机器学习中心特定的模型显示,IVF活产预测比美国国家注册表模型更好
Mylene W M Yao1, Elizabeth T Nguyen2, Matthew G Retzloff3
1R&D Department, Univfy, Los Altos, CA, USA. mylene.yao@univfy.com.
Nature communications
|April 17, 2025
概括
机器学习,中心特定模型改善生育护理中的活产预测准确度. 与SART注册表模型相比,这些模型提供了更好的患者咨询和成本-成功透明度.
科学领域:
- 生殖医学 生殖医学
- 生物统计学 生物统计学
- 医疗保健服务研究 医疗服务研究
背景情况:
- 改善体外受精 (IVF) 的准入需要加强患者咨询和成本效益.
- 准确的活产预测 (LBP) 模型对于明智的患者决策和资源分配至关重要.
- 目前的LBP模型,包括助孕生殖技术协会 (SART) 注册表模型,可能存在精度限制.
研究的目的:
- 为了比较机器学习,中心特定 (MLCS) 模型与SART国家注册表模型的性能,用于预测试管婴儿中活产概率.
- 评估MLCS模型在个性化预后咨询和提高试管婴儿患者成本成功透明度方面的临床实用性.
主要方法:
- 一项追溯模型验证研究使用6个生育中心的4635次第一次试管婴儿周期的数据进行.
- 开发了机器学习,中心特定 (MLCS) 模型,并与现有的基于注册表的SART模型进行了比较.
- 模型的性能使用精确回忆曲线下的面积和F1得分等指标进行评估,LBP值为50%.
主要成果:
- 与SART模型相比,MLCS模型在最小化虚假阳性和虚假阴性方面显示了统计学上显著的改进 (p < 0.05).
- 与SART模型相比,MLCS模型更准确地将较高比例的患者分配给LBP值≥50% (23%更多) 和≥75% (11%更多) 的患者.
- 该研究发现,MLCS模型得到了外部验证,这表明不同中心的性能强.
结论:
- 与SART模型相比,机器学习,中心特定模型在试管婴儿中为活产概率提供了更高的预测准确度.
- 通过实现更个性化的患者咨询和透明的成本-成功评估,MLCS模型提高了临床效用.
- 建议在更大的多中心队列中对MLCS模型进行进一步评估,以确认其更广泛的适用性和对试管婴儿接入的影响.
