Doktor axborotnomasi 2026, №3 (124)
Subject of the article
ПРЕДИКТИВНОЕ МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И ФИНАНСОВО ОРГАНИЗАЦИОННЫЙ АУДИТ ЭФФЕКТИВНОСТИ NGS-СЕЛЕКЦИИ ЭМБРИОНОВ И НЕЙРОСЕТЕВОЙ НАВИГАЦИИ КРИОПЕРЕНОСОВ ПРИ ТОРПИДНЫХ ФОРМАХ БЕСПЛОДИЯ (44-48)
Authors
Г. А. Ихтиярова, Д. Ш. Кудратова
Institution
Бухарский государственный медицинский институт, Бухара, Ташкентский государственный медицинский университет, Ташкент, Узбекистан
Abstract
В статье представлены результаты долгосрочного клинико-экономического анализа и оптимизации ис ходов программ вспомогательных репродуктивных технологий (ВРТ) на основе Марковских цепей с дискрет ным временем у 228 супружеских пар с рекуррентной нидационной несостоятельностью . Скрининг хромо сомных аномалий 449 бластоцист осуществлялся методом высокопроизводительного секвенирования следую щего поколения (Next Generation Sequencing — NGS). Частота летальных анеуплоидий составила 51,4% в группе с маточной патологией (Основная А) и 50,6% в группе с интактным эндометрием (Основная Б) (p > 0,05) . Внедрение прецизионного ИИ-тайминга криопереноса pET позволило поднять индекс рождаемости (LBR) в группе Б до 52,6%, что полностью сопоставимо со здоровым контролем (60,5%). Марковское моделирование верифицировало, что стратегия ПГТ-А является абсолютно ресурсосберегающей для женщин позднего репродуктивного периода (ICER = -496,231 сум) и Основной группы Б (ICER = 530,069сумов) относительно нормативного порога готовности платить Республики Узбекистан.
Key words
Ключевые слова: вспомогательные репродуктивные технологии, рекуррентный имплантационный сбой, Next Generation Sequencing, Марковские процессы, искусственный интеллект. Tayanch soʻzlar: yordamchi reproduktiv texnologiyalar, takroriy implantatsiya muvaffaqiyatsizligi, Next Generation Sequencing, Markov jarayonlari, sunʼiy intellekt. Key words: assisted reproductive technologies, recurrent implantation failure, Next Generation Sequencing, Markov processes, artificial intelligence.
Literature
1. Abhari S., Kavousi S. Preimplantation genetic testing for aneuploidies (PGT-A): technological evolution and clini cal outcomes // J. Assist. Reprod. Genet. — 2021. — Vol. 38, No. 9. — P. 2233–2245. 2. Bori L., Alegre L., Simon C. et al. Machine learning in reproductive medicine: predicting endometrial receptivity based on hormone levels and clinical features // Hum. Reprod. — 2023. — Vol. 38, No. 9. — P. 1721–1732. 3. Capalbo A., Poli M., Rienzi L. et al. Mosaic human preimplantation embryos and their developmental potential // Hum. Reprod. Update. — 2021. — Vol. 27, No. 2. — P. 320–341. 4. Erlich J. C., Seli E. Predictive modeling of progesterone shifts using deep neural networks in artificial FET cy cles // J. Assist. Reprod. Genet. — 2024. — Vol. 41, No. 2. — P. 411–420. 5. Pirtea P., de Ziegler D. Recurrent implantation failure: fact or fiction? // Fertil. Steril. — 2023. — Vol. 120, No. 1. — P. 15–22. 6. Ruiz-Alonso M., Simon C. Personalizing embryo transfer: an update on clinical trials // Hum. Reprod. — 2024. — Vol. 39, No. 5. — P. 941–950. 7. Ихтиярова Г. А., Кудратова Д. Ш. Клинико-экономическая эффективность интеграции преимплантационного генетического тестирования на анеуплоидии (ПГТ-А) в программы ВРТ на основе марковского моделирования // Жанубий Орол бўйи тиббиёт журнали. — 2026. — № 2. — С. 45–53.