华中科技大学学报（医学版） ›› 2025, Vol. 54 ›› Issue (6): 763-771.doi: 10.3870/j.issn.1672-0741.25.06.005
• 论著 • 下一篇
摘要： 摘要:目的 基于机器学习构建卵巢低反应患者累计临床妊娠率的预测模型。方法 回顾性收集2016年1月至2021年12月期间在华中科技大学同济医学院附属同济医院生殖医学中心首次接受体外受精/卵胞浆内单精子注射(IVF/ICSI)治疗的不孕患者数据,其中满足纳入标准的病例为6576例。数据预处理后,评估机器学习 LASSO 回归、随机森林(randomforest,RF)、极端梯度提升(extremegradientboosting,XGBoost)、梯度提升算法(gradientboostingtree,GBT)的预测能力,并进行特征选择,然后运用最佳模型对最重要特征集的预测能力进行评估。结果 首次IVF/ICSI完整周期中6576例患者符合波塞冬标准,其中4173人妊娠,2403人未妊娠,基于收集的临床资料、ART方案、胚胎质量等36个元素构建累 计 妊 娠 率 预 测 模 型。LASSO 回 归、RF、XGBoost、GBT 的 AUC 值 分 别 为 0.793(95%CI:0.768~0.820)、0.800(95%CI:0.775~0.825)、0.824(95%CI:0.801~0.848)、0.823(95%CI:0.799~0.847),其中 XGBoost模型表现最佳。筛选以上4种方法中前12个重要特征交集构成“共有重要性特征集”,包括年龄、囊胚形成数、子宫内膜厚度、无可用胚胎占比,计算特征重要性。运用 XGBoost模型分析共有重要性特征集的预测能力,AUC达0.865(95%CI:0.854~0.875)。结论 本研究基于 XGBoost预测卵巢低反应人群妊娠结局,有望优化针对该类人群的辅助生殖技术治疗方案,帮助卵巢低反应患者获得对整个诊治结局的合理预期,为精准生殖医学提供新工具。
