展望未来:一种机器学习驱动的预测模型,用于冷保存后卵细胞回归率

科学领域:

• 生殖医学 生殖医学
• 生物统计学 生物统计学
• 医疗信息学 医疗信息学

背景情况:

• 卵细胞冷保存越来越多地用于生育保存.
• 预测卵细胞回归率对于管理储存计划和患者咨询至关重要.
• 现有的模型可能无法完全捕捉影响卵细胞利用的复杂因素.

研究的目的:

• 开发和验证一个预测模型来估计患者使用其存储的卵细胞的可能性.
• 确定与卵细胞利用相关的主要人口,医疗和社会因素.
• 增强生育保护和性器存储计划的决策能力.

主要方法:

• 利用来自美国生育诊所 (2014-2020) 的77631个卵细胞冷保存周期的大数据集.
• 采用多种机器学习算法,包括组合方法,结合引导聚合,梯度增强和线性差异分析.
• 分析了患者的人口统计,医疗和生育诊断,伴侣状态和地理位置.

主要成果:

• 一个整体模型实现了高预测准确度 (平衡准确度:0.83,ROC AUC:0.90).
• 卵细胞使用的关键预测因素包括患者年龄,伴侣状况,种族/种族,诊所地区和冷保存指示.
• 治疗指示各不相同,计划冷保存是最常见的 (35.6%).

结论:

• 开发的预测模型在估计卵细胞回归概率方面表现出显著的准确性.
• 这种工具对于有关卵子冷保存结果的患者咨询有价值.
• 该模型可以优化医疗保健决策,提高生育储存计划的效率.