在患有子宫内膜异位症的患者中,开发和验证基于机器学习的预测模型,用于在新鲜胚胎移植后的活产结果
Suqin Zhu1,2, Huiling Xu1,3, Rongshan Li1
1Center of Reproductive Medicine, Fujian Maternity and Child Health Hospital College of Clinical Medicine for Obstetrics & Gynecology and Pediatrics, Fujian Medical University, No. 18 Daoshan Road, Fuzhou, 350001, China.
Journal of assisted reproduction and genetics
|September 23, 2025
概括
机器学习准确地预测了IVF接受子宫内膜异位症患者的活产. XGBoost模型确定了AMH和年龄等关键因素,指导针对性的干预措施,以改善妊娠结果.
科学领域:
- 生殖医学 生殖医学
- 医疗保健中的人工智能
- 临床预测建模临床预测建模
背景情况:
- 子宫内膜异位症在辅助生殖技术中显著影响活产率.
- 在子宫内膜异位症患者新鲜胚胎移植后活产的预测标记对于个性化治疗至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于预测新生胚胎移植的子宫内膜异位症患者的活产.
- 确定影响活产结果的关键预测因素,在这个特定的患者群体.
- 优化体外受精/细胞内精子注射 (IVF/ICSI) 协议,以提高妊娠成功率.
主要方法:
- 对1836名接受试管婴儿/ICSI新鲜胚胎移植的子宫内膜异位症患者进行了回顾性队列研究.
- 机器学习模型 (包括XGBoost) 经过训练和验证,使用70: 30分.
- 通过LASSO和RFE选择特征;使用ROC曲线,校准曲线,DCA和Brier分数评估模型性能.
主要成果:
- XGBoost模型显示了最高的预测性能 (测试组中的AUC为0.852).
- 确定的关键预测因素包括抗穆勒尔激素 (AMH),女性年龄,腹膜卵泡数 (AFC),不孕症持续时间,GnRH激动剂协议,rAFS阶段,正常受精数和胚胎移植数.
- SHAP分析阐明了这些关键特征对活产预测的影响机制.
结论:
- 一个基于机器学习的预测模型,特别是XGBoost,可以有效地预测子宫内膜异位症患者的活产结果.
- 该模型有助于精确识别高风险因素,从而实现有针对性的干预.
- 这些发现支持制定策略,以提高IVF/ICSI接受子宫内膜异位症妇女的怀孕成功率.
