一、研究背景

對輔助生殖技術（ART）活產(chǎn)結果預測模型的回顧表明，目前可用的模型通常存在方法或研究設計局限性，例如使用效率低下的隨機拆分數(shù)據(jù)進行驗證、缺失值的報告不明確、僅報告模型的區(qū)分能力，以及僅納入接受IVF治療的孕婦。盡管Dhillon等人開發(fā)的預測模型具有很高的報告質(zhì)量，但它來自英國人群，對其他人群的適用性仍不清楚。另一項綜述指出，只有一項活產(chǎn)兒的預后預測研究存在低偏倚風險，但它僅包括接受單精子注射（ICSI）治療的夫婦。

在這種情況下，我們的目標是通過在具有代表性的大樣本中國患者中使用IVF初期時容易獲得的人口統(tǒng)計學特征和臨床特征，開發(fā)和內(nèi)部驗證活產(chǎn)的預后預測模型。

二、數(shù)據(jù)來源

參與者于2015年1月至2022年12月期間從在中國西南部云南省昆明醫(yī)科大學第二附屬醫(yī)院接受ART治療的夫婦中招募。我們的數(shù)據(jù)庫包含13,620名開始使用ICSI治療的第一次和后續(xù)IVF的患者的所有治療周期的數(shù)據(jù)。

三、研究思路

本文在接受ART治療的大量中國患者樣本中容易獲得的活產(chǎn)人口統(tǒng)計學和臨床指標中篩選了潛在的預測因子。擬合單變量和多變量logistic回歸（LR）以測量候選預測因子與活產(chǎn)結果之間的粗略和調(diào)整關聯(lián)。使用三種機器學習算法（隨機森林，RF;極端梯度提升，XGBoost;光梯度提升機，LightGBM）進一步確認由多變量LR篩選出的候選預測因子中活產(chǎn)結果的最重要預測因子：選擇在3種使用算法中至少2種中排名前6的變量。對于所選的重要預測因子，應用受試者工作特征（ROC）曲線以確定其相對于活產(chǎn)結局的最佳臨界值?；诮y(tǒng)計模型和多種機器學習算法，我們確定了預測ART患者活產(chǎn)結局的指標。

四、主要結果

為了初步探討定量變量對活產(chǎn)率的影響，我們根據(jù)推薦的閾值將年齡分類為分類變量，而其他定量變量根據(jù)其四分位數(shù)分為四個級別：極低水平（<p25）、低水平（P25–P50）、中等水平（P50–P75）、和高水平（>P75）。擬合單變量二元LR后，我們將具有統(tǒng)計學意義的變量（p<0.01）納入進一步的多變量分析中，結果顯示：產(chǎn)婦年齡和體重指數(shù)、不孕癥持續(xù)時間、既往ART周期、向前運動精子活力、促性腺激素（Gn）持續(xù)時間、Gn總劑量、基礎卵泡刺激素（FSH）、人絨毛促性腺激素（HCG）日的雌二醇（E2）和HCG日的黃體生成素（LH）與活產(chǎn)率顯著相關（表2）。

我們使用三種不同的機器學習算法（RF，XGBoost，LightGBM）將篩選出的變量合并到多變量分析中。在所有三種算法中，七個指標被確定為最重要的指標：產(chǎn)婦年齡、不孕癥持續(xù)時間、基礎FSH、向前運動精子活力以及HCG日的E2、LH和P（圖2）。除不孕癥持續(xù)時間外，我們通過使用其余6個定量變量的ROC曲線確定了預測活產(chǎn)結果的最佳臨界值，確定的臨界值為：產(chǎn)婦年齡、基礎FSH、向前運動精子活力以及HCG日E2、LH和P的最佳臨界值為產(chǎn)婦年齡36.97歲，基礎FSH為5.57mIU/mL，向前運動精子活力為33.52%，E2為7227.50pg/mL，HCG日LH為3.04mIU/mL，HCG日P為1.33ng/mL（圖3）。

最后，我們僅使用上述7個變量和邏輯回歸和三種不同的機器學習算法（RF、XGBoost、LightGBM）構建了預測模型。交叉驗證和引導方法都表明LR和RF具有最佳的模型性能。具體而言，LR的交叉驗證AUROC為0.671（95%CI0.630-0.713），Brier評分為0.183（95%CI0.170-0.196），AUROC為0.671（95%CI0.662-0.683），Brier評分為0.183（95%CI0.179-0.187）用于引導。RF具有相似的鑒別和校準性能，其次是XGBoost和LightGBM（表3）。標準化回歸系數(shù)表明，在納入的7個指標中，產(chǎn)婦年齡與活產(chǎn)結局的相關性最強，其次是HCG日的P，HCG日的E2，而基礎FSH表現(xiàn)為最弱的預測因子。

五、文章小結

綜上所述，我們使用邏輯回歸和機器學習算法為接受IVF的夫婦（有或沒有ICSI治療）的活產(chǎn)結局構建了預后預測模型。由不同方法產(chǎn)生的模型產(chǎn)生了相似的預測性能，并且logistic回歸模型被認為具有最佳性能，并被推薦用于進一步驗證。未來對縱向設計的研究并納入更有意義的指標是必要的，以驗證和提高當前模型的預測準確性。

參考文獻：

Peng J, Geng X, Zhao Y, Hou Z, Tian X, Liu X, Xiao Y, Liu Y. Machine learning algorithms in constructing prediction models for assisted reproductive technology (ART) related live birth outcomes. Sci Rep. 2024 Dec 30;14(1):32083. doi: 10.1038/s41598-024-83781-x. PMID: 39738723; PMCID: PMC11685426.