Prediktionsmodell för fött barn vid provrörsbefruktning med återföring av två embryon

Transkript

1 Prediktionsmodell för fött barn vid provrörsbefruktning 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

2

3 Sammanfattning Ofrivillig barnlöshet är ett relativt vanligt problem som drabbar ca % av alla svenska par. För att komma till bukt med detta genomgår många IVF-behandling, provrörsbefruktning, 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 spermier 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 IVFbehandlingar 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 bestående av dessa variabler, en så kallad embryoscoremodell. De variabler som blev signifikanta 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 behandlingar, 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.

4 Abstract Infertility is a more common problem than one might think, around % of all Swedish 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 adequate 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 uterus. 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, childbirth 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.

5 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 uppslag och medicinsk sakkunnighet.

6

7 Innehåll 1 Inledning Ofrivillig barnlöshet Orsaker till ofrivillig barnlöshet Behandlingsmetoder Stimulering av äggstockarna Insemination Provrörsbefruktning IVF Chansen att lyckas vid behandling Återföring av ett eller två embryon Carl von Linné Kliniken Syftet med denna studie Material och metod Datamaterial Statistisk metod Multipel logistisk regression Estimering av regressionsmodellen ROC-kurva Odds och oddskvot Arbetsmetod Datahantering Embryoscoremodellen Skapande av nya variabler Modellen för fött barn Resultat Embryoscoremodellen Komposita och omkodade variabler Modellen för fött barn Grafer över ingående variabler Modellens rimlighet Diskussion...19 Ordlista...20 Referenser och källor...21 Bilaga 1 Ursprungliga och nyskapade variabler...22 Bilaga 2 Kodning av signifikanta variabler...24

8 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 handlar om, men världshälsoorganisationen uppskattar att det rör sig om miljoner par i världen. Motsvarande siffra i Sverige är par. Om ett par från början vet att de inte kan få barn på naturlig väg kan de söka hjälp direkt, 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 behandlingstyp som lämpar sig bäst. Utredningen sker antingen på kvinnoklinik eller hos privatläkare. 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 kromosomrubbningar 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

9 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 infertiliteten. Ofta kombineras de olika metoderna Stimulering av äggstockarna Så kallad ovalutionsstimulering används om kvinnans ägglossning är oregelbunden eller utebliven. Det kan även användas för att effektivisera andra behandlingsmetoder. Behandlingen 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 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 Provrörsbefruktning IVF IVF, in vitro-fertilisering, är den vanligaste behandlingsmetoden vid ofrivillig barnlöshet och de flesta former av infertilitet går att behandla med IVF. Det första provrörsbarnet 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 cirka två veckor får kvinnan börja injicera hormonet FSH som stimulerar äggstockarna att bilda äggblåsor och ägg. Äggutvecklingen kontrolleras med ultraljud under den 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

10 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 direkt 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 några dagar väljs ett eller två av de befruktade äggen, embryona, ut och återförs till kvinnans 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 mannens 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 % per ägglossning. När ett infertilt par genomgår äggstocksstimulering på grund av uteblivna ägglossningar är sannolikheten ungefär densamma. Efter ett inseminationsförsök blir % gravida, medan upp till % lyckas om man genomgår flera behandlingar. 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 ungefär 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 tvillingfödslar 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. Sedan 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

11 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 kvinnas 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 Kliniken [1, 2, 3, 4] då i stället chansen att bli gravid har analyserats. 9

12 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 beskriver 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 variabler, prediktorer, används ofta regressionsmetoder. Om den beroende variabeln endast kan anta två värden kallas den dikotom och då är standardmetoden en logistisk regressionsmodell Multipel logistisk regression Om man har en dikotom utfallsvariabel och flera prediktorer kallas det multipel logistisk regression och det är den metoden som kommer att användas i denna studie. Antag att vi har k oberoende variabler, x' = (x 1, x 2,, x k ), och en dikotom utfallsvariabel, 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: π ( x) g( x) = ln = β0 + β1x1+ β2x βkxk, där β0, β1,... β k är konstanter. 1 π ( x) g ( x) e Således blir den betingade sannolikheten: π ( x ) = g ( ) 1 + x e Estimering av regressionsmodellen Antag att vi har ett stickprov med n observationer (x i, y i ), i = 1, 2,, n. För att kunna anpassa modellen behöver vi skatta β' = (β 0, β 1,, β k ). Detta görs med maximum likelihoodmetoden vars funktion har utseendet: n i= 1 [ π ] 1 yi L( β ) = π( x ) 1 ( x ) i Funktionen logaritmeras och deriveras med avseende på β j, j = 0, 1,, k. Derivatorna sätts till 0 vilket leder till uttrycken: n [ ( )] 1 yi yi π xi = 0 och xij [ yi π xi ] i= 1 n i= 1 i yi ( ) = 0, j = 0, 1,, k 10

13 Låt lösningen till dessa ekvationer vara ˆβ som fås med någon iterativ metod. Nu kan vi g ( x) e beräkna de predicerade sannolikheterna genom att i ekvationen π ( x ) = ersätta g ( ) 1 + x e β med ˆβ ˆ β0+ ˆ β1x1+ ˆ β2x ˆ βkxk e. Vi får alltså: ˆ( π x ) = ˆ β ˆ ˆ ˆ 0+ β1x1+ β2x βkxk 1 + e 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 ), i = 1, 2,, n. 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 i ) som ligger under brytpunkten bedöms som negativa medan de som ligger över bedöms som positiva. Den andel sant positiva som modellen klassar som positiva kallas sensitiviteten, medan specificiteten är den andel sant negativa som modellen klassar som negativa givet en viss brytpunkt: a d Sensitivitet = Specificitet = a + c b + d a + d Andel rättklassificerade observationer = 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 prediktion, ˆ( π x i ), som brytpunkt. Den optimala brytpunkten fås där kurvan skiljer sig som mest från enhetslinjen, där både sensitiviteten och specificiteten är som störst. Med denna brytpunkt erhålls alltså den högsta andelen rättklassificerade observationer 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 oddset för den händelsen av: p Odds = 1 p Om man i stället vill jämföra sannolikheten att en händelse inträffar i två olika grupper används oddskvoten (odds ratio): 11

14 p1 p2 OR = 1 p1 1 p2 Om oddskvoten är större än 1 är det således troligare att händelsen inträffar i grupp 1 än i grupp 2. g1 ( x) g2 ( x) e e Vid logistisk regression har vi att p 1 = π 1 ( x ) = och p g1 ( ) 1 + x 2 = π 2 ( x ) =. Då g2 ( ) e 1 + x e g1 ( x) e h( x) blir oddskvoten: OR = = e där h( x) = g1( x) g2( x ). g2 ( x) e Säg att vi har en förklarande variabel, X, indelad i grupperna a, b och c, och en utfallsvariabel 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 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 p plotta logit P(fött barn) = ln. Detta gjordes mot respektive förklarande variabel 1 p tillsammans med tillhörande konfidensintervall baserade på skattningarna från modellen. Plottarna visar sambandet mellan variablerna och idealiskt ska det vara linjärt. För att uppnå detta kan man behöva koda om den förklarande variabeln Embryoscoremodellen För varje behandling finns fem variabler för de två embryona. Dessa är uppbyggda enligt en poängskala som togs fram i en tidigare studie [1]. Men i stället för att ha flera variabler 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 absolutbeloppet av (antal celler 4). De sex variablerna plottades mot utfallet fött barn i R, se avsnitt 2.3.1, och frekvenstabellerna undersöktes. För att få en linjär relation till utfallet behövde vissa variabler kodas om. 12

15 För att veta exakt hur bra de två embryona var användes till embryoscoremodellen utfallet 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 (pvärde < 0.05). Från embryoscoremodellen beräknades sedan embryoscore för varje behandling 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 samhörighet, 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 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 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 naturliga 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 ingående variabler testades för att komma fram till den bästa modellen. Detta gjordes genom att för respektive modell undersöka ROC-kurvan och andelen rättklassificerade observationer. 13

16 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 < Antal celler < Abs(antal celler - 4) < Likhet mellan celler Antal kärnor per cell < Fragmentering av celler Tabell 3.1 Embryoscoremodellen. Embryoscore = antal celler absolutbelopp av (antal celler 4) likhet mellan celler kärnor per cell fragmentering av celler. 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 embryoscore för sig, summa embryoscore samt bästa embryoscore. Precis som i en tidigare studie [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 eftersom 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). Variablerna 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 graviditet blev inte signifikant när den testades i en modell tillsammans med ålder mot utfallet fött barn. 14

17 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 omkodningen. En variabel som delades in i grupper och på så sätt fick en mer linjär relation till utfallet 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 variablerna ålder, livmoderslemhinnans tjocklek, FSH kontra ägg, förekomst av myom, förekomst av vätskefylld äggledare, antal tidigare behandlingar, antal födda barn efter tidigare behandlingar, summa embryoscore samt tid mellan ägguttagning och sammanföring, se tabell 3.2. De flesta av de ingående parametrarna har kodats om på något sätt, se bilaga 2. 15

18 Parameter p-värde Estimat Oddskvoint. för oddskvot 95% konfidens- Intercept Ålder < Livmoderslemhinnans tjocklek FSH kontra ägg < Vätskefylld äggledare Myom Tidigare behandlingar Födda barn efter tidigare behandlingar < Summa embryoscore < Tid mellan ägguttagning och sammanföring Tabell 3.2 Modellen för fött barn. g( x) e Den predicerade sannolikheten att föda barn ges av pˆ = (se avsnitt 2.2.2), där g( x) 1 + e g(x) = ålder livmoderslemhinnans tjocklek FSH kontra ägg myom vätskefylld äggledare tidigare behandlingar födda barn efter tidigare behandlingar summa embryoscore tid mellan ägguttagning och insemination. Inga interaktioner blev signifikanta Grafer över ingående variabler Graferna i figur beskriver hur logit P(fött barn) ser ut för några av de ingående variablerna. 0,0 0,0 logit P(fött barn) -0,5-1,0-1,5 logit P(fött barn) -0,5-1,0-1,5-2,0 < >2.2-2, Summa embryoscore Antal tidigare behandlingar Figur 3.2 Summa embryoscore (indelad i fyra grupper) mot logit P(fött barn). Figur 3.3 Tidigare behandlingar mot logit P(fött barn) 16

19 0,0 0,0 logit P(fött barn) -0,5-1,0-1,5 logit P(fött barn) -0,5-1,0-1,5-2, , Livmoderslemhinnans tjocklek (mm) FSH kontra ägg Figur 3.4 Livmoderslemhinnans tjocklek mot logit P(fött barn) Figur 3.5 FSH kontra ägg mot logit P(fött barn) Modellens rimlighet ROC-kurvan för modellen för fött barn plottades, se figur 3.6. Den optimala brytpunkten blev ˆp , vilket medförde att andelen rättklassificerade observationer blev 64.0 %, se tabell 3.3. Figur 3.6 ROC-kurvan för modellen för fött barn. 17

20 Predicerat Verkligt utfall (fött barn) utfall Ja Nej Summa Ja Nej Summa 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. Sammantaget lyckas modellen klassa 64.0 % rätt. 18

21 4 Diskussion Många nya variabler blev signifikanta i modellen för fött barn jämfört med tidigare studiers [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 påverkar 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 intressant eftersom det är något läkarna själva kan styra över. Ju tidigare äggen och spermierna 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 resultatet att modellen för fött barn skulle ge en sämre bild av verkligheten än graviditetsmodellen [2, 3], men så är dock inte fallet. Graviditetsmodellen ger 64.1 % rättklassificerade 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 gravid. 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 uppdatera 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

22 Ordlista BMI vikt Body mass index = 2 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 utanför livmodern Follikel Äggblåsa FSH Follikelstimulerande hormon GnRH Gonadotropinfrisättande hormon ICSI Intracytoplasmatisk spermieinjektion. Som IVF fast spermierna injiceras en och en i varsitt ägg IVF Provrörsbefruktning Myom Svulst i livmodern Polyp Stjälkförsedd utväxt på slemhinna 20

23 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, Tilly, Johanna: Prediktionsmodeller vid in vitro-fertilisering ett diagnostiskt test, Uppsala Universitet, oktober Pettersson, Helena: Prediktionsmodeller vid in vitro-fertilisering då ett embryo återförs, Uppsala Universitet, april Hadziosmanovic, Nermin: Basal prediktionsmodell för graviditet vid in vitrofertilisering, Uppsala Universitet, oktober Hosmer, D & Lemeshow, S: Applied logistic regression, Wiley Interscience, Carl von Linné Kliniken: Utredning och behandling av ofrivillig barnlöshet, reviderad 2004, 7. Karolinska universitetssjukhuset: Tema Ofrivillig barnlöshet, reviderad , aspx 8. Infomedica: Ofrivillig barnlöshet, reviderad , 9. Abramsson, Leif: Manlig ofruktsamhet, reviderad januari 2001, Centralsjukhuset i Kristianstad: Missfall, reviderad , Samtliga internetkällor fanns tillgängliga på internet

24 Bilaga 1 Ursprungliga och nyskapade variabler med univariat p-värde mot utfallet fött barn Nr Variabel Univariat p-värde 1 Kvinnans ålder < Antal barn kvinnan fött tidigare Antal tidigare IVF-behandlingar < Antal tidigare IVF-graviditeter Antal barn födda efter tidigare IVF-behandlingar Antal tidigare graviditeter Antal tidigare legala aborter Antal tidigare spontana aborter Antal tidigare graviditeter inom paret Antal barn inom paret Antal tidigare frysbehandlingar Antal tidigare graviditeter efter frysbehandlingar Antal barn födda efter tidigare frysbehandlingar Antal år av barnlöshet Orsak till barnlöshet Kvinnans rökstatus Mannens rökstatus Mannens snusstatus Kvinnans vikt Kvinnans längd Kvinnans BMI Total FSH-dos < Antal dagar kvinnan injicerat FSH Daglig medeldos av FSH < Typ av FSH-preparat Stimuleringstyp Var äggen odlas i inkubatorn Antal folliklar mellan 15 och 20 mm < Antal folliklar över 20 mm Största follikeln Förekomst av fri vätska i buken vid ägguttagning Förekomst av vätskefylld äggledare, myom eller endometrioma < Livmoderslemhinnan enligt ultraljud Stadieindelning av livmoderslemhinnan vid ägguttagning Tjockleken på livmoderslemhinnan Totalt antal ägg < Antal spermier före preparering med percoll Antal spermier efter preparering med percoll

25 Nr Variabel Univariat p-värde 39 Färska eller frysta spermier Behandlingstyp ICSI-typ Tidpunkt för ägguttagning Tidpunkt för sammanföring av ägg och spermier Tid mellan ägguttagning och sammanföring av ägg och spermier Antal delade ägg < Andel delade ägg Genomsnittlig fragmentering av alla ägg < Antal embryon till frys < Behandlande doktor Embryotyp Tidpunkt för återföring av embryona Antal äggceller hos embryo 1 < Antal äggceller hos embryo 2 < Fragmentering av äggcellerna hos embryo 1 < Fragmentering av äggcellerna hos embryo 2 < Likhet mellan äggcellerna hos embryo 1 < Likhet mellan äggcellerna hos embryo 2 < Symmetri av äggcellerna hos embryo 1 < Symmetri av äggcellerna hos embryo 2 < Antal kärnor hos embryo 1 < Antal kärnor hos embryo 2 < Antal födda barn Nyskapade variabler 63 Fött barn 64 Poäng för antal kärnor per äggcell < Absolutbeloppet av (antal äggceller 4) < Embryoscore för embryo 1 < Embryoscore för embryo 2 < Summan av embryoscore < Tidigare antal IVF- och frysbehandlingar Antal graviditeter efter tidigare IVF- och frysbehandlingar Antal barn efter tidigare IVF- och frysbehandlingar FSH kontra ägg < Behandling kontra fött barn < Graviditet kontra ålder < Förekomst av vätskefylld äggledare Förekomst av myom Förekomst av endometrioma

26 Bilaga 2 Kodning av signifikanta variabler med antal observationer och andel som fött barn Antal obs. Antal äggceller Grupp Grupp Grupp Grupp Grupp Abs(antal celler - 4) Grupp Grupp Grupp Fragmentering av celler Grupp 0 <10 % 4478 Grupp % 962 Grupp 2 >25 % Likhet mellan celler Grupp 0 Lika storlek 3920 Grupp 1 <50 % skillnad i storlek 1522 Grupp 2 >50 % skillnad i storlek Antal kärnor per cell Grupp 0 <0.3 eller >1 695 Grupp Grupp Grupp Summa embryoscore Kontinuerlig poäng 2805 Antal Andel som obs. fött barn Ålder Grupp år % Grupp år % Grupp år % Grupp år % Grupp år 94 3 %

27 Antal Andel som obs. fött barn Livmoderslemhinnans tjocklek Grupp mm % Grupp mm % Grupp mm % 2846 Total FSH-dos Grupp enheter % Grupp enheter % Grupp enheter % 2846 Antal ägg Grupp % Grupp % Grupp % 2846 FSH kontra ägg Grupp 1 FSH 1, ägg % Grupp 2 FSH 1, ägg % Grupp 3 FSH 1, ägg 1; FSH 2, ägg % Grupp 4 FSH 2, ägg 1; FSH 2, ägg % Grupp 5 FSH 3, ägg 1; FSH 3, ägg 2; FSH 3, ägg % 2846 Antal tidigare behandlingar Grupp % Grupp % Grupp % Grupp % 2846 Antal födda barn efter tidigare behandlingar Grupp % Grupp % 2846 Myom Grupp 0 Ingen förekomst av myom % Grupp 1 Förekomst av myom % 2846 Vätskefylld äggledare Grupp 0 Ingen förekomst av vätskefylld äggledare % Grupp 1 Förekomst av vätskefylld äggledare % 2846 Tid mellan ägguttagning och sammanföring Kontinuerlig minuter