机器学习工具用于预测成熟卵细胞产量和触发日,从刺激开始:朝着个性化的治疗方向

科学领域:

• 生殖医学 生殖医学
• 医疗保健中的人工智能
• 卵巢刺激优化 卵巢刺激优化

背景情况:

• 卵巢刺激是辅助生殖技术的关键组成部分.
• 预测关键结果,如触发日和卵细胞产量,对于治疗个性化至关重要.
• 当前的预测方法可能缺乏精度,需要先进的分析方法.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测触发日和检索的第二阶段 (MII) 卵子细胞的数量.
• 评估ML工具在预测周期初的卵巢刺激结果中的准确性和临床实用性.

主要方法:

• 一项回顾性多中心研究分析了56490次卵巢刺激周期的特征选择.
• 深度学习算法是使用13,090个循环的初级数据集开发的,并在5,103个循环中得到验证.
• 通过模型开发的相关性分析确定了最佳特征.

主要成果:

• 该ML工具对触发日 (平均绝对误差1.60) 和MII卵细胞 (平均绝对误差3.75) 显示了高预测准确度.
• 预测MII卵细胞的R平方值在四分位数之间达到0.88,表明表现强.
• 这些模型显示出强大的预测能力,在触发日 (1.10) 和卵细胞数 (0.66) 两种情况下均有低根平均平方误差.

结论:

• 基于深度学习的ML算法对触发日和MII卵细胞产量具有显著的预测能力.
• 这种工具可以在卵巢刺激开始时提供宝贵的预后信息.
• 建议使用更大的数据集和不同的临床环境进行进一步验证,以提高可概括性.