在试管婴儿协议中的试管婴儿怀孕预测模型的高级KPI框架

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:

• 辅助生殖技术 (ART) 产生复杂的数据.
• 神经网络为ART提供了先进的数据处理能力.
• 在体外受精 (IVF) 中预测临床怀孕仍然是一个挑战.

研究的目的:

• 开发一种新的深度神经网络模型,用于预测试管婴儿中临床怀孕的可能性.
• 整合关键绩效指标和临床数据,以提高预测准确度.
• 为回顾性结果分析和前性治疗评估提供一个工具.

主要方法:

• 对11年和8732次试管婴儿治疗周期的回顾性分析.
• 使用深度神经网络,特别是循环神经网络,进行特征提取和模型训练.
• 内部验证在1600个植入前遗传测试中进行了对形胚胎移植的内部验证,并在两个独立诊所 (>10,000例) 进行了外部验证.

主要成果:

• 循环神经网络模型在预测临床怀孕概率方面取得了很高的准确性 (AUC:0.68-0.86;测试准确性:0.78;F1得分:0.71).
• 模型性能显示出强烈的灵敏度 (0.62) 和特异性 (0.86).
• 这种方法与时间间隔系统相似,但采用了更简单的方法.

结论:

• 深度神经网络为分析试管婴儿数据提供了一种强大而简单的方法.
• 开发的模型准确地预测了临床怀孕的可能性,有助于治疗周期的评估.
• 这种方法为生育中心的质量管理计划提供了一个有前途的工具.