在绝经前妇女慢性子宫内膜炎评估的个性化低侵入性方法:基于机器学习的建模
Kseniia D Ievleva1, Alina V Atalyan1, Timur G Baintuev1
1Federal State Public Scientific Institution "Scientific Centre for Family Health and Human Reproduction Problems", 664003 Irkutsk, Russia.
Diagnostics (Basel, Switzerland)
|November 27, 2025
概括
机器学习模型可以使用低侵入性标记物预测慢性子宫内膜炎 (CE),改善了对复发性植入失败的诊断. 使用血清腺素和SHBG的模型显示出有前途的临床潜力.
科学领域:
- 生殖医学 生殖医学
- 医疗信息学 医疗信息学
- 病理学 病理学 病理学
背景情况:
- 慢性子宫内膜炎 (CE) 是复发性植入失败的重要危险因素.
- 传统的CE诊断方法具有显著的局限性.
- 临床,仪器和实验室参数与CE相关,这表明预测建模的潜力.
研究的目的:
- 开发和评估用于预测慢性子宫内膜炎 (CE) 的机器学习模型.
- 为了确定CE预测的低侵入性病理特征.
- 使用机器学习工具构建CE的预测模型.
主要方法:
- 一项多中心的横截面研究包括108名女性 (44名有CE,64名没有).
- 收集的数据包括基本特征,生殖史,实验室和超声波指标以及免疫组织化学.
- 通过前进阶段选择和梯度增强模型采用二进制特征选择.
主要成果:
- 为CE开发了五种预测模型,其AUC范围从0.673到0.769.
- 2号和5号车型表现出卓越的回忆力和精度.
- 血清腺素 (模型2) 和SHBG (模型5) 被确定为CE风险的关键预测因子.
结论:
- 模型2和5显示了在CE预测中临床应用的巨大潜力.
- 这些模型只需要评估5-7个风险标记,其中一些是非常规的.
- 开发的模型为诊断CE提供了一种有希望的方法,有可能改善复发性植入失败的结果.
