Заполнение пропусков в уровне анти-Мюллерова гормона с помощью ИИ позволяет надежно прогнозировать получение ооцитов при контролируемой овариальной стимуляции

Цель: Исследование было посвящено практической проблеме отсутствующих данных в вспомогательных репродуктивных технологиях и оценке надежности прогноза числа полученных ооцитов при отсутствии значений анти-Мюллерова гормона (АМГ). Мы оценивали, способны ли модели на основе ИИ восстанавливать пропущенные данные биомаркера и сохранять точность прогноза несмотря на ограничения по данным.

Методы: Проведен ретроспективный анализ данных 27 435 циклов ЭКО из нескольких центров за период с 2018 по 2023 год. Для заполнения пропусков в данных и прогнозирования получения ооцитов сравнивали различные модели машинного обучения, которые использовали как внутренние модели импутации. Модели валидировали при разной доле пропусков (от 0 до 90 %) с использованием бутстрэп-анализа, чтобы обеспечить статистическую устойчивость и оценить воспроизводимость в разных клинических условиях.

Результаты: Лучшая модель при использовании фактического АМГ показала AUC 0,838. Несмотря на относительно низкую объясненную дисперсию при восстановлении АМГ (R≈0,2), импутированные значения содержали достаточно клинической информации, чтобы служить надежными прогностическими суррогатами. Эффективность модели оставалась выше иллюстративного порога AUC 0,80 до достижения доли пропусков 35,5 %. Анализ SHAP подтвердил, что модель ИИ эффективно использовала возраст и другие клинические переменные для компенсации отсутствующих данных АМГ.

Выводы: Импутация на основе ИИ — практическое решение для клинической помощи при бесплодии, где пропуски данных обусловлены проблемами документации или ведением повторных циклов. Этот подход устраняет разрыв между идеальными лабораторными записями и реальными ограничениями данных, обеспечивая доступность решений на основе данных даже при неполной документации.