
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于常规临床数据构建机器学习模型预测不孕症女性体外受精结局
《Scientific Reports》:Machine learning-based prediction of clinical pregnancy in infertile women undergoing in vitro fertilization
【字体: 大 中 小 】 时间:2026年10月13日 来源:Scientific Reports 4.9
编辑推荐:
摘要不孕症是一个不容忽视的公共卫生问题。本研究探讨了常规临床数据在构建不孕症女性行体外受精(IVF)预测模型中的价值。纳入的6,076名女性按7:3的比例随机划分为训练集和内部验证集。候选变量首先通过单因素分析进行筛选,随后使用Boruta算法进行进一步筛选。随后构建并比较了
不孕症是一个不容忽视的公共卫生问题。本研究探讨了常规临床数据在构建不孕症女性行体外受精(IVF)预测模型中的价值。纳入的6,076名女性按7:3的比例随机划分为训练集和内部验证集。候选变量首先通过单因素分析进行筛选,随后使用Boruta算法进行进一步筛选。随后构建并比较了七种机器学习模型。从区分度、分类、校准和临床实用性四个角度对其性能进行评估。在纳入的女性中,3,056人实现了临床妊娠,3,020人未实现。Boruta特征选择保留了年龄、抗苗勒管激素(AMH)、窦卵泡数(AFC)、胚胎移植日和促卵泡激素(FSH)作为确认的预测因子。在内部验证集中,XGBoost整体表现最佳,AUC为0.606(95% CI:0.582–0.632),敏感度为0.701,F1值为0.619,Brier评分为0.241。SHAP分析进一步表明,年龄对模型预测的贡献最大。在评估的模型中,XGBoost整体表现最佳,但其区分能力仍然有限。在考虑临床应用之前,仍需进一步的模型开发和外部验证。