开发一个单中心预测模型,用于常规体外受精结果,不包括完全受精失败:对协议选择的影响

科学领域:

• 生殖医学 生殖医学
• 生物统计学 生物统计学
• 医疗保健中的人工智能

背景情况:

• 在传统的体外受精 (c-IVF) 周期中受精失败在辅助生殖技术中是一个重大挑战.
• 优化患者选择和治疗策略需要准确预测高风险个体.

研究的目的:

• 开发和验证一个基于多维临床指标的预测模型,用于识别在c-IVF中高风险受精失败的患者.
• 通过提供强大的风险评估工具来加强治疗决策.

主要方法:

• 从2019年1月到2024年8月,对691次试管婴儿周期 (594次c-IVF,97次救援ICSI) 的回顾性分析.
• 包括临床参数:女性年龄,BMI,男性精液参数 (精子度,总进步运动精子数[TPMC],DNA碎片化指数[DFI]) 和不孕症持续时间.
• 使用嵌套交叉验证和SMOTE过量采样,开发和验证三种机器学习模型 (逻辑回归,随机森林,XGBoost).

主要成果:

• 后勤回归模型实现了最高的预测性能 (平均AUC = 0.734 ± 0.049),表现优于随机森林和XGBoost.
• 确定了重要的预测因素:保护因素 (男性年龄,TPMC) 和风险因素 (女性BMI,DFI).
• 开发的名图表显示出良好的区分能力 (C指数=0.722) 和临床实用性,跨越一系列值概率.

结论:

• 基于后勤回归的预测模型在评估c-IVF受精失败风险方面表现强.
• 该模型的预测因素提供了对影响试管婴儿成功的因素的见解.
• 建议进行外部多中心验证,以确认模型的通用性和临床适用性.