提高卵子捐赠的预测模型:胚胎细胞化时间和机器学习洞察力

科学领域:

• 生殖医学 生殖医学
• 在医疗保健中的数据科学.
• 胚胎学 胚胎学

背景情况:

• 人工智能和数据科学越来越多地被用于辅助生殖.
• 时间缩短技术化器为胚胎评估提供了有价值的数据.
• 改善体外受精 (IVF) 临床结果是一个关键目标.

研究的目的:

• 为了比较和识别用于胚胎植入的最具预测性的机器学习算法.
• 使用已知的植入数据库分析形态动力学和形态学变量.
• 识别最具预测性的胚胎参数,以提高试管婴儿治疗的成功率.

主要方法:

• 一项多中心回顾性队列研究,涉及378名接受新鲜单个胚胎移植的卵子捐赠者.
• 胚胎在Geri®时间缩短化器中培养,并分析了形态运动事件.
• 应用和优化了10个机器学习算法,包括随机森林和AdaBoost.

主要成果:

• 随机森林显示了植入的最高预测能力 (AUC=0.725).
• AdaBoost分类树对活产的预测能力最强 (AUC=0.749).
• 化时间和其他发育时间 (pronuclei,裂变,紧缩) 是重要的预测因素.

结论:

• 随机森林和AdaBoost是有效的机器学习模型,用于预测卵子捐赠计划中的植入和活产.
• 胚胎囊化时间是预测模型的关键参数.
• 胚胎发育过程,如同婚,基因组印记和紧缩,对于成功的植入和活产至关重要.