Thérapie avec hormone de croissance en fécondation in vitro : une étude randomisée contrôlée
Bibliographic record
Abstract
Les protocoles de FIV sont constamment révisés pour augmenter les chances de grossesse. Des recherches effectuées chez les mammifères ont montré que l’hormone de croissance (GH) était importante pour le développement folliculaire. L’ajout de GH pourrait donc augmenter les taux de grossesse en FIV. L’étude clinique présentée dans ce mémoire est un essai randomisé contrôlé, incluant n= 528 participantes supposées normo-répondeuses recevant un protocole antagoniste de stimulation ovarienne à la clinique ovo de Montréal. Les patientes du groupe étude reçoivent 2.5mg/j de Saizen® dès le début de la stimulation et jusqu’au jour de la ponction ovarienne. L’objectif primaire est de déterminer si le taux de grossesses cliniques évolutives après transfert frais est plus élevé chez les femmes recevant la GH. Les objectifs secondaires sont les issues du cycle de stimulation et les issues de grossesse pour les transferts frais et congelés. Une analyse a été réalisée pour déterminer l’intérêt de la poursuite de l’étude dans le contexte actuel de la loi 20 qui implique une chute du recrutement. De juin 2014 à septembre 2016, sur les 212 patientes recrutées (105 groupe étude et 107 groupe contrôle), 96 patientes ont eu une ponction dans le groupe étude et 98 dans le groupe contrôle. Aucune différence significative entre les deux groupes n’a été retrouvée pour les taux de grossesses cliniques évolutives (33.33% groupe étude VS 40.28% groupe contrôle p=0.405). Le nombre moyen d’ovocytes ponctionnés était supérieur dans le groupe étude (11.57 VS 9.65 p=0.064) mais non significatif. On observe un nombre supérieur et statistiquement significatif de freeze all dans le groupe étude (15.63% VS 5.10% p =0.016). Tous types de transferts confondus, 101 transferts ont eu lieu dans chaque groupe et 21 naissances vivantes ont été observées dans le groupe contrôle pour 17 dans le groupe étude (p=0.471). En conclusion, l’analyse réalisée ne peut nous permettre de préconiser de prescrire de la GH en supplément d’un protocole antagoniste aux femmes normo-répondeuses. La poursuite du recrutement est nécessaire pour augmenter la puissance des résultats avant de pouvoir conclure sur l’utilisation de la GH en routine clinique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.034 | 0.034 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.005 | 0.005 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".