Aplicación actual de los modelos predictivos de respuesta ovárica

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Aplicación actual de los modelos predictivos de respuesta ovárica"

1 Aplicación actual de los modelos predictivos de respuesta ovárica Dra. Joana Peñarrubia Unidad de Reproducción Asistida. ICGON. Hospital Clínic. Barcelona

2 Modelos Predictivos de Respuesta Ovárica

4 One size fits all

5 Baja respuesta Hiperrespuesta Ascitis SHO Derrame pleural

6 por fin, teníamos algo

7 Marcadores de reserva ovárica La Marca A and Sunkara S. Hum Reprod Update 2014; 20:

8 AMH FSH Estradiol Inhibina B AFC

9 Magnusson A et al. Hum Reprod 2017; 32:811-19

10 Controlamos TODO el proceso de la FIV? Estimulación ovárica Recuperación de ovocitos Laboratorio FIV Transferencia embrionaria Implantación

11 Por qué predecir la respuesta ovárica?

12 La variabilidad es la ley de la vida. No hay dos caras iguales, no hay dos cuerpos iguales, no hay dos individuos que reaccionen por igual y se comporten de igual modo en condiciones fisiológicas o patológicas. Sir William Osler ( )

13 Medicina personalizada Proceso médico que separa a los pacientes en diferentes grupos, con decisiones médicas, intervenciones o productos adaptados a cada paciente en función de la predicción de su respuesta o su riesgo de enfermedad Paving the Way to Personalized Medicine: FDA, 2013

14 Estimulación ovárica: precisión N=176 3 ciclos igual protocolo de estimulación (fármaco y dosis) 25% Rombauts L et al. Fertil Steril 2015;104:884-90

15 Estimulación ovárica: exactitud ciclos: base de datos HFEA Sunkara SK et al. Hum Reprod 2011;26:

16 Suboptimal responders ciclos: base de datos HFEA ,3% (174,057 ciclos) 20-30% menos probabilidad de gestación que NR Díficil identificación (marcadores de reserva ovárica normales) Polizos NP et al. Hum Reprod 2015;30:2005-8

17 AFC: Sub-optimals responders 4019 ciclos FIV Sub-óptima: 1782 (44,3%) AUC ROC AFC: 0,475 Peralta S et al. ASRM 2017 (submitted)

18 Individualización de la estimulación ovárica: objetivos Personalización de la estimulación ovárica (protocolo, fármaco, dosis inicial). Reducción de las respuestas extremas (baja y alta repuesta) y subóptimas. Eliminación de las complicaciones iatrogénicas (SHO). Optimización de las tasas de recién nacido vivo. Cumplimiento de las expectativas de la paciente.

21 Oh my God!!

22 Revisión de los Modelos Predictivos de Respuesta Ovárica: análisis crítico

23 Fases del desarrollo de un Modelo Predictivo Fase 1: Derivación Fase 2: Validación Fase 3: Impacto clínico Identificación de predictores Validación interna: en el grupo de pacientes en el que se ha desarrollado el modelo (reproductibilidad) Mejora de las decisiones al aplicar el modelo Estimación de coeficientes de regresión: Modelo de regresión logística (algoritmo) Validación externa: en una población diferente (generalizabilidad) van Loendersloot L et al. J Adv Res 2014;5:

24 Fase 1: Derivación del modelo 1.1. Identificación de predictores: Variables escogidas por su capacidad predictiva. Número no excesivo (riesgo de sobreestimar la capacidad predictiva del modelo). Predictores de respuesta ovárica: edad BMI FSH LH Inhibina B AMH - AFC - Volumen ovárico -Test dinámicos Estimación del coeficiente de regresión: Coeficiente de regresión (modelo lineal): efecto cuantitativo de cada predictor. Análisis de regresión logística (modelo multivariado).

Fase 2: Validación del modelo (interna y externa) Discriminación: capacidad del modelo para distinguir pacientes con y sin el evento estudiado Curva ROC

25 Fase 2: Validación del modelo (interna y externa) Discriminación: capacidad del modelo para distinguir pacientes con y sin el evento estudiado Curva ROC Calibración: concordancia entre la probabilidad observada y la estimada por el modelo Prueba de bonanza de ajuste de Hosmer-Lemeshow Plot de calibración

Fase 3: Análisis del impacto clínico Si la aplicación del modelo predictivo mejora las decisiones clínicas, en términos de calidad o coste-efectividad.

26 Fase 3: Análisis del impacto clínico Si la aplicación del modelo predictivo mejora las decisiones clínicas, en términos de calidad o coste-efectividad. Comparación de los resultados en un estudio aleatorizado (decisión guiada por el modelo vs decisión convencional). Documento de manejo de decisiones terapéuticas (encuesta a profesionales) antes y después de ser expuestos al modelo predictivo.

27 Revisión de modelos predictivos de respuesta ovárica 8 Periodo Pubmed 66 publicaciones

28 Características del estudio > <100 Retrospectivo Prospectivo Prospectivo Retrospectivo < >1000 N Tipo 48 18

29 Protocolo de estimulación agnrh largo Antagonistas agnrh corto Varios FSHr FSHu HMG Coriofolitropina deltafsh Varios Varios deltafsh Coriofolitropina HMG FSHu FSHr Varios agnrh corto Antagonistas agnrh largo Análogo Gonadotrofina

30 Predicción de respuesta / Tipo de Modelo Predictivo Baja respuesta Hiperrespuesta Nº ovocitos Multivariado Simple

31 Calidad del Modelo Predictivo Derivación Validación interna Discriminación Calibración Sí No Validación externa Impacto clínico

32 Kleinrouwelwe CE et al. Am J Obstet Gynecol 2016;214:79-90

34 Crecimiento lineal vs exponencial

36 Polimorfismos del gen FSHR (SNPs) Asn680Ser (Ser Asp) Ala307Thr (Thr Ala) Casarini L et al. Rev Endocr Metab Disord 2011; Alviggi C et al. Reprod Biol Endocrinol 2012;10:9-18

38 BIG DATA

39 5 Vs of Big Data

40 Ejemplos de la aplicación de Big Data

41 Macedonia C et al. Obstet Gynecol 2017;129:249-64

43 Basada en SÍNTOMAS Medicina Predictiva Basada en PATRONES Basada en ALGORITMOS INTUITIVA Basada en la EVIDENCIA De PRECISION

44 Conclusiones Variabilidad inter-individual en la respuesta ovárica: necesidad de individualización (medicina personalizada). Modelos predictivos de respuesta ovárica: incompletos (validación externa e impacto clínico). No predicción de respuesta ovárica sub-óptima (más 40% de los ciclos). Futuro BRILLANTE!!

45 TIME

46 MUCHAS GRACIAS POR SU ATENCIÓN!!!

Documentos relacionados

Prevención primaria SHO. S. González Núñez

Prevención primaria SHO. S. González Núñez Hospital Universitari Sant Joan de Déu (Barcelona) SERVEI DE GINECOLOGIA I OBSTETRICIA S. González Núñez 1. Identificación de factores de riesgo conocidos para implementar estrategias preventivas específicas.