Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación...
Transcript of Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación...
![Page 1: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/1.jpg)
Dra. Joana Peñarrubia Unidad de Reproducción Asistida.
ICGON. Hospital Clínic. Barcelona
Aplicación actual de los modelos predictivos de
respuesta ovárica
![Page 2: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/2.jpg)
Modelos Predictivos de Respuesta Ovárica
![Page 3: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/3.jpg)
![Page 4: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/4.jpg)
One size fits all
![Page 5: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/5.jpg)
Baja respuesta Hiperrespuesta
SHO Ascitis Derrame pleural
![Page 6: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/6.jpg)
…por fin, teníamos algo
![Page 7: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/7.jpg)
La Marca A and Sunkara S. Hum Reprod Update 2014; 20:124-140
Marcadores de reserva ovárica
![Page 8: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/8.jpg)
AMH
FSH
Estradiol Inhibina B
AFC
![Page 9: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/9.jpg)
Magnusson A et al. Hum Reprod 2017; 32:811-19
![Page 10: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/10.jpg)
Estimulación ovárica
Recuperación de ovocitos
Laboratorio FIV
Transferencia embrionaria
Implantación
¿Controlamos TODO el proceso de la FIV?
![Page 11: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/11.jpg)
¿Por qué predecir la respuesta ovárica?
![Page 12: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/12.jpg)
“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 (1849-1919)
![Page 13: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/13.jpg)
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
![Page 14: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/14.jpg)
Estimulación ovárica: precisión
Rombauts L et al. Fertil Steril 2015;104:884-90
N=176
3 ciclos –igual protocolo de estimulación (fármaco y dosis)
25%
![Page 15: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/15.jpg)
Estimulación ovárica: exactitud
Sunkara SK et al. Hum Reprod 2011;26: 1768-74
400.135 ciclos: base de datos HFEA
1991-2010
10-14
![Page 16: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/16.jpg)
Polizos NP et al. Hum Reprod 2015;30:2005-8
4-9
400.135 ciclos: base de datos HFEA
1991-2010
• 43,3% (174,057 ciclos)
• 20-30% menos probabilidad de
gestación que NR
• Díficil identificación (marcadores
de reserva ovárica normales)
Suboptimal responders
![Page 17: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/17.jpg)
AFC: Sub-optimals responders
• 4019 ciclos FIV
• Sub-óptima: 1782 (44,3%)
• AUC ROC AFC: 0,475
Peralta S et al. ASRM 2017 (submitted)
![Page 18: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/18.jpg)
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 sub-óptimas.
• Eliminación de las complicaciones iatrogénicas (SHO).
• Optimización de las tasas de recién nacido vivo.
• Cumplimiento de las expectativas de la paciente.
![Page 19: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/19.jpg)
![Page 20: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/20.jpg)
www.fivethirtyeight.com
![Page 21: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/21.jpg)
Oh my God!!
![Page 22: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/22.jpg)
Revisión de los Modelos Predictivos de Respuesta Ovárica: análisis crítico
![Page 23: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/23.jpg)
Fases del desarrollo de un Modelo Predictivo
Fase 1:
Derivación
Identificación de predictores
Estimación de coeficientes de
regresión: Modelo de regresión logística
(algoritmo)
Fase 2:
Validación
Validación interna: en el grupo de pacientes
en el que se ha desarrollado el modelo
(reproductibilidad)
Validación externa: en una población diferente
(generalizabilidad)
Fase 3:
Impacto clínico
Mejora de las decisiones al
aplicar el modelo
van Loendersloot L et al. J Adv Res 2014;5:295-301
![Page 24: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/24.jpg)
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.
1.2. Estimación del coeficiente de regresión:
• Coeficiente de regresión (modelo lineal): efecto cuantitativo de cada predictor.
• Análisis de regresión logística (modelo multivariado).
![Page 25: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/25.jpg)
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
![Page 26: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/26.jpg)
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.
![Page 27: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/27.jpg)
Revisión de modelos predictivos de respuesta ovárica
•Periodo 2000-2017
•Pubmed
•66 publicaciones
0
1
2
3
4
5
6
7
8
![Page 28: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/28.jpg)
0 10 20 30 40 50 60
Prospectivo
Retrospectivo
<100
100-200
200-500
500-800
800-1000
>1000
Prospectivo Retrospectivo <100 100-200 200-500 500-800 800-1000 >1000
N 12 23 11 7 3 10
Tipo 48 18
Características del estudio
![Page 29: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/29.jpg)
0 10 20 30 40 50 60
Varios
deltaFSH
Coriofolitropina
HMG
FSHu
FSHr
Varios
aGnRH corto
Antagonistas
aGnRH largo
Varios deltaFSH Coriofolitropina HMG FSHu FSHr Varios aGnRH corto Antagonistas aGnRH largo
Análogo 7 2 9 48
Gonadotrofina 18 1 3 4 6 34
Protocolo de estimulación
![Page 30: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/30.jpg)
Predicción de respuesta / Tipo de Modelo Predictivo
0 5 10 15 20 25 30 35 40
Simple
Multivariado
Nº ovocitos
Hiperrespuesta
Baja respuesta
![Page 31: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/31.jpg)
Calidad del Modelo Predictivo
0 10 20 30 40 50 60 70
Impacto clínico
Validación externa
Calibración
Discriminación
Validación interna
Derivación
Sí
No
![Page 32: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/32.jpg)
Kleinrouwelwe CE et al. Am J Obstet Gynecol 2016;214:79-90
![Page 33: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/33.jpg)
![Page 34: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/34.jpg)
Crecimiento lineal vs exponencial
![Page 35: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/35.jpg)
https://www.genome.gov/sequencingcost
![Page 36: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/36.jpg)
Polimorfismos del gen FSHR (SNPs)
Asn680Ser (Ser Asp)
Ala307Thr (Thr Ala)
Casarini L et al. Rev Endocr Metab Disord 2011;12-303-21
Alviggi C et al. Reprod Biol Endocrinol 2012;10:9-18
![Page 37: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/37.jpg)
![Page 38: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/38.jpg)
BIG DATA
![Page 39: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/39.jpg)
5 Vs of Big Data
![Page 40: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/40.jpg)
Ejemplos de la aplicación de Big Data
![Page 41: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/41.jpg)
Macedonia C et al. Obstet Gynecol 2017;129:249-64
![Page 42: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/42.jpg)
![Page 43: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/43.jpg)
Medicina Predictiva
Basada en SÍNTOMAS
INTUITIVA
Basada en PATRONES
Basada en la EVIDENCIA
Basada en ALGORITMOS
De PRECISION
![Page 44: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/44.jpg)
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!!
![Page 45: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/45.jpg)
TIME
![Page 46: Presentación de PowerPoint · 2017-06-09 · Fase 1: Derivación del modelo 1.1. Identificación de predictores: •Variables escogidas por su capacidad predictiva. •Número no](https://reader035.fdocument.pub/reader035/viewer/2022070914/5fb54d37d4f86536b13b6d8a/html5/thumbnails/46.jpg)
MUCHAS GRACIAS POR SU ATENCIÓN!!! [email protected]