基于机器学习的初步查工具用于临床怀孕预测:对IVF/ICSI阶段的管理
Shaomin Huang1, Kunduzi Tuerganbayi2,3, Jiawen Wang4
1Department of Reproductive Medicine, The First Affiliated Hospital of Xiamen University, School of Medicine, Xiamen University, Xiamen, China.
Annals of medicine
|November 17, 2025
概括
新的机器学习模型预测了体外受精 (IVF) 和细胞内精子注射 (ICSI) 周期中的怀孕结果. 这些双相工具为辅助生殖技术 (ART) 战略提供了个性化的决策支持.
科学领域:
- 生殖医学 生殖医学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 辅助生殖技术 (ART) 预测怀孕结果是复杂和具有挑战性的.
- 现有的模型往往缺乏个性化,并专注于孤立的治疗阶段.
- 线性统计假设限制了捕捉IVF/ICSI周期异质性的能力.
研究的目的:
- 开发和验证双相机器学习 (ML) 模型,用于预测IVF/ICSI中的临床怀孕结果.
- 为优化ART战略提供可解释和可访问的决策支持工具.
- 确定IVF/ICSI治疗不同阶段怀孕的关键预测因素.
主要方法:
- 对1062名接受试管婴儿/ICSI (2016-2021) 的妇女进行了回顾性研究,验证队列为250名患者 (2022).
- 开发两种ML模型用于预处理和治疗阶段预测.
- 使用精度回忆曲线,F1分数,校准,Brier分数,SHAP和RCS分析进行评估;作为网络计算器部署.
主要成果:
- 两种ML模型都显示出良好的内部和外部验证性能.
- 关键的治疗前预测因素:女性年龄,毛囊数 (AFC),体重指数 (BMI).
- 治疗阶段的关键预测因素:血清孕激素,淋巴激素剂量,HCG日子宫内膜厚度;观察到非线性效应.
结论:
- 经过验证的双相ML模型改善了IVF/ICSI中的临床怀孕预测.
- SHAP和RCS分析提高了模型的解释性,并揭示了非线性关系.
- 可访问的网络计算器为个性化的ART决策提供了一个实用的工具.
