排卵前的孕水平是基于机器学习模型评估的排卵预测的首要指标:一项回顾性研究

科学领域:

• 生殖内分泌学和不孕症治疗.
• 人工智能在临床决策中的应用.
• 对生殖事件的生物标志物分析.

背景情况:

• 准确预测排卵时间对于成功的自然周期冷胚胎移植 (NC-FET) 是必不可少的.
• 目前预测排卵的方法受到挑战,因为缺乏关于定义排卵的临床共识.
• 提高排卵预测准确度对于优化生育治疗至关重要.

研究的目的:

• 为了比较排卵前血清孕激素 (P4) 水平与黄素化激素 (LH) 水平对排卵时间的预测准确度.
• 评估两个机器学习模型在预测排卵中的性能.
• 为了排列各种临床变量在预测排卵中的重要性.

主要方法:

• 利用了2015年1月至2022年2月期间接受NC-FET的771名患者的数据.
• 使用包括毛囊直径,LH,E2和P4水平在内的变量构建了两个机器学习模型 (分类树和随机森林).
• 评估模型在72,48,24小时窗口内预测排卵的准确性.

主要成果:

• 机器学习模型在指定窗口内准确预测了排卵时间.
• 与分类树 (78.83%) 相比,随机森林模型实现了更高的准确率 (85.28%).
• 血清P4水平≥0.65ng/ml在24小时内预测排卵的准确度超过92%;当P4较低时,LH和E2很重要.

结论:

• 在NC-FET中预测排卵时间时,排卵前血清P4水平优于LH水平.
• 开发的机器学习模型可以精确地确定排卵的日子.
• 血清P4在临床实践中为排卵预测提供了可行的替代方案,未来有可能进行改进.