Prediktionsmodell för graviditet vid in vitrofertilisering

U.U.D.M. Project Report 2008:17 Prediktionsmodell för graviditet vid in vitrofertilisering med ett frys-tinat embryo Elin Södersten Examensarbete i matematisk statistik, 30 hp Handledare: Lars Berglund och Nermin Hadziosmanovic, UCR Jan Holte, Carl von Linné kliniken Examinator: Hans Garmo September 2008 Department of Mathematics Uppsala University

Sammanfattning Ofrivillig barnlöshet ar ett vanligt problem som drabbar ca 10-15 % av alla svenska par. Den vanligaste och mest framgångsrika metoden att behandla barnlöshet är IVF (In-Vitro Fertilisering). Metoden tillämpas bland annat på Carl von Linné Kliniken i Uppsala, där ca 30 % av behandlingarna leder till graviditet. Man har vid tidigare studier tagit fram prediktionsmodeller för graviditetschansen och tvillingrisken vid IVF med färska embryon. Dessa modeller används idag i en algoritm för att avgöra antalet embryon som är säkrast att återföra till kvinnans livmoder. Användandet av algoritmen har sänkt andelen tvillinggraviditeter markant, vilket är en stor fördel, då tvillinggraviditeter är en risk för barnen. Med denna studie vill man ta fram en motsvarande prediktionsmodell för IVF med ett frys-tinat embryo. Den slutgiltiga modellen innehåller faktorerna FSH kontra ägg (ovarialkänslighet), antal tidigare behandling kontra antal tidigare IVF graviditeter, intakt embryo vid tining, tid mellan tining och återföring till livmodern, blastomerförändring mellan tining och återföring till livmodern samt en interaktion mellan de två sistnämnda. Modellens C-statistika är 0,625, vilket tyvärr inte är så högt som man skulle vilja.

Tack/Förord Detta examensarbeta har utförts på Uppsala Kliniska Forskningscentrum (UCR) på uppdrag av Carl von Linné Kliniken. I tur och ordning vill jag tacka: Dag Jonsson på Matematiska institutionen som rekommenderade detta examensarbete till mig. Det är ett intressant ämne som passar väldigt bra till min utbildning. Mina handledare Lars Berglund och Nermin Hadziosmanovic, UCR och Jan Holte, Carl von Linné Kliniken. Jag har lärt mig mycket under det här året. Hans Garmo, min examinator på Matematiska institutionen. 2

Ordlista... 4 1 INLEDNING... 5 1.1 Ofrivillig barnlöshet... 5 1.1.1 Orsaker till ofrivillig barnlöshet... 5 1.1.2 Behandlingar... 6 1.1.3 Chansen att lyckas med en behandling... 6 1.2 Carl von Linné Kliniken... 7 1.3 Tidigare studier... 7 1.3.1 Ett eller två embryon åter?... 7 1.4 Syfte med denna studie... 8 2. MATERIAL OCH METOD... 9 2.1 Datamaterial... 9 2.2 Statistiska metoder... 9 2.2.2 Logistisk regression... 10 2.2.3 Estimering av modellen... 11 2.2.5 ROC-kurva... 11 2.2.6 Odds och oddskvot... 12 3. ANALYS OCH RESULTAT... 13 3.1 Univariata analyser... 13 3.1.1 Komposita variabler... 16 3.3 Frysmodellen... 17 3.4 Tiden från tining till återföring... 19 4. DISKUSSION... 20 5. REFERENSER... 21 3

Ordlista Blastomer Embryocell Embryo Befruktat ägg innehållande två eller flera äggceller Endometrioma Cysta till följd av endometrios Endometrios Sjukdomstillstånd då livmoderslemhinnan befinner sig utanför livmodern ET Embryotransfer, återföring av embryo till livmodern Follikel Äggblåsa FSH Follikel Stimulerande Hormon, stimulerar bland annat östrogenutsöndringen GnRH Gonadotropin Releasing Hormone, hormon som tillfälligt stänger av kroppens egen produktion av hormoner från hypofysen Hinnsäckar Antal embryon som syns vid ultraljudsundersökning under vecka 8 IVF In Vitro Fertilisering, provrörsbefruktning ICSI Intra Cytoplasmisk Spermieinjektion, mikroinjektion av en spermie in i ett ägg Klomifencitrat Preparat som lurar hypofysen att utsöndra mera FSH LH Liteiniserande hormon, framkallar ägglossning Myom Svulst i livmodern Nukleus Cellkärna Ovarium Äggstock OPU Ovum Pick Up, uttagning av ägg ur äggstockarna Ovulation Ägglossning PCO Polycystiska ovarier, äggstockar med många små omogna äggblåsor Polyp Stjälkförsedd utväxt på slemhinna 4

1 INLEDNING 1.1 Ofrivillig barnlöshet Ett par som försökt bli gravida utan att lyckas under ett års tid anses lida av ofrivillig barnlöshet. Det är svårt att uppskatta hur vanligt det är, enligt WHO rör det sig om 60-80 miljoner par i världen och ca 250 000 par i Sverige. En tredjedel av de par som lider av ofrivillig barnlöshet ses som helt infertila. Men denna siffra sjunker då behandlingsmetoderna blir allt bättre. Orsakerna till ofrivillig barnlöshet beror lika ofta på mannen som på kvinnan. Ibland kan det dock vara så att infertiliteten är oförklarlig, ca 30 % av fallen. 1.1.1 Orsaker till ofrivillig barnlöshet De vanligaste orsakerna till infertilitet hos kvinnor: Ålder efter 35 år minskar chansen till graviditet kraftigt. Skadade äggledare orsakas av bland annat inflammationer. Ägglossningsstörningar Endometrios livmoderslemhinnan befinner sig utanför livmodern. Muskelknutor i livmodern PCOS - polycystiskt ovariesyndrom, cystor på äggstockar och ev. utebliven ägglossning. Missfallsbenägenhet För män är den största anledningen till infertilitet nedsatt kvalitet eller kvantitet hos mannens spermier. Denna nedsatthet kan ha flera orsaker. Ärftliga kromosomrubbningar Testikel- eller bitestikelinflammation Dålig spermiebildning Antikroppar mot de egna spermierna Hormonrubbningar Erektions eller ejakulationsproblem Hinder i sädesledningarna 5

Orsaker som kan ge infertilitet hos både mannen och kvinnan är till exempel rökning och sexuellt överförda sjukdomar som gonorré och klamydia. 1.1.2 Behandlingar Innan man börjar behandla den ofrivilliga barnlösheten sker en utredning för att ta reda på de bakomliggande orsakerna samt för att kunna välja den bästa behandlingen för varje specifikt par. Vissa orsaker kan åtgärdas med enkel medicinering, medan andra kan kräva operationer. De vanligaste åtgärderna är stimulering av äggstockarna, provrörsbefruktning och insemination. Har någon av parterna så dålig ägg- eller spermieproduktion att de inte går att använda kan man använda donerade ägg respektive spermier. Det finns ca 17 kliniker och mottagningar runt om i landet som kan genomföra utredningar och behandlingar. Stimulering av äggstockarna med medicinering är en behandling för kvinnor med ägglossningsstörningar. Kvinnan tar hormonstimulerande preparatet och under den förmodade ägglossningen har paret samlag. Om behandlingen inte lyckas efter upprepade försök går man vidare till stimulering med andra preparat eller provrörsbefruktning. Insemination av spermier direkt in i livmodern görs oftast då mannens sperma är av dålig kvalitet eller om han lider av erektions eller ejakulationsproblem. Sperman prepareras och sprutas in i livmodern då kvinnan har ägglossning. Om orsaken till barnlösheten är okänd görs insemination i samband med stimulering av äggstockarna. IVF står för in vitro fertilisering, som betyder befruktning i glas, eller provrörsbefruktning. Detta är den vanligaste behandlingen mot barnlöshet. En IVF-behandling börjar med en hormonbehandling för kvinnan, för att stimulera ägg till mognad. Man vill att flera ägg, 5-15 stycken, skall mogna samtidigt så att man kan välja ut det, eller de, bästa vid återföringen. När äggen är mogna plockas de ut samtidigt som mannen lämnar sperma. Sperman prepareras innan äggen och sperman blandas i ett provrör. Är sperman av dålig kvalitet befruktas äggen med en mikroinjektion av en spermie per ägg (ICSI). Två dagar senare återförs ett eller två av de befruktade äggen till livmodern. De övriga embryon som är av tillräckligt god kvalitet fryses in för att kunna göra ytterligare IVF-behandlingar om den första misslyckades. Ett fryst embryo får förvaras i högst 5 år. 1.1.3 Chansen att lyckas med en behandling För ett helt friskt par är chansen att bli gravid på naturlig väg 15-25 % under en menscykel. Därav är det förklarigt att det kan ta lång tid innan man faktiskt blir gravid. Vid ägglossningsstimulering är chansen ungefär densamma. En insemination ger däremot en något lägre graviditetschans, 10-20 %. Chansen ökar dock drastiskt efter ett par behandlingar. 6

Den behandling som ger högst chans till graviditet är IVF. Sannolikheten att lyckas är 30-45 % per behandling under de första tre behandlingarna, men sedan sjunker den något. Chansen att bli gravid under de tre första behandlingarna blir 60-70 %. 1.2 Carl von Linné Kliniken Carl von Linné Kliniken i Uppsala är idag en av Nordens största fertilitetskliniker. Sedan starten 1990 har snart 5000 barn fötts som resultat av behandlingar vid kliniken (december 2007). Personalen på kliniken bedriver forskning och utvecklar kontinuerligt sin verksamhet. Andelen behandlingar som leder till graviditet är ca 5 procentenheter högre än genomsnittet för landets kliniker. 1.3 Tidigare studier I samarbete med Uppsala Kliniska Forskningscentrum (UCR) och Matematiska institutionen vid Uppsala Universitet har Carl von Linné Kliniken under de senaste åren utfört ett flertal studier [1-4]. Dessa har lett fram till prediktionsmodeller som ger säkrare prognoser för parens chanser att få barn, än vad som tidigare varit möjligt. Man har även kunnat ta bättre beslut om behandlingarna, så att inte bara graviditetsfrekvensen har ökat utan de barn som föds är oftare friska och normalviktiga. Tidigare var det vanligt att man återförde två embryon. Men då riskerna allmänt är större vid tvillinggraviditeter har socialstyrelsen gett direktiv om att man skall försöka minska andelen av dessa. Efter Johanna Tillys [1] studie kunde man sänka andelen tvillinggraviditeter vid IVF från 25 % till 1-2 %. Detta är samma andel som vid naturlig befruktning. 1.3.1 Ett eller två embryon åter? Som resultat av de tidigare studierna har kliniken en klar beslutsgång att följa innan en IVFbehandling. 7

Figur 1. Om sannolikheten att bli gravid vid transfer med ETT embryo är högre än en viss brytpunkt så återför man ett embryo till livmodern. Annars beräknar man sannolikheten att bli gravid vid transfer med TVÅ embryon, är den under en viss brytpunkt så återför man två embryos. Annars beräknar man sannolikheten att få TVILLINGAR vid transfer med två embryon, är den över en viss brytpunkt så återför man ett embryo, men är den under brytpunkten så återför man två embryon. 1.4 Syfte med denna studie I de tidigare studierna har man arbetat med datamaterial från IVF-behandlingar med färska embryon. Man vill även kunna ge paren en så säker prognos som möjligt då de genomgår en så kallad frystransfer, det vill säga återföring av frys-tinade embryon. Läkarna på kliniken vill även använda modellen som grund för beslut om ett eller två embryon bör återföras. På samma sätt som nu görs för färska embryon. I förlängningen är avsikten att kunna ge totalprognos för en ägguttagning, det vill säga chansen att lyckas med de färska och frysta embryon som blivit resultatet av en enda ägguttagning. Detta blir allt viktigare då återföringar med endast ett embryo ökar och fler embryon kan frysas in. 8

2. MATERIAL OCH METOD 2.1 Datamaterial Datamaterialet är hämtat från Carl von Linné kliniken. De använder sig av dataprogrammet File Maker Pro för sina behandlingsdata. Från detta program har data exporterats till SAS 9.1 (Statistical Analysis System), där de statistiska analyserna har utförts. Även R 2.5.1 har använts till viss del för att konstruera grafer. Datasetet som använts i denna studie inkluderar endast IVF och ICSI behandlingar med frysta embryon uttagna och återförda mellan 1999-01-01 och 2007-07-01. Två dataset exporterades till SAS. Det ena innehåller bakgrundsinformation om kvinnan, uttagning av äggen och den färska behandlingen om en sådan genomfördes. Det andra datasetet innehåller information om de frysbehandlingar som kvinnan genomgått. Dessa två dataset slogs sedan samman med hjälp av OPU-nummer. Nya data hämtades från kliniken ett antal gånger, då det upptäcktes att variabler saknades eller inte var kompletta. Även utfallsvariabeln graviditet behövde kompletteras för ett antal observationer. De observationer som inte kunde kompletteras raderades ur datamaterialet. Efter att de två ursprungliga dataseten slagits samman behölls endast de observationen som återförde ett embryo samt de som inte odlade vidare embryona i två dagar efter ägguttagningen. 1292 observationer kvarstod, men på grund av saknade eller felaktiga värden i vissa prediktorer så användes färre observationer i den slutgiltiga modellskattningen. För beskrivning av använda variabler se bilaga 1. 2.2 Statistiska metoder När sambandet mellan flera förklarande variabler och en utfallsvariabel, här graviditet, ska undersökas använder man sig av regressionsanalys. Eftersom utfallet graviditet är en dikotom variabel (kan anta två värden), och vi har fler än en förklarande variabel, så används multipel logistisk regression. För att se hur bra en modell är på att predicera ett dikotomt utfall så kan man använda en ROCkurva (Receiver Operating Characteristic) som plottar sensitiviteten mot 1-specificiteten (se avsnitt 2.2.3). 9

I SAS har procedurerna logistic och freq använts för att göra univariata analyser. Proceduren logistic utför en logistisk regression och freq gör frekvenstabeller och korstabeller. De variabler som har testats finns i bilaga 1. Några nya variabler har skapats ur de ursprungliga. Skillnader mellan embryovariabler vid olika tidpunkter har beräknats. Samt att förändringen av dessa embryovariabler och tiden har på olika sätt kombinerats i komposita variabler. Dessa nyskapade komposita variabler testades i korstabeller mot utfallet graviditet för att få fram en optimal gruppering. De olika grupperingarna testades sedan i en univariat logistisk regression modell därefter valdes den bästa. De variabler som univariat, mot utfallsvariabeln graviditet, fick ett p-värde större än 0.10 testades tillsammans i en logistisk regressionsmodell. 2.2.2 Logistisk regression När man har en dikotom utfallsvariabel och fler förklarande variabler, som i denna studie, används som standardmetod multipel logistisk regression. Utfallsvariabeln, y1 är här graviditet och kan anta värdet 0, ej gravid och 1, gravid. De förklarande variablerna beskrivs närmare i bilaga 1. Antag att vi har k oberoende variabler, x = (x 1, x 2,, x k ) och en dikotom utfallsvariabel, y. Låt π(x) = P(y = 1 x) vara den betingade sannolikheten att y=1 givet x. Funktionen som beskiver den logistiska regressionsmodellen ges av g x = ln π(x) 1 π(x) = β 0 + β 1 x 1 + β 2 x 2 + + β k x k, där β 0, β 1,, β k är konstanter. Den betingade sannolikheten för y=1 är eller eβ 0+β 1 x 1 +β 2 x 2 + +β k x k π x = 1 + e β 0+β 1 x 1 +β 2 x 2 + +β k x k π x = eg(x) 1 + e g(x). 10

2.2.3 Estimering av modellen För att anpassa modellen krävs att man skattar β = (β 0, β 1,, β k ). Antag att vi har ett stickprov på n observationer x i, y i, i = 1, 2,, n. β skattas med maximum likelihoodmetoden. Likelihoodfunktionen för stickprovet är n L β = π(x i ) y i 1 π(x i ) 1 y i. i=1 Funktionen logaritmeras och deriveras med avseende på β j, j = 0,1,, k. Derivatorna sätts till noll vilket leder till ekvationerna n y i π(x i ) 1 y i = 0 n oc x ij y i π(x i ) = 0 där j = 0, 1,, k. i=1 i=1 Lösningarna till dessa ekvationer, β = (β 0, β 1,, β k ), sätts in i den betingade sannolokhetsfunktionen. Vi får den estimerade modellen π x = eβ 0+β 1 x 1 +β 2 x 2 + +β k x k 1 + e β 0+β 1 x 1 +β 2 x 2 + +β k x k. 2.2.5 ROC-kurva När man har en predicerad sannolikhet för y=1, π x, inför man en brytpunkt som omvandlar sannolikheten till ett dikotomt utfall. Den optimala brytpunkten fås från ROC-kurvan, enligt nedan. För att se hur bra modellen är använder man sig av två mått, sensitiviteten och specificiteten. Sensitiviteten är andelen positivt predicerade utfall av de verkliga positiva observationerna och specificiteten är andelen negativt predicerade utfall av de verkliga negativa observationerna. sensitiviteten = a a + c specificiteten = d b + d Tabell 1. Predicerat utfall Verkligt utfall Positivt Negativt Positivt a b Negativt c d Summa a+c b+d 11

Andel rättklassificerade = a + d a + b + c + d En ROC kurva plottar sensitiviteten mot 1-specificiteten med varje observations prediktion, π x, som brytpunkt. Kurvan visar på hur bra modellen stämmer överens med verkligheten. I de fall då sensitiviteten och specificiteten är lika viktiga, som här, så får man den optimala brytpunkten där kurvan skiljer sig som mest från enhetslinjen, alltså när både sensitiviteten och specificiteten är som störst. Om man vill jämföra två olika modeller kan man göra det med hjälp av ett mått som kallas C- statistikan. C-statistikan är arean under ROC-kurvan. En högre C-statistika visar att modellen beskriver verkligheten bättre. 2.2.6 Odds och oddskvot För att jämföra hur variabler eller grupperna i en dikotom variabel förhåller sig till varandra använder man sig av odds och oddskvot (oddsratio). Om sannolikheten för att en händelse inträffar är p så är oddset för den händelsen: Odds = p 1 p Vill man jämföra sannolikheten att en händelse inträffar mellan två grupper, till exempel grupperna i en dikotom variabel, så använder man sig av oddskvoten: Oddskvot = p 1 1 p 1 p 2 1 p 2 Om oddskvoten är större än 1 är det troligare att händelsen inträffar i grupp 1 än i grupp 2. Vid ligistisk regression bli oddskvoten: Oddskvot = e β 12

3. ANALYS OCH RESULTAT 3.1 Univariata analyser Nedan ses tabeller för de faktorer som finns med i den slutgiltiga frysmodellen (se avsnitt 3.3). FSH kontra ägg är en komposit variabel, kodad ur total FSH-dos och antal ägg vid OPU. Tabell 2. Ovarialkänslighet. FSH kontra ägg n (% gravida) 1 803 (28 %) 2 324 (23 %) 3 149 (13 %) Totalt 1276 (25 %) Även behandling kontra graviditet är en komposit variabel. Kodad på liknande sätt som FSH kontra ägg fast ur antal tidigare IVF behandlingar och antal tidigare IVF graviditeter. Tabell 3. Andel tidigare lyckade behandlingar. Behandling n (% gravida) kontra graviditet 1 478 (29 %) 2 549 (25 %) 3 259 (19 %) Totalt 1286 (25 %) Om ett embryo har tappat en eller flera celler mellan infrysning och tining anses det ej vara intakt. Tabell 4. Intakt embryo vid tining. Intakt embryo vid n (% gravida) tining 0 (ej intakt) 383 (18 %) 1 (intakt) 893 (28 %) Totalt 1276 (25 %) 13

Tiden mellan tining och återföring till livmodern visade sig ha stor betydelse. Tabell 5. Grupperad tid mellan tining och återföring till livmodern. Tid tining till n (% gravida) återföring 1 (0-3 h) 309 (24 %) 2 (3-5 h) 388 (28 %) 3 (5-8 h) 455 (25 %) 4 (20-31 h) 124 (16 %) Totalt 1276 (25 %) Tabell 6. Förändring av antal celler mellan tining och återföring till livmodern. Blastomer- n (% gravida) förändring -1 7 (14 %) 0 1096 (25 %) 1 53 (38 %) 2 49 (16 %) 3 41 (20 %) 4 36 (22 %) Totalt 1273 (25 %) Några andra variabler som testades: Ålder anses vara en viktig prediktor för graviditet. Men i denna modell så slås åldervariabeln ut av den komposita variabeln FSH kontra ägg. I de äldsta åldersgrupperna är fördelningen av FSH kontra ägg olika för färsk- respektive frys-behandlingar. Tabell 7. FSH kontra ägg för åldersgrupp 7 Typ av behandling FSH kontra ägg 1 2 3 Totalt Färsk 18 (23 %) 21 (27 %) 40 (51 %) 79 Frys 13 (43 %) 7 (23 %) 10 (33 %) 30 14

Tabell 8. Kvinnans ålder vid ägguttagning Åldersgrupp n (% gravida) 1 ( 29) 175 (32 %) 2 (30-34) 514 (25 %) 3 (35) 111 (22 %) 4 (36-37) 205 (24 %) 5 (38-39) 149 (26 %) 6 (40-41) 92 (21 %) 7 ( 42) 30 (7 %) Totalt 1276 (25 %) Tabell 9. Antal cellkärnor vid återföring Nukleus n (% gravida) 0 9 (22 %) 1 14 (7 %) 2 108 (15 %) 3 276 (24 %) 4 722 (28 %) 5 131 (21 %) Totalt 1260 (25 %) Tabell 10. Antal överlevande embryon vid tining. Överlevande n (% gravida) 1 1085 (24 %) 2 161 (30 %) 3 31 (45 %) Totalt 1277 (25 %) Även tiden embryot var nedfruset beräknades och testades. Tabell 11. Antal år embryot var nedfruset. År i frysen n (% gravida) 0-1 944 (24 %) 1-2 136 (26 %) 2-5 196 (31 %) Totalt 1276 (25 %) 15

3.1.1 Komposita variabler Tiden mellan tiningstillfället och återföringen av embryot till livmodern beräknades i timmar. Redan här försvinner några observationer, då några av de beräknade tiderna var negativa eller väldigt mycket för höga (flera månader). Det beslutades att endast använda observationer där återföring av embryot skedde inom de två första dagarna. Förändringen av antalet blastomerer (embryoceller) mellan infrysnings- och tiningstillfället och mellan tiningstillfället och återföringen beräknades. Även den procentuella förändringen i det senare intervallet beräknades. Dessa två variabler, tiden och blastomerförändringen mellan tining och återföring, har ett nära samband. Ju längre tid desto fler celler borde embryot ha fått. Därför skapades två variabler som beskiver detta, blastomerförändringen per timme och den procentuella blastomerförändringen per timme. Tabell 12. Procenten visar på andel gravida i varje grupp. Blastomerförändringen Tiden (h) -1 0 1 2 3 4 Totalt 0-3 1 (0 %) 298 (23 %) 7 (43 %) 2 (0 %) - - 308 (24 %) 3-5 1 (0 %) 366 (28 %) 14 (43 %) 5 (20 %) 2 (0 %) - 388 (28 %) 5-8 4 (25 %) 412 (24 %) 23 (39 %) 12 (42 %) 4 (50 %) - 455 (25 %) 20-31 1 (0 %) 11 (18 %) 9 (22 %) 30 (7 %) 35 (17 %) 36 (22 %) 122 (16 %) Totalt 7 (14 %) 1096 (25 %) 53 (38 %) 49 (16 %) 41 (20 %) 36 (22 %) 1273 Tabellen ovan används som grund till olika komposita variabler som testades. En annan komposit variabel som var svår att få korrekt var antal tidigare behandlingar kontra antal tidigare graviditeter. Variabeln tros vara signifikant, därför var det viktigt att kunna testa den. I det ursprungliga datamaterialet finns det ett flertal variabler som beskriver antal tidigare behandlingar och antal tidigare graviditeter. Om alla dessa variabler var korrekta så skulle summeringen av till exempel antal färska behandlingar och antal frysbehandlingar bli lika med totala antalet behandlingar. Men när det kontrollerades märktes att så inte var fallet. Detta löstes genom att ett nytt dataset exporterades från kliniken där alla behandlingar kliniken någonsin utfört inkluderades. Datasetet sorterades efter person ID och antalet tidigare behandlingar och graviditeter summerades. Men informationen om behandlingar och graviditeter från andra kliniker gick inte att återskapa. På grund av att dessa var så felaktiga, information saknades ofta och några negativa observationer noterades, beslutades att dessa kan ignoreras. 16

Den nya komposita variabeln skapades sedan utifrån en trevägstabell. Varje skuggning i tabellen nedan bildade en grupp. Tabell 13. Tidigare Tidigare Behandlingar Graviditeter 0 1-2 3-4 5 Summa 0 4 0 % 545 25 % 119 19 % 25 16 % 693 24 % 1-302 176 115 593 Summa 4 0 % 30 % 847 27 % 27 % 295 24 % 19 % 140 19 % 27 % 1286 Antal cellkärnor per cell (ET_NU_BL_gr) är en komposit variabel som finns med i Tillys [1] embryoscore-modell. Tabell 14. Antal cellkärnor per cell vid återföring Kärncellsgrupp n (% gravida) -1 13 (8 %) 0 16 (19 %) 1 85 (19 %) 2 125 (27 %) 3 1021 (26 %) Totalt 1260 (25 %) 3.3 Frysmodellen Av de testade variablerna gav dessa den bästa estimerade modellen. Tabell 15. Den estimerade modellen, n=1267 Parameter Estimat P-värde Oddskvot CI för oddskvot Intercept -0.5411 0.0667 FSH kontra ägg -0.3878 0.0002 0.679 0.553-0.833 Behandling kontra graviditet -0.2423 0.0081 0.785 0.656-0.939 Intakt embryo vid tining 0.6321 <.0001 1.882 1.386-2.555 Tid tining-återföring -0.00914 0.9128 Blastomer förändring 0.8444 0.0443 Interaktion Tid*BL -0.2374 0.0358 17

C-statistika=0,625, Andel rättklassificerade=63%, Optimal brytpunkt för den predicerade modellen=0,28. Tabell 16. Predicerat utfall Verkligt utfall Positivt Negativt Summa Positivt 169 316 485 Negativt 149 633 782 Summa 318 949 1267 Ett annat val av brytpunkt än den optimala ovan skulle ge en annan tabell än tabell 16. Figur 2. ROC-kurva för den estimerade modellen. 18

En enklare modell utan embryovariabler: Tabell 17. Parameter Estimat P-värde Oddskvot CI för oddskvot Intercept -0.1251 0.5614 Behandling kontra graviditet -0.2423 0.0075 0.785 0.657-0.937 FSH kontra ägg -0.3739 0.0003 0.688 0.562-0.843 C-statistika=0,585, Andel rättklassificerade=50%, Optimal brytpunkt för modellen=0,25 3.4 Tiden från tining till återföring En intressant upptäckt som gjordes under arbetet med modellen var att tiden mellan tiningstillfället och återföringen av embryot till livmodern spelade väldigt stor roll för utfallet. Tidsvariabeln angav antalet timmar som man väntade med återföringen och den hade ett spann på 0 till 30 timmar med ett stort glapp mellan 7.5 till 21 timmar. Utifrån det kan man se att de som låg i spannet 0-7.5 timmar fick embryot återfört redan samma dag, medans de som låg i spannet 21-30 timmar fick embryot återfört en dag senare. En analys av den dikotoma variabeln visar på signifikant skillnad mellan de båda grupperna. I en univariat logistisk regression fick variabel ett p-värde= 0.0178. Tabell 18. Återföring samma dag Återföring en dag senare Gravid Ej gravid Totalt 299 26 % 20 16 % Totalt 319 25 % 853 74 % 104 84 % 957 75 % 1152 90.3 % 124 9.7 % 1276 100 % Det fanns även en viss skillnad mellan de som fick återföringen samma dag. Den bästa gruppen var de som väntade 3-5 timmar. De hade 28.3% graviditet. 19

4. DISKUSSION I en jämförelse med de modeller som finns framtagna för IVF med färska embryon, så var några förväntade faktorer inte signifikanta för IVF med frysta embryon. Dessa var embryovariabler som cellikhet (symmetri) och kärncellsgrupp (antal nukleus / antal blastomerer). Men framförallt så var det väldigt förvånande att kvinnans ålder inte var signifikant för modellen. Det är ju allmänt känt att åldern är en stark faktor vad gäller chansen att bli gravid. Åldern är också en oberoende signifikant faktor i modellerna för färska embryon. En tänkbar förklaring till denna skillnad skulle kunna vara att de patienter som får frysta embryon är en subgrupp med generellt högre fruktsamhet. De patienter som har ett dåligt svar på stimuleringen och sämre embryokvalitet får ej några embryon eller väldigt få infrysta. Detta gäller framför allt äldre patienter, där en stor majoritet ej får några infrysta embryon. De äldre patienter som finns med i frysmaterialet har därför bättre ovarialkänslighet. Detta gör att ålderseffekten blir mer uttalad för färska embryon än frysta. En annan skillnad mot modeller för färska embryon är tillkomsten av mer embryodynamiska variabler i frysmaterialet som ej finns i färskdatan. Sådana dynamiska variabler är till exempel den viktiga variabeln om embryot överlevt intakt eller tappat celler, samt tidsvariablerna. Om embryot delar sig vidare och i så fall hur snabbt visar sig vara viktigt. Dessa nya variabler kan alltså tänkas vara så starka att de bidrar till att slå ut ålderseffekterna. En upptäckt avseende dessa embryodynamiska variabler var att de patienter som väntar en dag mellan tining av embryot till återföringen hade sämre graviditetschans. En anledning till varför vissa patienter väntar en dag med återföringen är att de bor långt bort från kliniken. Läkarna vill vara säkra på att det finns ett bra embryo att återföra när patienterna kommer till dem, därför tas de ur frysen en dag i förväg. Möjligen är det så att ett frys-tinat embryo är känsligt för vidareodling och helt enkelt mår bäst i livmodern och bör återföras inom några timmar. Men det kan också vara så att denna grupp är negativt selekterad. För kvinnor som har misslyckats med IVF många gånger tidigare kan få vänta en dag för att se att embryot utvecklas ordentligt. En styrka med denna analys är att det saknas liknande analyser. Man vet allstå väldigt lite om vilka faktorer som påverkar graviditetschanserna vid IVF med fryst-tinade embryon. En svaghet är däremot att modellen har ett lågt C-statistika, det vill säga, den stämmer inte så väl överens med verkligheten som man skulle vilja. Å andra sidan ser man sällan mycket högre C-statistika i biologiska sammanhang. Modellen kommer nu att valideras med ett oberoende dataset, för att sedan kunna användas i en ny algoritm när man ska besluta hur många embryon man bör återföra till livmodern för största chans till graviditet. 20

5. REFERENSER [1] Tilly, Johanna: Prediktionsmodeller vid in vitro-fertilisering ett diagnostiskt test, Uppsala Universitet, oktober 2003. [2] Pettersson, Helena: Prediktionsmodeller vid in vitro-fertilisering då ett embryo återförs, Uppsala Universitet, april 2004. [3] Hadziosmanovic, Nermin: Basal prediktionsmodell för graviditet vid in vitro-fertilisering, Uppsala Universitet, oktober 2004. [4] Franzén, Felicia: Prediktionsmodell för fött barn vid provrörsbefruktning med återföring av två embryon, Uppsala Universitet, februari 2005 [5] Hosmer, D & Lemeshow, S: Applied logistic regression, Wiley Interscience, 2000. [6] Carl von Linné Kliniken, Uppsala http://www.linne.se/ 21

Bilaga 1. Variabler Variabel Typ Förklaring P-värde ET_BL_1 kont. Antal blastomerer vid återföring 0,1344 ET_NU_1 kont. Antal cellkärnor vid återföring 0,0287 ET_FR_1 kategorisk Poäng för fragmentering 0,2275 ET_SY_1 kategorisk Poäng för symmetri 0,9032 ET_EQ_1 kategorisk Poäng för likhet hos cellerna 0,2366 ET_thaw_fresh_BL1 kont. Antal blastomerer vid infrysning 0,361 ET_thaw_thawn_BL1 kont. Antal blastomerer vid tining 0,0036 ET_sum_thawn_Alive kont. Antal överlevande embryon 0,0049 ET_sum_thawn_Intact kont. Antal intakta embryon <0,0001 ET_sum_thawn_Thawn kont. Antal tinade embryon 0,4525 ET_sum_thawn_Intact_gr dikotom Intakt embryo <0,0001 OPU_age kont. Kvinnans ålder vid ägguttagning 0,0061 ET_age kont. Kvinnans ålder vit återföring 0,022 EM_PROB2_age_gr kategorisk Kvinnans ålder vid ägguttagning 0,0136 ET_age_gr kategorisk Kvinnans ålder vit återföring 0,0278 EM_PROB2_FSH_egg kategorisk FSH kontra ägg 0,0002 EM_PROB2_Treatpreg dikotom Behandlingar kontra graviditeter 0,9034 Skapade variabler Typ Förklaring P-värde BL_thaw_ET kont. Absoluta blastomerförändring 0,2632 BL_thaw_ET_proc kont. Blastomerförändring i procent 0,2767 BL_fresh_thaw kont. Bl.förändring frysning till tining 0,0004 ET_NU_BL_gr kategorisk Kärnor/celler 0,076 Thawn_alive kont. Överlevande/tinade 0,3625 Thawn_intact kont. Intakta/tinade 0,0062 Time_in_freezer kont. Tiden i fryen 0,0089 Time_thaw_ET_tot kont. Tid tinging till återföring 0,019 Time_gr_1 dikotom Gruppering; dag 1, dag 2 0,0178 Time_gr_2 kategorisk Gruppering; 4 grupper 0,2889 Time_BL_Thaw_ET kont. Blastomerförändring/tiden 0,1608 Time_BL_Thaw_ET_proc kont. % Blastomerförändring/tiden 0,2313 Treatpreg_ny kategorisk Behandlingar kontra graviditeter 0,0024 Treatpreg_OPU kategorisk grav./beh. per OPU 0,0633 Treatpreg_frys kategorisk grav./beh. Endast frysbehandlingar 0,0149

Tidsvariabler: ET_date* OPU_time_OPU FrET_date_freeze FrET_time_freeze FrET_thawed_date FrET_thawed_time ET_date* ET_time_ET * tagna från olika dataset Historik variabeler: Hist_wom_prev_thawprg_tot Hist_wom_prev_IVF_preg Hist_wom_prev_thaw_tot Hist_wom_prev_IVF Förklaring OPU datum OPU klockslag Infrysnings datum Infrysnings klockslag Tinings datum Tinings klockslag Återförings datum Återförings klockslag Antal tidigare graviditeter frys graviditeter färsk behandlingar frys behandlingar färsk Resultat variabler: Result_farsk Resultat från färskbehandlingen P=0,057 Result_number_children_born Antal födda barn Result_number_sacs Antal hinnsäckar Result_preg_test Resultat graviditats test; pos, neg Result_result_of_the_pregn Graviditets resultat; fött barn, missfall etc. Övriga variabler: OPU_id_number Uttagnings id nummer Treatment_id Behandlings id nummer Patient_id Patient id nummer Thaw_number Tinings nummer per OPU ET_ET_or_Freeze_day Dagar till infrysning (2-5) ET_Sum_ET_this_treatment Antal återförda embryon ET_type_IVF Typ av IVF (Frys/färsk) ET_type_of_embryos Typ av befruktning (IVF/ICSI)