在辅助生殖技术中对临床怀孕的成功率进行精子质量评估的机器学习模型组合

科学领域:

• 生殖医学和生物学 生殖医学和生物学
• 医疗保健中的人工智能
• 遗传学和基因组学 遗传学和基因组学

背景情况:

• 辅助生殖技术 (ART),包括体外受精 (IVF),细胞体内精子注射 (ICSI) 和子宫内授精 (IUI),对于不孕症治疗至关重要.
• 精子质量参数,如形态,运动性和计数是影响ART成功率的已知因素.
• 预测临床怀孕和胎儿心跳检测仍然是ART的一个挑战.

研究的目的:

• 调查精子形态,运动性的影响,并在ART中计算临床怀孕和胎儿心跳检测率.
• 评估整体机器学习模型对ART成功的预测性能.
• 为了确定关键的精子参数切断值,以优化ART结果.

主要方法:

• 追溯分析了734对接受IVF/ICSI和1197对接受IUI的夫妇的数据.
• 排除了捐赠性子细胞,代孕子宫或男性/女性结合不孕因素的病例.
• 应用五个整体机器学习模型,包括随机森林 (RF),用于预测临床怀孕成功,并对参数重要性进行SHAP值分析.

主要成果:

• 随机森林模型证明了IVF/ICSI和IUI的最高预测准确度 (0.72平均准确度,0.80AUC).
• 对于IUI,所有精子参数 (形态,运动性,计数) 都对怀孕预测产生了负面影响. 对于IVF/ICSI,运动性对预测产生了积极的影响,而形态和数量则产生了负面影响.
• 确定了重要的切线值:精子数量 (54个IVF/ICSI,35个IUI) 和形态 (30个所有程序).

结论:

• 整合机器学习模型与传统的精子质量评估相结合,显著提高了对ART成功的预测.
• 精子参数对妊娠结果的影响不同,取决于使用的ART方法 (IVF/ICSI与IUI).
• 这种综合方法在不孕症治疗中提供了更精确和个性化的临床决策的潜力,改善了患者的治疗结果.