基于机器学习的预测模型的构建,用于在卵巢反应较差的患者中高质量的胚胎形成,这些患者接受了孕激素原始卵巢刺激
Yu-Heng Xiao1,2, Yu-Lin Hu3, Xing-Yu Lv3
1Chongqing Medical University, Chongqing, 400016, China.
Reproductive biology and endocrinology : RB&E
|July 10, 2024
概括
机器学习模型准确地预测了在接受孕激素主导卵巢刺激 (PPOS) 的卵巢反应不良 (POR) 患者中高质量的胚胎形成. 这些模型有助于临床医生预测治疗结果,以便进行更有效的干预.
科学领域:
- 生殖医学 生殖医学
- 医疗保健中的人工智能
- 胚胎学 胚胎学
背景情况:
- 卵巢反应不良 (POR) 在辅助生殖技术中是一个重大挑战.
- 孕激素主导的卵巢刺激 (PPOS) 是IVF/ICSI周期的常见方案.
- 在接受PPOS的POR患者中预测高质量的胚胎形成对于治疗成功至关重要.
研究的目的:
- 确定最佳的机器学习模型来预测高质量的胚胎发育.
- 分析影响PPOS的POR患者胚胎质量的因素.
- 加强对IVF/ICSI治疗的临床决策和患者咨询.
主要方法:
- 追溯分析了4216个POR周期,这些周期是用PPOS进行IVF/ICSI的.
- 循环的分类基于高质量的裂变胚胎和胚胎囊形成.
- 逻辑回归和机器学习算法的应用 (XGBoost,随机森林) 用于预测建模.
主要成果:
- 在高质量和非高质量切割胚胎组之间确定了14个因素的显著差异.
- 随机森林模型在包括关键变量时,在预测高质量的分裂胚胎方面表现最高 (AUC=0.788).
- XGBoost模型在预测高质量的芽细胞形成方面表现出卓越的性能 (AUC=0.813).
结论:
- 开发的机器学习模型有效地预测PPOS的POR患者的高质量胚胎形成.
- 这些预测工具可以改善患者对治疗结果的理解.
- 这些模型促进了针对不孕症的更有针对性和更有效的临床干预.
