articles récents
Maladies respiratoires : Etude de l’impact environnemental (REMEDIA-H2020)

Maladies respiratoires : Etude de l’impact environnemental (REMEDIA-H2020)

Le projet a pour objectif de déterminer comment et dans quelles mesures l’exposome affecte la gravité et la morbidité des

Impact de la mise en place d’un centre de référence pour les maladies respiratoires rares

Impact de la mise en place d’un centre de référence pour les maladies respiratoires rares

Collaboration menée avec le CHI Créteil pour étudier l'impact de la mise en place d'un centre de référence pour les

Références

[1] “Oms – définition de l’infertilité.” https://www.who.int/fr/health-topics/infertility#tab=tab_1. Accessed : 2021

[2] R. SLAMA, J. BOUYER, B. BLONDEL, N. KEIDING, and B. DUCOT, “La fertilité des couples en France,” Bulletin épidémiologique hebdomadaire, no. 7-8-9, pp. 87–91, 2012.

[3] “Amelie : Bilan d’infertilité.” https://www.ameli.fr/assure/sante/themes/sterilite-pma-infertilite/bilan-medical-infertilite-sterilite. Accessed : 2021.

[4] T. A. Gelbaya, N. Potdar, Y. B. Jeve, and L. G. Nardo, “Definition and epidemiology of unexplained infertility,” Obstetrical & gynecological survey, vol. 69, no. 2, pp. 109–115, 2014.

[5] P. Merviel, M. H. Heraud, N. Grenier, E. Lourdel, P. Sanguinet, and H. Copin, “Predictive factors for pregnancy after intrauterine insemination (iui) : an analysis of 1038 cycles and a review of the literature,” Fertility and sterility, vol. 93, no. 1, pp. 79–88, 2010.

[6] L. Van Loendersloot, M. Van Wely, J. Limpens, P. Bossuyt, S. Repping, and F. Van Der Veen, “Predictive factors in in vitro fertilization (ivf) : a systematic review and meta-analysis,” Human reproduction update, vol. 16, no. 6, pp. 577–589, 2010.

[7] B. A. Malizia, M. R. Hacker, and A. S. Penzias, “Cumulative live-birth rates after in vitro fertilization,” New England Journal of Medicine, vol. 360, no. 3, pp. 236–243, 2009.

[8] D. J. McLernon, A. Maheshwari, A. J. Lee, and S. Bhattacharya, “Cumulative live birth rates after one or more complete cycles of ivf : a population-based study of linked cycle data from 178 898 women,” Human reproduction, vol. 31, no. 3, pp. 572–581, 2016.

[9] J. W. Van Der Steeg, P. Steures, M. Eijkemans, J. Habbema, P. Bossuyt, P. Hompes, F. Van Der Veen, and B. Mol, “Do clinical prediction models improve concordance of treatment decisions in reproductive medicine ?,” BJOG : An International Journal of Obstetrics & Gynaecology, vol. 113, no. 7, pp. 825–831, 2006.

[10] J. W. van der Steeg, P. Steures, M. J. Eijkemans, J. D. F. Habbema, P. M. Bossuyt, P. G. Hompes, F. van der Veen, and B. W. Mol, “Which factors play a role in clinical decision-making in subfertility ?,” Reproductive biomedicine online, vol. 12, no. 4, pp. 473–480, 2006.

[11] “National institute for health and care excellence : Infertility guidelines.” https://www.nice.org.uk/guidance/cg156/resources/fertility-problems-assessment-and-treatment-pdf-35109634660549. Accessed : 2021.

[12] M. Ratna, S. Bhattacharya, B. Abdulrahim, and D. McLernon, “A systematic review of the quality of clinical prediction models in in vitro fertilisation,” Human Reproduction, vol. 35, no. 1, pp. 100–116, 2020.

[13] H. Ishwaran, U. B. Kogalur, E. H. Blackstone, and M. S. Lauer, “Random survival forests,” The annals of applied statistics, vol. 2, no. 3, pp. 841–860, 2008.

[14] T. Chen and C. Guestrin, “Xgboost : A scalable tree boosting system,” in Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pp. 785–794, 2016.