新しいIVF/ICSI-ET後の子宮内膜症患者の臨床妊娠の機械学習予測
Xiaoju Wan1, Min Yu1, Xingwu Wu1
1Reproductive Medicine Center, Jiangxi Maternal and Child Health Hospital, Nanchang, China.
European journal of medical research
|September 3, 2025
まとめ
機械学習モデルは,新鮮な胚移植を受けている子宮内膜症患者の臨床妊娠を予測できます. XGBoostのモデルは,患者の改善のための解釈可能な結果を提供して,最適なパフォーマンスを示しました.
科学分野:
- 生殖医学
- 医療における人工知能
- バイオ統計学
背景:
- 新鮮な胚移植は子宮内膜症の患者に優先され,待機時間を短縮し,冷凍ダメージを与えます.
- エンドメトリオシスにおける新鮮な胚移植の結果に関する既存の予測モデルは,主にロジスティック回帰を使用しています.
- マシン・ラーニング (ML) のアプローチは,子宮内膜症における新鮮な胚移植の成功率を予測するために十分に研究されていない.
研究 の 目的:
- 新鮮な胚移植を受けている子宮内膜症患者の臨床妊娠のための機械学習ベースの予測モデルを開発し,評価する.
- この特定の臨床適用のための様々なMLモデルの性能を比較する.
- この患者集団における臨床妊娠の主要な予測要因を特定する.
主な方法:
- 1752人の子宮内膜症患者が新鮮な胚移植を受けた後の分析 (2014年から2024年).
- 6つのMLモデルの開発と比較:ナイヴベイズ,ロジスティック回帰,ランダムフォレスト,k-Nearest Neighbors,ニューラルネットワーク,XGBoost.
- ロジスティック回帰とランダムフォレストの再帰的特性の排除を使用して特性の選択.
主要な成果:
- 男性の年齢,正常な受精数,移植された胚の数が臨床妊娠の有意な予測指標でした.
- eXtreme Gradient Boosting (XGBoost) モデルは,トレーニングAUC 0.764とテストAUC 0.622で最高の性能を達成しました.
- シェープリー添加式説明 (SHAP) がモデル解釈性のために使用された.
結論:
- XGBoostベースのモデルは,新鮮な胚移植後の子宮内膜症患者の臨床妊娠を効果的に予測します.
- 開発されたMLモデルは,許容可能な予測性能を示し,貴重な解釈能力を提供しています.
- このアプローチは,子宮内膜症の管理における新鮮な胚移植の臨床的意思決定を強化する可能性があります.
