基于机器学习的体外受精-胚胎移植妊娠结局预测模型构建与应用研究

《BMC Pregnancy and Childbirth》：Predictive modeling of pregnancy outcomes utilizing multiple machine learning techniques for in vitro fertilization-embryo transfer

本研究聚焦于体外受精-胚胎移植（IVF-ET）妊娠结局的预测难题，通过构建多种机器学习模型，成功开发出高准确率的预测工具，为临床实践提供了有力支持，有望显著提升IVF-ET的成功率并改善患者体验。

　　随着社会经济的发展和生活条件的改善，不孕症已成为全球性问题，其在中国的发生率逐年上升，给众多家庭带来了困扰。体外受精-胚胎移植（IVF-ET）作为治疗不孕症的主要技术之一，成功率却并不理想，仅约三分之一的女性能够通过该技术实现活产，且治疗过程复杂、费用高昂，给患者带来了巨大的身心压力。为了提高IVF-ET的成功率，减少不必要的治疗尝试，内蒙古医科大学附属医院的研究人员开展了一项基于机器学习的预测模型研究，旨在通过分析大量临床数据，构建能够准确预测IVF-ET妊娠结局的模型，为临床决策提供科学依据。该研究的成果发表在《BMC Pregnancy and Childbirth》上，为生殖医学领域带来了新的希望。

研究背景与意义

不孕症是指在至少12个月未采取避孕措施的规律性性生活中未能实现妊娠的状态，已成为全球性健康问题。近年来，中国的不孕症发生率逐年上升，高达30%。体外受精-胚胎移植（IVF-ET）作为治疗不孕症的主要技术，成功率却并不理想，仅约三分之一的女性能够通过该技术实现活产，其余大部分女性则面临治疗失败的困境，不仅承受着身体和心理的双重压力，还面临着高昂的治疗费用。因此，如何提高IVF-ET的成功率，减少不必要的治疗尝试，成为生殖医学领域亟待解决的问题。

在临床实践中，传统的IVF-ET妊娠结局预测主要依赖于女性年龄和历史成功率等因素，预测精度有限。近年来，人工智能（AI）和机器学习技术在医疗领域的应用逐渐受到关注，其在疾病预防、诊断和预后等方面展现出了巨大的潜力。然而，目前针对IVF-ET妊娠结局的预测模型仍存在预测精度低、缺乏标准化等问题。因此，开发一种基于个体条件的客观、准确的预测模型，对于提高IVF-ET的成功率、减轻患者身心负担具有重要意义。

研究方法

本研究的数据来源于2016年至2022年在内蒙古医科大学附属医院生殖中心接受新鲜周期IVF-ET治疗的2625名女性的临床数据和妊娠结局。研究纳入了年龄在20至40岁之间、接受新鲜周期胚胎移植的女性，排除了患有其他系统性疾病、因男方因素导致不孕、存在染色体异常、反复流产或卵巢储备功能下降的女性，以及病历数据缺失严重的患者。通过对这些数据的预处理和分析，研究人员构建了基于机器学习的预测模型，用于预测IVF-ET治疗的临床妊娠和活产结局。

研究中采用了多种机器学习模型，包括支持向量机（SVM）、K最近邻（KNN）、随机森林（RF）、极端随机树（Extra Trees）、XGBoost、多层感知器（MLP）、逻辑回归（LR）和LightGBM。这些模型首先使用80%的数据进行训练，剩余20%的数据用于测试和评估模型性能。通过计算接收者操作特征曲线下面积（AUC）和混淆矩阵等指标，研究人员对不同模型的预测性能进行了比较，并选出了预测准确率最高的模型。

研究结果

研究结果显示，XGBoost模型在预测妊娠结局方面表现出色，其验证AUC值达到了0.999（95%置信区间：0.999-1.000），而LightGBM模型在预测活产结局方面表现最佳，AUC值为0.913（95%置信区间：0.895-0.930）。这些模型的高准确率表明，通过机器学习技术可以有效地预测IVF-ET的妊娠结局，为临床决策提供了有力支持。

研究结论与讨论

本研究通过构建基于机器学习的预测模型，成功开发出了能够准确预测IVF-ET妊娠结局的工具。这些模型不仅能够显著提高预测的准确性，还能为临床医生提供科学依据，帮助他们更好地制定治疗方案，减少不必要的治疗尝试，从而减轻患者的身心负担和经济压力。此外，该研究还强调了未来研究的方向，即开发仅基于术前数据的预测模型，以便在患者开始IVF治疗之前为其提供更准确的预后信息，从而进一步提高临床决策的科学性和实用性。

然而，研究也存在一定的局限性。例如，研究中使用的胚胎移植时间主要集中在第三天，与许多其他中心采用的囊胚移植标准不同，这可能限制了研究结果的普适性。此外，作为一项初步研究，该研究并未针对特定类型的不孕症患者进行模型测试，未来需要进一步验证不同模型在特定不孕症患者中的预测性能，以开发出更具针对性的预测工具。

总之，本研究为生殖医学领域提供了一种新的预测方法，有望显著提高IVF-ET的成功率，改善患者的治疗体验。随着人工智能和机器学习技术的不断发展，未来有望开发出更加精准、高效的预测模型，为不孕症患者带来更多的希望。