Повышение прогностической эффективности искусственного интеллекта при индивидуализированной стимуляции яичников в программе экстракорпорального оплодотворения: ретроспективное когортное исследование

Введение: В мире ежегодно выполняют более 2,5 млн циклов экстракорпорального оплодотворения (ЭКО), и с учетом старения населения их число, как ожидается, будет расти. Контролируемая стимуляция яичников — ключевой этап успеха ЭКО — по своей природе сложна. Учитывая развитие искусственного интеллекта (ИИ), в этом исследовании оценивали, могут ли серии моделей ИИ превосходить традиционную клиническую практику по точности прогноза и оптимизации контролируемой стимуляции яичников.

Методы: В ретроспективное когортное исследование включали пациентов с первым циклом стимуляции яичников (октябрь 2017 г. — декабрь 2020 г.); валидацию выполняли на независимой когорте (январь 2018 г. — январь 2022 г.). Отобрали шесть алгоритмов ИИ и 73 переменные. Стратегия из четырех подмоделей включала модели прогноза риска низкого и гиперергического ответа яичников (LORRM, HORRM) и модели выбора стратегии (LORSM, HORSM) для управления ключевыми компонентами контролируемой стимуляции яичников. Важность признаков оценивали с помощью методов Shapley additive explanations; для проверки устойчивости проводили анализ чувствительности. Также ретроспективно оценивали способность предлагать эффективные стратегии контролируемой стимуляции яичников.

Результаты: Разработан прототип системы из четырех подмоделей на основе экстремального градиентного бустинга деревьев. Все подмодели по дискриминационной способности превосходили традиционные маркеры овариального резерва (AUC, 95% ДИ: LORSM — 0,95 [0,94–0,96]; LORRM — 0,93 [0,92–0,94]; HORSM — 0,90 [0,88–0,91]; HORRM — 0,89 [0,87–0,91]; для всех DeLong P < 0,001). Калибровка была удовлетворительной (оценки Brier для четырех подмоделей варьировали от 0,064 до 0,072), результаты внешней валидации были обнадеживающими (AUC от 0,84 до 0,88), как и результаты анализа чувствительности. Среди компонентов контролируемой стимуляции яичников на риск низкого и гиперергического ответа наибольшее влияние оказывали протокол стимуляции и применение рекомбинантного фолликулостимулирующего гормона соответственно; начальная доза ФСГ занимала третье место. Диастолическое артериальное давление, аланинаминотрансфераза и число лейкоцитов предсказывали низкий ответ, а исходный уровень лютеинизирующего гормона и число тромбоцитов были ключевыми для гиперергического ответа. Несколько из них были новыми потенциальными биомаркерами. Подмодели LORSM и HORSM выявляли эффективные стратегии с точностью 95,5% (95% ДИ 94,6–96,4%) и 98,4% (95% ДИ 98,0–98,9%) соответственно.

Выводы: Система на основе ИИ превосходила обычную клиническую практику по выявлению аномальных ответов яичников и по выбору эффективной индивидуализированной контролируемой стимуляции яичников, сохраняя прозрачность работы. Система выявила потенциальные биомаркеры, выходящие за рамки традиционных маркеров овариального резерва, и дала новые ориентиры для оптимизации ЭКО, что делает ее перспективной для развития персонализированной репродуктивной медицины.