Подход с применением машинного обучения для выявления ключевых детерминант достижения живорождения в циклах ИКСИ с использованием собственных ооцитов

Цель: Может ли объяснимый подход с применением машинного обучения выявить закономерности в данных и прогнозах, чтобы выбрать наиболее прозрачную модель предсказания живорождения в циклах ИКСИ с использованием собственных ооцитов?

Дизайн: В ретроспективное многоцентровое когортное исследование (январь 2011 — декабрь 2023 года) были включены 8066 пациенток. В анализ вошли только одиночные циклы ИКСИ с использованием собственных ооцитов и спермы донора или пациента (свежей или замороженной). В качестве потенциальных предикторов оценивали 47 переменных до лечения и в ходе цикла, полученных из электронных медицинских карт. Для отбора наиболее значимых предикторов живорождения в завершённом цикле применили 5 алгоритмов машинного обучения. С использованием подхода к интерпретируемости на основе значений SHAP были изучены механизмы принятия решений алгоритмами.

Результаты: Подход, основанный на данных, позволил оптимизировать 5 моделей машинного обучения до максимальной эффективности: средняя площадь под ROC-кривой составила 88,9 ± 0,5%, сбалансированная точность — 80,3 ± 0,5%, точность — 89,1 ± 4,1%, чувствительность — 66,1 ± 3,3%, средний F1-score — 0,757 ± 0,009. Значения SHAP и анализ мультиколлинеарности во всех 5 алгоритмах позволили отобрать 16 клинически значимых переменных как важные предикторы живорождения без ухудшения качества модели. Объяснимый подход с применением машинного обучения позволил раскрыть механизм принятия решений моделей и показал, что модели на основе деревьев решений, особенно классификатор градиентного бустинга, улавливают нелинейное распределение значений SHAP важности для 16 предиктивных переменных, при этом соответствуя современным клиническим представлениям.

Выводы: Применение объяснимого подхода с использованием машинного обучения для прогнозирования живорождения в циклах вспомогательных репродуктивных технологий позволяет выявлять скрытые закономерности в данных, что помогает выбрать наилучшую модель для прозрачного и более обоснованного ведения пациентов специалистами по вспомогательным репродуктивным технологиям.