追隨海神的指引 卵巢反應不良的分類與治療策略

POSEIDON分類法同時考慮了卵子的”量”與”質”,依據卵巢庫存指標(AMH, AFC)評估卵子的量,且按照年齡來預估卵子的染色體異常率,結合多面向的參數更準確地預測治療預後(prognosis),給予客戶對治療結果有更合理的期待,並指引醫師設計個人化的治療方針。
2020-06-19 2023-02-09
作者 Eric
試管嬰兒的治療過程中,經常使用排卵針劑刺激卵巢反應,以期取得更多的成熟卵子來增加受精的機率,進而培養出更多的胚胎增加植入受孕的機會。然而有部份的族群卵巢庫存指數明明不錯,但用了排卵針劑後卻發現反應不佳,即使用了誘導排卵的賀爾蒙輔助依然無法取得理想的卵子數,如此我們稱作卵巢反應不良(poor ovarian response, 簡稱POR)。在臨床上為了區分這類反應不佳的族群,目前國際上普遍參考的標準是2011年於歐洲生殖醫學年會(ESHRE)訂定的Bologna criteria(表一),以作為醫師療程設計的依據。

 

表一、Bologna criteria
1.年齡大於40歲,或有其他風險因子(卵巢手術、家族史等)
2.曾經試管療程取卵數小於3顆
3.經期小濾泡(AFC)小於5~7顆,或AMH小於0.5 ~1.1 ng/ml
符合其中兩項以上定義為POR
藉由Bologna criteria的分類,雖然可以初步預測IVF治療的成效,以及提供難孕客戶諮詢時的參考,但卻也發現部份具POR現象的族群並不完全符合此分類法定義的POR;另外更重要的是,此分類法定義下的POR包含的個體差異性太廣泛,並無法適用同一套治療方式。基於上述兩個原因,生殖醫學界逐漸醞釀起應該要訂定一個更細緻的分類法,指引醫師可以更準確地治療POR,”POSEIDON”分類法也在這樣的期待中應運而生。

 

“POSEIDON”(字同希臘神話中的海神”波賽頓”)分類法(圖一)是Patient-Oriented Strategies Encompassing IndividualizeD Oocyte Number的縮寫,有以患者為中心的思想含義在其中。2019生殖醫學年會邀請到POSEIDON分類法專家團隊的主導者Peter Humaidan教授來台演講,分享此分類法的學理依據以及如何運用在卵巢反應不良的治療上。POSEIDON分類法同時考慮了卵子的”量”與”質”,依據卵巢庫存指標(AMH, AFC)來評估卵子的量,且按照年齡來預估卵子的染色體異常率,並參考先前療程的卵巢刺激取卵結果,結合多面向的參數更準確地預測治療預後(prognosis),給予客戶對治療結果有更合理的期待,並指引醫師設計個人化的治療方針。

 

圖一、POSEIDON分類法

 

POSEIDON分類法主要區分成四種卵巢反應不良的族群,根據與年齡相關的染色體異常率和卵巢對賀爾蒙針劑刺激的反應,進而可以在療程上做一些個人化的調整,舉例如:
  • (1)使用不同的GnRHa療程
  • (2)檢測促性腺激素(gonadotropin)和其接受器(receptor)的多型性(polymorphism)
  • (3)調整rFSH的起始劑量
  • (4)調整療程的針劑量或針劑組合(如: 單獨使用rFSH或合併rLH使用)
  • (5)採用收集卵子(合卵)或收集胚胎(合胚)的策略

 

針對Group 1(卵巢庫存足夠,卵子品質佳),會建議調整療程針劑,增加rFSH劑量或合併使用rLH;而對Group 2(卵巢庫存足夠,卵子品質差),除了建議調整療程針劑外,還可選擇不同破卵針類型或採用囊胚期培養;Group 3(卵巢庫存不足,卵子品質佳)可考慮長療程(long GnRHa protocol)的方式,採用二次取卵或合卵/合胚亦可增加累積活產率;Group 4(卵巢庫存不足,卵子品質差)除了前述Group 3的建議外,可轉念考慮接受借卵。

 

卵巢反應不良在治療上都有著不同的難度存在,使用良好的分類工具可以協助醫師朝正確的方向設計療程,減少嘗試錯誤的機會,並讓醫師-客戶雙方對治療的預期結果有一致的共識。POSEIDON分類法對POR族群進行了更細緻的分類,期待後續有更多、更大型的前瞻型(prospective)試驗來佐證此分類法的臨床實效。

*醫療行為需與醫師討論進行,本篇文章僅反映當時治療狀況與建議

評論

送子鳥生殖中心
送子鳥生殖中心
  1. 每個人都是獨立的個體,所以對於試管療程排卵針的藥物反應會有所不同。而其中卵巢反應不佳(Poor ovarian response, POR)的族群最為棘手,因為取卵數目和懷孕機率呈正相關,一般認為取到15顆左右的熟卵就可以達到最佳的懷孕機率。但是打針後的反應無法完全預測,因此才發展出這些分類方法,嘗試預測排卵針的反應。
  2. 年齡、AMH、AFC、LH level、BMI、FSH or LH receptor polymorphism、排卵針的劑型和劑量、破卵針的劑型和劑量、取卵針的選用、取卵者的技術……等,有太多因素會影響到取卵的數目,以上這些因素排列組合後的複雜程度,可能早已超越人類大腦可以運算的程度,更遑論可能還有更多我們不知道的其他因素參與其中,或許未來需要人工智慧的深度學習技術輔助我們做出更適當的決策。
  3. 感謝Eric的分享,也期待未來有更多研究,幫助生殖醫學更進一步的發展。