#ESHREjc report: seeing is believing! How time lapse imaging can improve IVF practice and take it to the future clinic
Notice bibliographique
Résumé
The January edition of ESHRE Journal Club discussed a paper from Barrie et al. (2021) where time-lapse imaging (TLI) was used to assess the optimal timing of fertilization check in 78 348 embryos cultured in standard conditions. TLI is a technology that enables embryologists in IVF clinics to observe important events/characteristics that could be missed during static assessment of embryo development (ESHRE working group on Time-lapse technology, 2020). The usefulness of TLI has been shown, for instance, in the identification of abnormal cleavage embryo divisions (Lagalla et al., 2017) and in the ranking of blastocysts for transfer upon image analysis using artificial intelligence (AI) algorithms (Tran et al., 2019). According to expert consensus, the ideal time to assess fertilization in the IVF lab is 17 ± 1 h post-insemination (hpi). In the discussed paper, Barrie et al. (2021), analysed a retrospective/multicentric data set (2011 to 2019) from 54 746 ICSI and 23 602 IVF-derived embryos using TLI. The authors concluded that, without the use of TLI and under the current expert consensus (17 ± 1 hpi), over 11% of fertilized oocytes would have been marked as unfertilized despite being usable embryos. The ESHRE Journal Club with 36 participants and experts, including Debbie Montjean and Marcos Meseguer, discussed the topic on Twitter with over 800k impressions generated over a 24-h period.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,123 | 0,061 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».