Интерпретируемая модель машинного обучения для прогнозирования числа зрелых ооцитов, полученных после контролируемой овариальной стимуляции: ретроспективное когортное исследование 24 976 циклов ЭКО/ИКСИ

Цель: Может ли машинное обучение эффективно прогнозировать число зрелых ооцитов, получаемых после контролируемой овариальной стимуляции у пациенток, проходящих экстракорпоральное оплодотворение или интрацитоплазматическую инъекцию сперматозоида?

Дизайн: В ретроспективное исследование включили данные 24 976 пациенток с бесплодием, лечившихся в одном репродуктивном центре в 2018–2022 годах. После предварительной обработки данных отбор признаков выполняли с использованием корреляционного анализа, регрессии LASSO и рекурсивного исключения на основе случайного леса. Для прогнозирования числа зрелых ооцитов построили восемь моделей машинного обучения. Качество моделей оценивали по средней квадратичной ошибке (RMSE), средней абсолютной ошибке (MAE) и коэффициенту детерминации (R). Калибровку оценивали по интерцепту и наклону на тестовой выборке. Клиническую валидацию проводили на независимой выборке 2022 года. Лучшую модель интерпретировали с помощью значений SHAP. Для клинического применения разработали веб-калькулятор.2

Результаты: Были выделены шесть предикторов: число антральных фолликулов; уровень фолликулостимулирующего гормона и эстрадиола в начале стимуляции; уровень эстрадиола в день триггера; число крупных фолликулов в день триггера; а также возраст. Многослойный перцептрон показал наибольшую точность: RMSE 3,675, MAE 2,702 и R 0,714 при клинической валидации. Анализ калибровки показал хорошее соответствие между прогнозируемыми и наблюдаемыми значениями. Интерпретация по SHAP выявила уровень эстрадиола и число крупных фолликулов в день триггера как наиболее сильные предикторы.2

Выводы: Мы разработали модель машинного обучения, точно прогнозирующую выход зрелых ооцитов. Также создан веб-калькулятор для индивидуального прогноза и повышения клинической применимости.