基于机器学习的活分娩预测模型的构建,用于首次体外受精孕妇的孕妇
Xiaoyan Liu1, Zhiyun Chen1, Yanqin Ji2
1Reproductive Medicine Center, Huizhou Municipal Central Hospital, Huizhou, 516001, P.R. China.
BMC pregnancy and childbirth
|June 27, 2023
概括
机器学习模型预测在接受体外受精 (IVF) 或细胞内精子注射 (ICSI) 的女性中活产的成功. 光梯度增强机 (LGBM) 模型表现出强大的预测性能,有助于调整治疗策略.
科学领域:
- 生殖医学 生殖医学
- 医疗保健中的人工智能
- 生物统计学 生物统计学
背景情况:
- 预测活出生的结果对于指导体外受精 (IVF) 和细胞内精子注射 (ICSI) 等生育治疗至关重要.
- 使用治疗前和治疗后参数开发准确的预测模型可以优化患者管理并提高成功率.
- 这项研究侧重于首次试管婴儿/ICSI周期,以建立可靠的预测工具.
研究的目的:
- 开发和评估机器学习模型,用于预测正在进行第一次试管婴儿/ICSI周期的妇女的活产.
- 为了比较物流回归,随机森林,极端梯度增强和光梯度增强机器算法的预测性能.
- 确定第一个治疗周期前后的关键预测因素.
主要方法:
- 分析了经过IVF/ICSI的1857名妇女的回顾性队列.
- 数据被分为培训 (80%),验证 (20%) 和测试集 (2021年数据).
- 四个机器学习模型 (LR,RF,XGBoost,LGBM) 经过训练和验证,使用周期前和周期后的参数,通过AUC,灵敏度,特异性和准确性评估性能.
主要成果:
- 轻度梯度增强机 (LGBM) 模型表现出活产的强大预测性能.
- 在第一个周期之前,LGBM实现了0.678 (训练) 和0.634 (测试) 的曲线下的面积 (AUC).
- 在第一个周期后,LGBM表现出明显更高的预测准确性,AUC在数据集中从0.816到0.841不等.
结论:
- 使用第一周期前后参数的LGBM模型显示出活产的强大预测能力.
- 这些发现表明,机器学习模型可以有效地帮助生育专家和患者量身定制治疗策略.
- 该研究强调了人工智能在优化试管婴儿/ICSI治疗计划和结果方面的潜力.
