一个新的机器学习模型,用于使用非实验室数据预测自然受孕

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:

• 自然受孕预测传统上依赖于临床评估.
• 研究一种使用机器学习 (ML) 进行生育预测的新的非侵入性方法.
• 社会人口统计和性健康数据为预测建模提供了潜力.

研究的目的:

• 开发和评估机器学习模型,用于预测夫妇自然受孕的可能性.
• 确定自然受孕的关键社会人口统计学,生活方式和健康预测因素.
• 评估人工智能驱动的,以夫妇为基础的生育评估方法的可行性.

主要方法:

• 一项涉及197对夫妇的前性研究 (98对有生育能力,99对无生育能力).
• 每个伴侣收集63个变量的数据,包括BMI,年龄和性健康史.
• 对预测因素的选择和五种ML模型的开发的重要性.

主要成果:

• 确定了25个关键预测因素,包括BMI,年龄,月经周期特征和静脉的存在.
• XGB分类器模型实现了62.5%的准确性和0.580.58的ROC-AUC.
• 重要因素包括BMI,咖啡因摄入量,子宫内膜异位症史和环境暴露.

结论:

• 机器学习模型显示出预测自然受孕的潜力,但目前预测能力有限.
• 基于情侣和生活方式的因素是自然受孕的关键预测因素.
• 未来的研究需要更大的数据集和更广泛的预测变量来提高人工智能在生育评估中的准确性.