通过机器学习模型提高冷解胚胎移植结果和治疗个性化

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:

• 不孕症影响全球数百万人,辅助生殖技术 (ART) 对于治疗至关重要.
• 冷解胚胎移植 (FET) 的成功率差异很大 (29.6-59.2%),需要改进预测和个性化.
• 目前的ART结果强调需要先进的预测分析来提高临床怀孕率.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测FET周期中的临床怀孕结果.
• 利用基于个体患者资料的ML模型模拟个性化治疗策略.
• 通过数据驱动的洞察力,提高辅助生殖技术的精度和成功率.

主要方法:

• 来自两个医疗中心的1013个FET循环的回顾性分析.
• 训练和评估四个ML模型 (XGBoost,随机森林,后勤回归,深度神经网络) 使用不同的特征集.
• 通过ROC AUC,灵敏度,特异性进行性能评估;用于预测因子识别和临床实用性的SHAP和决策曲线分析.

主要成果:

• 使用组合和专家选择的临床特征的XGBoost模型实现了最高的预测性能 (ROC AUC:0.7922).
• 通过SHAP分析确定的关键预测因素包括胚胎质量,女性年龄和抗穆勒尔激素水平.
• 决策曲线分析证实了XGBoost模型的临床实用性,证明了其在优化治疗决策方面的有效性.

结论:

• 基于XGBoost的ML模型为预测FET结果和个性化患者治疗提供了强大的框架.
• 临床和胚胎学因素的整合使精准护理策略成为可能,优化生殖医学的成功率.
• 这项研究证明了ML在推进生殖医学和减少全球不孕症负担方面的变革潜力.