Prediktionsmodell för fött barn vid provrörs- befruktning med återföring av två embryon
Felicia Franzén
U.U.D.M. Project Report 2005:2
Examensarbete i matematisk statistik och teknisk fysik, 20 poäng Handledare: Lars Berglund, UCR, och Jan Holte, Carl von Linnékliniken
Examinator: Dag Jonsson Februari 2005
Department of Mathematics
Uppsala University
Sammanfattning
Ofrivillig barnlöshet är ett relativt vanligt problem som drabbar ca 10-15 % av alla svenska par. För att komma till bukt med detta genomgår många IVF-behandling, prov- rörsbefruktning, som är den vanligaste behandlingsmetoden. Ungefär en tredjedel av behandlingarna leder till graviditet, medan en fjärdedel av kvinnorna föder barn.
Vid IVF genomgår kvinnan hormonbehandling för att tillräckligt många mogna ägg ska utvecklas. Dessa tas sedan ur kvinnans äggstockar och sammanförs med mannens sper- mier i ett provrör. Av de ägg som blir befruktade väljs ett eller två ut och återförs till kvinnans livmoder.
Denna studie behandlar återföring av två befruktade ägg, embryon, med data från IVF- behandlingar utförda på Carl von Linné Kliniken i Uppsala. I tidigare studier har man gjort modeller för att uppskatta graviditetschansen efter genomgången IVF-behandling.
Denna studie går steget längre och ämnar i stället att predicera sannolikheten att föda barn, med hjälp av en logistisk regressionsmodell.
I stället för att ha flera variabler för att beskriva embryona skapades en modell beståen- de av dessa variabler, en så kallad embryoscoremodell. De variabler som blev signifi- kanta i modellen var antal äggceller, likhet mellan äggcellstorlek, fragmentering av äggceller samt antal kärnor per äggcell.
I modellen för predicering av sannolikheten att föda barn blev följande nio variabler signifikanta: kvinnans ålder, embryoscore, livmoderslemhinnans tjocklek, förekomst av vätskefylld äggledare, antal tidigare behandlingar, om man fött barn vid tidigare be- handlingar, tid mellan ägguttagning och sammanföring av ägg och spermier, förekomst av myom samt en sammansatt variabel som avspeglar äggstockarnas känslighet – antal ägg som erhållits i förhållande till given dos av follikelstimulerande hormon (FSH), FSH kontra ägg.
Abstract
Infertility is a more common problem than one might think, around 10-15 % of all Swe- dish couples experience it. A way to overcome this is to undergo in vitro fertilization, IVF, which is the most common treatment. About one quarter of women treated gives birth to a child.
The first step in the IVF procedure is that the woman takes hormones to develop adequ- ate ripe eggs for the treatment. The eggs are then collected and the man's sperm is added to the eggs in a test tube. One or two of the fertilized eggs are then put back into the ute- rus.
This study will analyze two embryo transfers with data from the Carl von Linné Clinic in Uppsala. The purpose of this study is to compile a model to predict the probability of IVF leading to childbirth, compared to previous studies at the clinic where the outcome has been pregnancy.
A model for embryo score was produced in order to describe the quality of the embryos with just one variable. The significant embryo variables were number of ova, equality of ova size, fragmentation of ova and number of nucleus per ova.
The childbirth model gave the following significant variables: the woman's age, embryo score, thickness of endometrium, hydrosalpinx, number of previous treatments, child- birth at previous treatments, time between ovum pick up and insemination, myoma and a composite variable reflecting the sensitivity of the ovary – number of eggs obtained in proportion to given dose of follicle stimulating hormone (FSH), FSH versus egg.
Förord
Detta examensarbete har utförts på Uppsala Kliniska Forskningscentrum (UCR) på uppdrag av Carl von Linné Kliniken (CvLK) i Uppsala.
Jag vill börja med att tacka min examinator Dag Jonsson på Matematisk Statistik som hjälpte mig att hitta detta examensarbete och sedan har kommit med värdefulla råd om uppsatsens utformning. Lars Berglund (handledare på UCR) som har hjälpt till i det dagliga arbetet med genomtänkta svar på stora som små frågor förtjänar ett stort tack.
Det gör även Jan Holte (handledare på CvLK) som ständigt har kommit med nya upp- slag och medicinsk sakkunnighet.
Innehåll
1 Inledning... 6
1.1 Ofrivillig barnlöshet ...6
1.2 Orsaker till ofrivillig barnlöshet ...6
1.3 Behandlingsmetoder ...7
1.3.1 Stimulering av äggstockarna ...7
1.3.2 Insemination ...7
1.3.3 Provrörsbefruktning – IVF ...7
1.4 Chansen att lyckas vid behandling...8
1.5 Återföring av ett eller två embryon ...8
1.6 Carl von Linné Kliniken ...8
1.7 Syftet med denna studie ...9
2 Material och metod... 10
2.1 Datamaterial...10
2.2 Statistisk metod...10
2.2.1 Multipel logistisk regression ...10
2.2.2 Estimering av regressionsmodellen ...10
2.2.3 ROC-kurva...11
2.2.4 Odds och oddskvot ...11
2.3 Arbetsmetod ...12
2.3.1 Datahantering...12
2.3.2 Embryoscoremodellen ...12
2.3.3 Skapande av nya variabler ...13
2.3.4 Modellen för fött barn...13
3 Resultat ... 14
3.1 Embryoscoremodellen...14
3.2 Komposita och omkodade variabler ...14
3.3 Modellen för fött barn ...15
3.2.1 Grafer över ingående variabler ...16
3.2.2 Modellens rimlighet...17
4 Diskussion... 19
Ordlista ... 20
Referenser och källor ... 21
Bilaga 1 – Ursprungliga och nyskapade variabler ... 22
Bilaga 2 – Kodning av signifikanta variabler ... 24
1 Inledning
1.1 Ofrivillig barnlöshet
Att ett par drabbas av ofrivillig barnlöshet innebär att man under minst ett år försökt få barn på naturlig väg utan att lyckas. Innan man försökt få barn vet de flesta förklarligt nog inte om att de har problemen. Detta gör det svårt att uppskatta hur många det hand- lar om, men världshälsoorganisationen uppskattar att det rör sig om 60-80 miljoner par i världen. Motsvarande siffra i Sverige är 250 000 par.
Om ett par från början vet att de inte kan få barn på naturlig väg kan de söka hjälp di- rekt, annars rekommenderas att man försöker bli med barn i ett år innan hjälp sökes. Om kvinnan är under 30 år kan man vänta något längre eftersom det kan ta lång tid att bli gravid även för helt friska par. För att paret ska få genomgå en infertilitetsbehandling måste både kvinnan och mannen delta i en utredning för att få reda på vilken behand- lingstyp som lämpar sig bäst. Utredningen sker antingen på kvinnoklinik eller hos pri- vatläkare.
1.2 Orsaker till ofrivillig barnlöshet
När ett par inte kan få barn beror det lika ofta på kvinnan som på mannen. De vanligaste orsakerna till infertilitet är:
Hos kvinnan:
• Åldern – efter 35 år minskar chanserna till graviditet dramatiskt
• Sammanväxta eller skadade äggledare – orsakas främst av inflammationer, till exempel klamydia
• Ägglossningsstörningar – kan bero på polycystiskt syndrom som ger upphov till cystor i äggstockarna
• Endometrios – livmoderslemhinnan befinner sig utanför livmodern, vilket kan leda till en försämrad äggstocksfunktion
• Muskelknutor eller polyper i livmodern Hos mannen:
• Försämrad spermiekvalitet – kan bland annat bero på medfödda kromosomrubb- ningar
• Hinder i sädesledarna eller i bitestikeln – till exempel vid testikelinflammation, klamydia eller efter en bråckoperation
• Störd spermiebildning – kan orsakas av till exempel strålbehandling
• Erektions- eller ejakulationsstörningar
• Antikroppar mot de egna spermierna
• Hormonrubbningar
Det går inte alltid att hitta en orsak till infertiliteten trots noggrant genomförd utredning.
Det kallas då oförklarad infertilitet och står för minst 30 % av fallen.
6
1.3 Behandlingsmetoder
Det finns i stort sett tre olika metoder för att behandla ofrivillig barnlöshet:
• Stimulering av äggstockarna
• Insemination
• Provrörsbefruktning – IVF
Vilken behandlingsmetod man väljer beror på den bakomliggande orsaken till infertili- teten. Ofta kombineras de olika metoderna.
1.3.1 Stimulering av äggstockarna
Så kallad ovalutionsstimulering används om kvinnans ägglossning är oregelbunden eller utebliven. Det kan även användas för att effektivisera andra behandlingsmetoder. Be- handlingen går till så att kvinnan i första hand tar tabletter för att stimulera tillväxten av folliklar i äggstocken. Om detta inte fungerar får kvinnan injicera follikelstimulerande hormon, FSH.
1.3.2 Insemination
Insemination kan användas vid ejakulationsproblem eller om orsaken till infertiliteten är okänd. Om mannen inte har några spermier alls eller om de är av för dålig kvalitet kan en donators spermier användas. Vid inseminationen placeras sädesvätskan i övre delen av slidan när kvinnan har ägglossning. Om spermierna har svårigheter att ta sig igenom livmoderhalsens sekret sprutas de i stället direkt in i livmodern.
1.3.3 Provrörsbefruktning – IVF
IVF, in vitro-fertilisering, är den vanligaste behandlingsmetoden vid ofrivillig barnlös- het och de flesta former av infertilitet går att behandla med IVF. Det första provrörsbar- net föddes 1978 och sedan dess har metoden utvecklats allt mer och idag föds 1-2 % av alla barn i Sverige som resultat av IVF.
Vid en normal menstruationscykel påbörjar flera ägg sin mognadsprocess i kvinnans äggstock, men bara ett av dessa väljs ut till ägglossning och mognar fullt ut. Vid IVF behövs oftast många ägg för att optimera behandlingen. Därför får kvinnan genomgå en hormonbehandling som gör att flera ägg når full mognad.
IVF-behandlingen påbörjas cirka en vecka innan menstruationen med ett hormon, GnRH, som gör att kroppens egna signaler till äggstockarna sätts ur funktion. Efter cir- ka två veckor får kvinnan börja injicera hormonet FSH som stimulerar äggstockarna att bilda äggblåsor och ägg. Äggutvecklingen kontrolleras med ultraljud under den 10-12 dagar långa injektionsfasen. När tillräckligt många ägg har mognat plockas de ut ur äggblåsorna med en tunn nål via slidan. Detta sker cirka fyra veckor efter behandlingens början.
7
Samma dag som ägguttagningen sammanförs mannens spermier med kvinnans ägg i ett provrör. Om spermierna är dåliga eller mycket få kan de i stället injiceras en och en di- rekt i varsitt ägg med så kallad ICSI-teknik (intracytoplasmatisk spermieinjektion).
Ägg- och spermieblandningen placeras sedan i en inkubator med befruktningsvänlig miljö. Redan dagen efter ägguttagningen vet man om äggen blivit befruktade. Efter någ- ra dagar väljs ett eller två av de befruktade äggen, embryona, ut och återförs till kvin- nans livmoder. Om det finns flera embryon av bra kvalitet kan de frysas in och sparas till en senare IVF-behandling.
Äggdonation blev lagligt i Sverige år 2003 och kan tillämpas om kvinnan inte har några egna fungerande ägg. På samma sätt kan en donators spermier användas om inte man- nens egna spermier fungerar som de ska.
1.4 Chansen att lyckas vid behandling
När ett fertilt par försöker bli med barn på naturlig väg är sannolikheten för graviditet 20-25 % per ägglossning. När ett infertilt par genomgår äggstocksstimulering på grund av uteblivna ägglossningar är sannolikheten ungefär densamma. Efter ett inseminations- försök blir 10-15 % gravida, medan upp till 30-40 % lyckas om man genomgår flera be- handlingar.
IVF är den behandlingsform som ger störst andel lyckade behandlingar. På Carl von Linné Kliniken blir cirka 40 % gravida efter en IVF-behandling, medan något färre, 30 %, föder barn. Således leder en fjärdedel av graviditeterna till missfall, vilket är un- gefär samma andel som vid normal graviditet. Sannolikheten att föda barn är störst vid första försöket för att sedan minska något. Av de som genomgår en till tre behandlingar kommer upp till 70 % att få barn.
1.5 Återföring av ett eller två embryon
Av de som blir gravida på naturlig väg föder 1-2 % tvillingar, medan motsvarande siffra vid IVF-behandlingar har legat kring 25 %. Detta har varit ett problem eftersom tvil- lingfödslar innebär en ökad risk för barnen. För att minska antalet tvillingfödslar har man börjat med återföring av ett embryo i stället för två, som var vanligt tills för några år sedan. Men för att det ska räcka med att återföra endast ett embryo måste det finnas minst ett av god kvalitet. I många fall är embryona sämre och parets chanser till en lyckad graviditet är små, vilket gör det motiverat att återföra två embryon.
1.6 Carl von Linné Kliniken
Carl von Linné Kliniken i Uppsala är en av Nordens ledande inom IVF-behandling. Se- dan starten 1990 har över 4000 barn kommit till världen efter olika behandlingar av minst 3000 par (juni 2004). Detta motsvarar en lyckandegrad för fött barn på ungefär 30 %, vilket kan jämföras med landets övriga kliniker, vars genomsnitt ligger på 25 %.
Carl von Linné Kliniken bedriver även forskning inom området ofrivillig barnlöshet.
8
1.7 Syftet med denna studie
Vid en IVF-behandling är det av stort intresse för både patienter och läkare att förutsäga chansen att lyckas med behandlingen, eftersom det då är lättare att besluta huruvida ett eller två embryon bör återföras.
Syftet med denna studie är att få fram viktiga variabler och hur dessa påverkar en kvin- nas chans att föda barn efter återföring av två embryon. Med den framtagna modellen kan man sedan beräkna sannolikheten att en viss kvinna föder barn. Denna studie går alltså steget längre än tidigare studier som gjorts i samarbete med Carl von Linné Klini- ken [1, 2, 3, 4] då i stället chansen att bli gravid har analyserats.
9
2 Material och metod
2.1 Datamaterial
Datamaterialet kommer från Carl von Linné Kliniken och avser behandlingar gällande IVF och ICSI under tiden januari 1999 – januari 2002 där två embryon har återförts.
Materialet består av 2846 behandlingar av 1816 par med cirka 60 variabler som beskri- ver olika egenskaper hos paret och för behandlingen, se bilaga 1. Samma material har använts i tidigare studier [1, 2, 3], men med utfall graviditet. Responsvariabeln för min studie är om behandlingen leder till fött barn eller inte.
2.2 Statistisk metod
När man vill studera sambandet mellan en beroende och en eller flera förklarande vari- abler, prediktorer, används ofta regressionsmetoder. Om den beroende variabeln endast kan anta två värden kallas den dikotom och då är standardmetoden en logistisk regres- sionsmodell.
2.2.1 Multipel logistisk regression
Om man har en dikotom utfallsvariabel och flera prediktorer kallas det multipel logis- tisk regression och det är den metoden som kommer att användas i denna studie.
Antag att vi har k oberoende variabler, x' = (x1, x2, …, xk), och en dikotom utfallsvaria- bel, y (positiv/negativ). Låt π(x) = P(y = positiv│x) vara den betingade sannolikheten att y är positiv givet x. Den logistiska funktionen för regressionsmodellen ges då av:
0 1 1 2 2
( ) ln ( ) ...
1 ( ) k k
g π x x
β β β β x
π
⎛ ⎞
= ⎜⎝ − ⎟⎠= + + + +
x x
x , där β β0, ,...1 βk är konstanter.
Således blir den betingade sannolikheten:
( )
( ) ( )
1
g g
e π = e
+
x
x x
2.2.2 Estimering av regressionsmodellen
Antag att vi har ett stickprov med n observationer (xi, yi), i = 1, 2,…, n. För att kunna anpassa modellen behöver vi skatta β' = (β0, β1,…, βk). Detta görs med maximum likeli- hoodmetoden vars funktion har utseendet:
[ ]
11
( ) n ( ) 1i yi ( )i yi
i
L π x π x −
=
=
∏
−β
Funktionen logaritmeras och deriveras med avseende på βj, j = 0, 1,…, k. Derivatorna sätts till 0 vilket leder till uttrycken:
[ ]
11
( ) i 0
n y
i i
i
y π x −
=
− =
∑
och[ ]
1
( ) 0
n
ij i i
i
x y π x
=
− =
∑
, j = 0, 1,…, k10
Låt lösningen till dessa ekvationer vara ˆβ som fås med någon iterativ metod. Nu kan vi beräkna de predicerade sannolikheterna genom att i ekvationen
( )
( ) ( )
1
g g
e π = e
+
x
x x ersätta β med ˆβ . Vi får alltså: 0 1 1 2 2
0 1 1 2 2
ˆ ˆ ˆ ... ˆ
ˆ ˆ ˆ ... ˆ
ˆ( ) 1
k k
k k
x x x
x x x
e e
β β β β
β β β β
π = ++ ++ + ++ + x +
2.2.3 ROC-kurva
ROC står för Receiver Operating Characteristic och är en kurva som visar hur väl en modell stämmer överens med verkligheten. Vid multipel logistisk regression får vi den predicerade sannolikheten att y är positiv för n olika observationer, ˆ( ),π x i = 1, 2,…, n. i Vi vet redan de sanna y-värdena. För att jämföra de predicerade och de sanna y-värdena inför vi en brytpunkt som ligger mellan 0 och 1. De ˆ( )π x som ligger under brytpunk-i ten bedöms som negativa medan de som ligger över bedöms som positiva. Den andel sant positiva som modellen klassar som positiva kallas sensitiviteten, medan specificite- ten är den andel sant negativa som modellen klassar som negativa givet en viss bryt- punkt:
Sensitivitet = a
a + c Specificitet = d b + d Andel rättklassificerade observationer = a + d
a + b + c + d Predicerat Verkligt utfall
utfall Positivt Negativt Positivt a b Negativt c d
Summa a + c b + d Tabell 2.1 Sensitivitet och
specificitet.
I ROC-kurvan plottas sensitiviteten mot 1 – specificiteten med varje observations pre- diktion, ˆ( ),π x som brytpunkt. Den optimala brytpunkten fås där kurvan skiljer sig som i mest från enhetslinjen, där både sensitiviteten och specificiteten är som störst. Med denna brytpunkt erhålls alltså den högsta andelen rättklassificerade observationer.
2.2.4 Odds och oddskvot
För att jämföra hur olika variabler står sig i förhållande till varandra använder man sig av odds och oddskvot. Om sannolikheten att en viss händelse ska inträffa är p ges odd- set för den händelsen av:
Odds = 1
p
−p
Om man i stället vill jämföra sannolikheten att en händelse inträffar i två olika grupper används oddskvoten (odds ratio):
11
OR = 1 2
1 2
1 1
p p
p p
− −
Om oddskvoten är större än 1 är det således troligare att händelsen inträffar i grupp 1 än i grupp 2.
Vid logistisk regression har vi att p1 = 1
1
( )
1( ) ( )
1
g g
e π = e
+
x
x x och p2 = 2
2
( )
2( ) ( )
1
g g
e π = e
+
x
x x . Då
blir oddskvoten: OR = 1
2
( )
( )
1 2
( ) där ( ) = ( ) ( ).
g
h g
e e h g g
e xx = x x x − x
Säg att vi har en förklarande variabel, X, indelad i grupperna a, b och c, och en utfalls- variabel som antar värdena 1 eller 0. Om oddskvoten för X är 2 betyder det att för varje grupp i X ökar oddset 2 gånger: oddset för att 1 inträffar är två gånger större i grupp b än i grupp a och två gånger större i grupp c än i grupp b.
2.3 Arbetsmetod
2.3.1 Datahantering
På Carl von Linné Kliniken används programmet File Maker Pro för att sammanställa sina data. Dessa konverterades till SAS (Statistical Analysis System V8) där de flesta analyser gjordes med procedurerna för bland annat korstabeller och logistisk regression.
Statistikprogrammet R (1.9.1) och till viss del Microsoft Excel användes för att göra grafer.
I R utnyttjades funktionen GAM (generaliserad additiv modell) i paketet mgcv för att plotta logit P(fött barn) = ln
1 p
p
⎛⎜ −
⎝ ⎠
⎞⎟ . Detta gjordes mot respektive förklarande variabel tillsammans med tillhörande konfidensintervall baserade på skattningarna från model- len. Plottarna visar sambandet mellan variablerna och idealiskt ska det vara linjärt. För att uppnå detta kan man behöva koda om den förklarande variabeln.
2.3.2 Embryoscoremodellen
För varje behandling finns fem variabler för de två embryona. Dessa är uppbyggda en- ligt en poängskala som togs fram i en tidigare studie [1]. Men i stället för att ha flera va- riabler som beskriver ett embryo, skapades en sammansatt variabel som ger poäng för hur bra varje embryo är. För att göra detta gjordes datasetet om så att varje embryo blev en post i stället för varje behandling. Två nya embryovariabler skapades enligt tidigare studier [2, 3]: antal kärnor per cell (som ersatte antal kärnor per embryo) samt absolut- beloppet av (antal celler – 4).
De sex variablerna plottades mot utfallet fött barn i R, se avsnitt 2.3.1, och frekvens- tabellerna undersöktes. För att få en linjär relation till utfallet behövde vissa variabler kodas om.
12
För att veta exakt hur bra de två embryona var användes till embryoscoremodellen utfal- let 0 födda barn (inget av embryona fungerade) respektive 2 födda barn (båda embryona fungerade). Modellen togs fram med proceduren för logistisk regression där de variabler med högst p-värde plockades bort en efter en tills alla kvarvarande var signifikanta (p- värde < 0.05). Från embryoscoremodellen beräknades sedan embryoscore för varje be- handling.
2.3.3 Skapande av nya variabler
Flera komposita variabler skapades för att visa samspelet mellan olika faktorer. Detta gjordes genom att de ingående variablerna delades in i flera grupper. Dessa jämfördes sedan med varandra i en korstabell. De kombinationer med liknande andel födda barn lades sedan ihop.
De kategorivariabler, vars ingående kategorier inte hade någon direkt biologisk samhö- righet, delades upp så att varje kategori blev en egen variabel.
Vissa variabler som hade för få observationer lades ihop med liknande variabler med flera observationer för att få mer tillförlitliga analyser.
2.3.4 Modellen för fött barn
Alla variabler, utom de som använts för att skapa nya variabler, testades univariat i en logistisk regressionsmodell med utfall om kvinnan fött barn eller ej. De som fick ett univariat p-värde under 0.30 ansågs tillräckligt intressanta för att få genomgå ytterligare analyser. Av de övriga var det en variabel som bedömdes som särskilt intressant och därför också analyserades vidare.
De univariat signifikanta numeriska variablerna plottades i R mot utfallet fött barn, se avsnitt 2.3.1. Plottarna och till viss del frekvenstabellerna analyserades. De variabler som inte fick ett någorlunda linjärt samband med utfallsvariabeln omgrupperades om det var medicinskt försvarbart.
De kategoriska variablerna undersöktes i frekvenstabeller för att se om det fanns natur- liga medicinska samband och om kanske vissa kategorier kunde läggas ihop om andelen som fött barn var ungefär densamma i dessa eller om respektive grupper var mycket små.
De cirka 20 variabler som efter omkodningen hade univariat p-värde under 0.10 testades tillsammans i en logistisk regressionsmodell mot utfallet fött barn. De som då hade p- värde över 0.05 plockades bort en efter en tills bara signifikanta variabler fanns kvar.
Därefter testades om det fanns några signifikanta interaktioner.
Olika kodningar och olika uppsättningar av de komposita variablerna och deras ingåen- de variabler testades för att komma fram till den bästa modellen. Detta gjordes genom att för respektive modell undersöka ROC-kurvan och andelen rättklassificerade observa- tioner.
13
3 Resultat
3.1 Embryoscoremodellen
De fem variabler som blev signifikanta var antal äggceller, absolutbelopp av (antal äggceller – 4), likhet mellan äggceller, antal kärnor per äggcell samt fragmentering av äggceller, se tabell 3.1. Flera av variablerna är omkodade på något sätt, se bilaga 2 för detaljer.
Parameter p-värde Estimat Oddskvot Intercept <.0001 -1.6607
Antal celler <.0001 0.2581 1.294 Abs(antal celler - 4) <.0001 -0.3303 0.719 Likhet mellan celler 0.0005 -0.2396 0.787 Antal kärnor per cell <.0001 0.1359 1.146 Fragmentering av celler 0.0007 -0.2378 0.788
Tabell 3.1 Embryoscoremodellen.
Embryoscore = 0.2581 · antal celler – 0.3303 · absolutbelopp av (antal celler – 4) – 0.2396 · likhet mellan celler + 0.1359 · kärnor per cell – 0.2378 · fragmentering av cel- ler.
För att veta vilken kombination av embryoscore som bör ingå i modellen för fött barn testades de var för sig i slutmodellen. De kombinationer som testades var varje embryo- score för sig, summa embryoscore samt bästa embryoscore. Precis som i en tidigare stu- die [2] blev modellen bäst om summa embryoscore användes.
Eftersom denna modell inte har tagit hänsyn till korrelationen mellan behandlingarna kan man inte helt lita på p-värdena, men det räcker för att kunna välja ut de variabler som ska få vara med i modellen. De korrekta p-värdena borde vara något högre men ef- tersom alla variabler i modellen är högst signifikanta har det ingen större betydelse.
3.2 Komposita och omkodade variabler
För att avspegla äggstockarnas känslighet skapades en komposit variabel med antal ägg som erhållits i förhållande till given dos av follikelstimulerande hormon (FSH). Variab- lerna total FSH-dos och antal ägg delades in i tre grupper vardera. Av de totalt nio kombinationerna bildades fem grupper i den nya variabeln FSH kontra ägg.
Två andra komposita variabler skapades också: ålder kontra tidigare graviditeter samt tidigare behandlingar kontra födda barn efter tidigare behandlingar. Ålder kontra gra- viditet blev inte signifikant när den testades i en modell tillsammans med ålder mot ut- fallet fött barn.
14
Variabeln förekomst av vätskefylld äggledare eller myom delades upp i de tre inbördes kategorierna vätskefylld äggledare, myom samt endometrioma eftersom de egentligen inte hör ihop på något sätt.
Ursprungligen fanns olika variabler för om man genomgått en vanlig IVF-behandling eller om det rörde sig om en behandling med frysta embryon. Dessa lades i stället ihop till en gemensam variabel eftersom det egentligen inte skiljer så mycket mellan de olika behandlingstyperna.
Den variabel som univariat hade p-värde > 0.30 men ändå ansågs behöva ytterligare analyser av medicinskt intresse var kvinnans BMI men inte heller efter omgruppering blev den signifikant.
De flesta variabler som blev univariat signifikanta fick lägre p-värde efter omkodning- en. En variabel som delades in i grupper och på så sätt fick en mer linjär relation till ut- fallet var kvinnans ålder. I figur 3.1 har kvinnans ålder plottats mot logit P(fött barn), dels som kontinuerlig variabel, dels indelad i fem grupper.
Figur 3.1 Ålder respektive åldersgrupp plottade mot logit P(fött barn).
3.3 Modellen för fött barn
Den modell som fick störst andel rättklassificerade observationer innehöll de nio variab- lerna ålder, livmoderslemhinnans tjocklek, FSH kontra ägg, förekomst av myom, före- komst av vätskefylld äggledare, antal tidigare behandlingar, antal födda barn efter tidi- gare behandlingar, summa embryoscore samt tid mellan ägguttagning och sammanfö- ring, se tabell 3.2. De flesta av de ingående parametrarna har kodats om på något sätt, se bilaga 2.
15
Parameter p-värde Estimat Odds- kvot
95% konfidens- int. för oddskvot
Intercept 0.0164 -0.7906
Ålder <.0001 -0.3681 0.692 0.627 0.764
Livmoderslemhinnans tjocklek 0.0007 0.2227 1.249 1.099 1.420 FSH kontra ägg <.0001 -0.1848 0.831 0.781 0.885 Vätskefylld äggledare 0.0019 -1.2914 0.275 0.122 0.622
Myom 0.0413 -0.8027 0.448 0.207 0.969
Tidigare behandlingar 0.0008 -0.1617 0.851 0.774 0.935 Födda barn efter tidigare behandlingar <.0001 0.5936 1.810 1.364 2.403 Summa embryoscore <.0001 0.6044 1.830 1.620 2.068
Tid mellan ägguttagning och sammanföring 0.0018 -0.00239 0.998 0.996 0.999 Tabell 3.2 Modellen för fött barn.
Den predicerade sannolikheten att föda barn ges av
( )
ˆ ( )
1
g x g x
p e
= e
+ (se avsnitt 2.2.2), där g(x) = – 0.7906 – 0.3681 · ålder + 0.2227 · livmoderslemhinnans tjocklek – 0.1848 · FSH kontra ägg – 0.8027 · myom – 1.2914 · vätskefylld äggledare – 0.1617 · tidigare behandlingar + 0.5936 · födda barn efter tidigare behandlingar + 0.6044 · summa emb- ryoscore – 0.00239 · tid mellan ägguttagning och insemination.
Inga interaktioner blev signifikanta.
3.3.1 Grafer över ingående variabler
Graferna i figur 3.2-3.5 beskriver hur logit P(fött barn) ser ut för några av de ingående variablerna.
-2,0 -1,5 -1,0 -0,5 0,0
<1 1-1.75 1.75-2.2 >2.2 Summa embryoscore
logit P(fött barn)
Figur 3.2 Summa embryoscore (inde- lad i fyra grupper) mot logit P(fött barn).
-2,0 -1,5 -1,0 -0,5 0,0
0 1 2-3 4-12
Antal tidigare behandlingar
logit P(fött barn)
Figur 3.3 Tidigare behandlingar mot logit P(fött barn)
16
-2,0 -1,5 -1,0 -0,5 0,0
2-9 10-12 13-23
Livmoderslemhinnans tjocklek (mm)
logit P(fött barn)
-2,0 -1,5 -1,0 -0,5 0,0
1 2 3 4 5
FSH kontra ägg
logit P(fött barn)
Figur 3.4 Livmoderslemhinnans Figur 3.5 FSH kontra ägg tjocklek mot logit P(fött barn) mot logit P(fött barn).
3.3.2 Modellens rimlighet
ROC-kurvan för modellen för fött barn plottades, se figur 3.6. Den optimala brytpunk- ten blev 0.33466, vilket medförde att andelen rättklassificerade observationer blev 64.0 %, se tabell 3.3.
ˆp≥
Figur 3.6 ROC-kurvan för modellen för fött barn.
17
Predicerat Verkligt utfall (fött barn)
utfall Ja Nej Summa
Ja 618 786 1404
Nej 225 1176 1401
Summa 843 1962 2805 Sensitivitet = 73.3 %
Specificitet = 59.9 % Andel rättklassificerade = 64.0 % Tabell 3.3 Sensitivitet och specificitet
för modellen för fött barn
Det är alltså 73.3 % av de som föder barn i verkligheten som även prediceras föda barn av modellen, medan modellen rätt förutsäger 59.9 % av de som inte föder barn. Sam- mantaget lyckas modellen klassa 64.0 % rätt.
18
4 Diskussion
Många nya variabler blev signifikanta i modellen för fött barn jämfört med tidigare stu- diers [2, 3] modeller för graviditet. De nya variablerna är livmoderslemhinnans tjocklek, förekomst av myom, förekomst av vätskefylld äggledare, tid mellan ägguttagning och sammanföring samt fragmentering av celler i embryoscoremodellen. Dessutom har den tidigare variabeln behandling kontra graviditet ersatts av tidigare behandlingar och födda barn efter tidigare behandlingar. Den stora skillnaden mellan modellerna beror troligtvis på annorlunda kodning av variablerna kombinerat med att olika faktorer på- verkar olika mycket om en kvinna blir gravid eller om hon föder barn.
I båda modellerna är ålder, summa embryoscore samt FSH kontra ägg signifikanta. Att chansen att föda barn minskar drastiskt redan efter 35 års ålder är ett känt faktum. Känt är också att embryonas beskaffenhet starkt påverkar chanserna.
Att variabeln tid mellan ägguttagning och sammanföring är signifikant är särskilt intres- sant eftersom det är något läkarna själva kan styra över. Ju tidigare äggen och spermier- na sammanförs efter ägguttagningen desto större chans är det att kvinnan föder barn.
Embryovariabeln fragmentering av celler har länge ansetts vara en viktig faktor vid IVF-behandling. Att den nu kommer med i embryoscoremodellen bekräftar den teorin.
Detsamma gäller förekomst av myom och förekomst av vätskefylld äggledare som är kända negativa faktorer.
När en kvinna blir gravid är risken för missfall cirka 25 %. Orsaken till missfall är ofta att något är fel i fostrets arvsmassa. Detta sker slumpmässigt och är alltså inget man kan förutsäga med en klinisk modell. På grund av slumpens inverkan var det förväntade re- sultatet att modellen för fött barn skulle ge en sämre bild av verkligheten än gravidi- tetsmodellen [2, 3], men så är dock inte fallet. Graviditetsmodellen ger 64.1 % rättklas- sificerade observationer medan modellen för fött barn ger 64.0 %. Det är alltså i stort sett lika troligt för de båda modellerna att förutsäga rätt utgång av behandlingen. Men att förutsäga om en kvinna föder barn väger ju tyngre än att förutsäga om hon blir gra- vid.
Carl von Linné Kliniken har sedan 2003 använt graviditetsmodellen för att bestämma om ett eller två embryon ska återföras. Det kommer nu att testas om den nya modellen kan förbättra resultaten ytterligare: antingen som en helt ny modell eller genom att upp- datera graviditetsmodellen med de nya variablerna.
En vidareutveckling av denna studie är att testa samma variabler mot samma utfall men med data från enäggsåterföring. Tillgången till en modell för varje återföringssituation skulle bidra till mer tillförlitliga beslut om återföring bör ske med ett eller två embryon.
Av samma anledning vore det intressant att testa en ny modell med utfall tvillingfödsel givet fött barn.
19
Ordlista
BMI Body mass index = vikt2
längd
Embryo Befruktat ägg innehållande två eller flera äggceller Embryoscore Poäng för hur bra ett embryo är
Endometrioma Cysta till följd av endometrios
Endometrios Sjukdomstillstånd då livmoderslemhinnan befinner sig utan- för livmodern
Follikel Äggblåsa
FSH Follikelstimulerande hormon
GnRH Gonadotropinfrisättande hormon
ICSI Intracytoplasmatisk spermieinjektion. Som IVF fast spermi- erna injiceras en och en i varsitt ägg
IVF Provrörsbefruktning
Myom Svulst i livmodern
Polyp Stjälkförsedd utväxt på slemhinna
20
Referenser och källor
1. Garello, Cristina: Morphological evaluation of human embryos produced in vitro – which routinely used variables have the greatest impact on implantation potential?
Turins Universitet, 2003.
2. Tilly, Johanna: Prediktionsmodeller vid in vitro-fertilisering – ett diagnostiskt test, Uppsala Universitet, oktober 2003.
3. Pettersson, Helena: Prediktionsmodeller vid in vitro-fertilisering då ett embryo åter- förs, Uppsala Universitet, april 2004.
4. Hadziosmanovic, Nermin: Basal prediktionsmodell för graviditet vid in vitro- fertilisering, Uppsala Universitet, oktober 2004.
5. Hosmer, D & Lemeshow, S: Applied logistic regression, Wiley Interscience, 2000.
6. Carl von Linné Kliniken: Utredning och behandling av ofrivillig barnlöshet, revide- rad 2004, http://www.linne.se
7. Karolinska universitetssjukhuset: Tema Ofrivillig barnlöshet, reviderad 2004-09-20, http://www.karolinskauniversitetssjukhuset.se/templates/Page____35859.aspx 8. Infomedica: Ofrivillig barnlöshet, reviderad 2004-03-30,
http://www.infomedica.se/artikel.asp?CategoryID=11729 9. Abramsson, Leif: Manlig ofruktsamhet, reviderad januari 2001,
http://www.umu.se/medfak/forskning/popvet/Barnloshet_3Abramsson.pdf 10. Centralsjukhuset i Kristianstad: Missfall, reviderad 2002-12-03,
http://www.skane.se/templates/Page.aspx?id=7597
Samtliga internetkällor fanns tillgängliga på internet 2005-01-23.
21
Bilaga 1 – Ursprungliga och nyskapade variabler med univariat p-värde mot utfallet fött barn
Nr Variabel
Univariat p-värde
1 Kvinnans ålder <0.0001
2 Antal barn kvinnan fött tidigare 0.6821
3 Antal tidigare IVF-behandlingar <0.0001
4 Antal tidigare IVF-graviditeter 0.6375
5 Antal barn födda efter tidigare IVF-behandlingar 0.0373
6 Antal tidigare graviditeter 0.0798
7 Antal tidigare legala aborter 0.6954
8 Antal tidigare spontana aborter 0.4168
9 Antal tidigare graviditeter inom paret 0.6788
10 Antal barn inom paret 0.2322
11 Antal tidigare frysbehandlingar 0.0822
12 Antal tidigare graviditeter efter frysbehandlingar 0.2745 13 Antal barn födda efter tidigare frysbehandlingar 0.1895
14 Antal år av barnlöshet 0.0366
15 Orsak till barnlöshet 0.0987
16 Kvinnans rökstatus 0.1883
17 Mannens rökstatus 0.0228
18 Mannens snusstatus 0.4278
19 Kvinnans vikt 0.4604
20 Kvinnans längd 0.0205
21 Kvinnans BMI 0.6976
22 Total FSH-dos <0.0001
23 Antal dagar kvinnan injicerat FSH 0.0029
24 Daglig medeldos av FSH <0.0001
25 Typ av FSH-preparat 0.0663
26 Stimuleringstyp 0.8726
27 Var äggen odlas i inkubatorn 0.9275
28 Antal folliklar mellan 15 och 20 mm <0.0001
29 Antal folliklar över 20 mm 0.2214
30 Största follikeln 0.0092
31 Förekomst av fri vätska i buken vid ägguttagning 0.8722 32 Förekomst av vätskefylld äggledare, myom eller endometrioma <0.0001
33 Livmoderslemhinnan enligt ultraljud 0.0609
34 Stadieindelning av livmoderslemhinnan vid ägguttagning 0.0808
35 Tjockleken på livmoderslemhinnan 0.0021
36 Totalt antal ägg <0.0001
37 Antal spermier före preparering med percoll 0.3585 38 Antal spermier efter preparering med percoll 0.3838
22
Nr Variabel
Univariat p-värde
39 Färska eller frysta spermier 0.8852
40 Behandlingstyp 0.2729
41 ICSI-typ 0.9584
42 Tidpunkt för ägguttagning 0.0721
43 Tidpunkt för sammanföring av ägg och spermier 0.4429 44 Tid mellan ägguttagning och sammanföring av ägg och spermier 0.0151
45 Antal delade ägg <0.0001
46 Andel delade ägg 0.0006
47 Genomsnittlig fragmentering av alla ägg <0.0001
48 Antal embryon till frys <0.0001
49 Behandlande doktor 0.4797
50 Embryotyp 0.4933
51 Tidpunkt för återföring av embryona 0.5501
52 Antal äggceller hos embryo 1 <0.0001
53 Antal äggceller hos embryo 2 <0.0001
54 Fragmentering av äggcellerna hos embryo 1 <0.0001 55 Fragmentering av äggcellerna hos embryo 2 <0.0001 56 Likhet mellan äggcellerna hos embryo 1 <0.0001 57 Likhet mellan äggcellerna hos embryo 2 <0.0001 58 Symmetri av äggcellerna hos embryo 1 <0.0001 59 Symmetri av äggcellerna hos embryo 2 <0.0001
60 Antal kärnor hos embryo 1 <0.0001
61 Antal kärnor hos embryo 2 <0.0001
62 Antal födda barn
Nyskapade variabler 63 Fött barn
64 Poäng för antal kärnor per äggcell <0.0001
65 Absolutbeloppet av (antal äggceller – 4) <0.0001
66 Embryoscore för embryo 1 <0.0001
67 Embryoscore för embryo 2 <0.0001
68 Summan av embryoscore <0.0001
69 Tidigare antal IVF- och frysbehandlingar 0.0015 70 Antal graviditeter efter tidigare IVF- och frysbehandlingar 0.4529 71 Antal barn efter tidigare IVF- och frysbehandlingar 0.0180
72 FSH kontra ägg <0.0001
73 Behandling kontra fött barn <0.0001
74 Graviditet kontra ålder <0.0001
75 Förekomst av vätskefylld äggledare 0.0007
76 Förekomst av myom 0.0004
77 Förekomst av endometrioma 0.2264
23
Bilaga 2 – Kodning av signifikanta variabler med antal observationer och andel som fött barn
Antal
obs.
Antal äggceller
Grupp 2 2 584
Grupp 3 3 479
Grupp 4 4 4021
Grupp 5 5 433
Grupp 6 6-16 174
5691
Abs(antal celler - 4)
Grupp 0 0 4021
Grupp 1 1 912
Grupp 2 2 758
5691
Fragmentering av celler
Grupp 0 <10 % 4478
Grupp 1 10-25 % 962
Grupp 2 >25 % 247
5687
Likhet mellan celler
Grupp 0 Lika storlek 3920
Grupp 1 <50 % skillnad i storlek 1522 Grupp 2 >50 % skillnad i storlek 180
5622
Antal kärnor per cell
Grupp 0 <0.3 eller >1 695
Grupp 1 0.3-0.7 1128
Grupp 2 0.7-1 765
Grupp 3 1 3104
5692
Summa embryoscore
Kontinuerlig -2.674 - 2.2687 poäng 2805
Antal Andel som
obs. fött barn
Ålder
Grupp 1 20-35 år 1769 37 %
Grupp 2 36-37 år 398 27 %
Grupp 3 38-39 år 367 19 %
Grupp 4 40-41 år 218 13 %
Grupp 5 42-45 år 94 3 %
2846
24
Antal Andel som
obs. fött barn
Livmoderslemhinnans tjocklek
Grupp 1 2-9 mm 491 25 %
Grupp 2 10-12 mm 1471 30 %
Grupp 3 13-23 mm 884 33 %
2846
Total FSH-dos
Grupp 1 350-2035 enheter 1421 39 %
Grupp 2 2050-3000 enheter 723 28 %
Grupp 3 3025-8100 enheter 702 15 %
2846
Antal ägg
Grupp 1 0-7 765 23 %
Grupp 2 8-11 831 29 %
Grupp 3 12-33 1250 36 %
2846
FSH kontra ägg
Grupp 1 FSH 1, ägg 3 771 41 %
Grupp 2 FSH 1, ägg 2 414 38 %
Grupp 3 FSH 1, ägg 1; FSH 2, ägg 3 555 32 % Grupp 4 FSH 2, ägg 1; FSH 2, ägg 2 404 26 % Grupp 5 FSH 3, ägg 1; FSH 3, ägg 2; FSH 3, ägg 3 702 15 %
2846
Antal tidigare behandlingar
Grupp 1 0 1167 34 %
Grupp 2 1 691 27 %
Grupp 3 2-3 725 29 %
Grupp 4 4-12 263 25 %
2846
Antal födda barn efter tidigare behandlingar
Grupp 1 0 2504 29 %
Grupp 2 1-2 342 36 %
2846
Myom
Grupp 0 Ingen förekomst av myom 2769 31 %
Grupp 1 Förekomst av myom 77 10 %
2846
Vätskefylld äggledare
Grupp 0 Ingen förekomst av vätskefylld äggledare 2777 31 % Grupp 1 Förekomst av vätskefylld äggledare 69 10 %
2846
Tid mellan ägguttagning och sammanföring
Kontinuerlig 100-450 minuter 2846
25
