使用机器学习优化预测功能,用于在单个玻璃化加热胚胎细胞转移后早期流产风险.

科学领域:

• 生殖医学是一种生殖医学.
• 医疗保健中的人工智能
• 生物统计学 生物统计学

背景情况:

• 单个玻璃化加热胚胎细胞移植 (SVBT) 后的早期流产在辅助生殖技术 (ART) 中构成了重大挑战.
• 准确预测流产风险对于有效的患者咨询和临床决策至关重要.

研究的目的:

• 评估机器学习 (ML) 模型在预测SVBT后早期流产风险方面的有效性.
• 将各种ML模型的性能与传统的统计方法进行比较.

主要方法:

• 从两个中心对1664个SVBT周期进行了回顾性分析.
• 开发和评估了多种ML模型,包括后勤回归,随机森林,梯度提升和投票分类器.
• 使用相互信息和递归特征消除 (RFE) 确定了关键预测因素.

主要成果:

• 母亲年龄,父亲年龄,子宫内膜厚度,母细胞质量和卵巢刺激参数被确定为关键预测因素.
• 整体ML模型的性能明显优于逻辑回归 (AUC=0.584).
• 投票分类器获得了最高的AUC (0.836),准确度 (0.780),精度 (0.914) 和特异性 (0.942).

结论:

• 整体ML模型,特别是投票分类器和梯度提升分类器,可以更好地预测SVBT后的早期流产风险.
• 这些先进的模型能够准确,个性化地进行风险评估,改善ART的临床决策.
• 这些发现支持将ML纳入生殖医学中的个性化患者护理.