使用多种机器学习技术预测怀孕结果的预测建模,用于体外受精-胚胎移植
Ru Bai1, Jia-Wei Li2, Xia Hong1
1Reproductive Centre, The Affiliated Hospital of Inner Mongolia Medical University, No.1 of North Tongdao Road, Huimin District, Hohhot, 010000, Inner Mongolia Autonomous Region, China.
BMC pregnancy and childbirth
|March 20, 2025
概括
这项研究开发了先进的AI模型来预测体外受精 (IVF-ET) 的成功. XGBoost模型准确地预测怀孕,而LightGBM则预测活产,帮助临床决策.
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:
- 体外受精和胚胎移植 (IVF-ET) 是一种关键的辅助生殖技术.
- 在IVF-ET中预测怀孕结果仍然具有挑战性,影响治疗疗效和患者咨询.
- 需要准确的预测模型来优化IVF-ET程序并提高成功率.
研究的目的:
- 调查影响IVF-ET怀孕结果的因素.
- 构建和验证IVF-ET成功的预测模型.
- 为潜在的临床实施确定高精度模型.
主要方法:
- 利用了2625名接受IVF-ET (2016-2022) 的女性的临床数据.
- 开发和比较临床怀孕和活产的预测模型 (如XGBoost,LightGBM).
- 使用ROC曲线分析和AUC计算来评估模型性能.
主要成果:
- 在XGBoost模型中,预测怀孕的AUC值为0.999.
- 在LightGBM模型中,用于预测活产的AUC为0.913.
- 这两种模型都在预测IVF-ET结果方面表现出很高的准确性.
结论:
- XGBoost模型准确地预测了IVF-ET中的怀孕概率 (0.999 AUC).
- 轻GBM模型有效地预测了IVF-ET (0.913AUC) 中活产的可能性.
- 这些人工智能驱动的模型为增强IVF-ET临床实践提供了有价值的工具.
更多相关视频
06:49Methods for Studying Uterine Contributions to Pregnancy Establishment in an Ovariectomized Mouse Model
Published on: April 7, 2023
1.6K
05:36Author Spotlight: Inducing Pseudopregnancy in Female Mice Without the Need for Vasectomized Males Prior to Non-Surgical Embryo Transfer or Artificial Insemination
Published on: July 7, 2023
7.8K
