Крупномасштабная модель прогнозирования рождения детей, крупных для гестационного возраста, после ЭКО/ИКСИ

Цель: Разработать и провести внутреннюю валидацию модели машинного обучения для прогнозирования риска рождения ребёнка, крупного для гестационного возраста (LGA), после ЭКО/ИКСИ, а также определить наиболее значимые родительские и связанные с лечением прогностические факторы.

Методы: В исследование включили 17 741 одноплодное живорождение после ЭКО/ИКСИ; новорождённых классифицировали как соответствующих гестационному возрасту (AGA) или крупных для гестационного возраста (LGA). Собирали данные об исходах родов, характеристиках родителей и переменных, связанных с лечением. Набор данных случайным образом разделили на обучающую и тестовую выборки в соотношении 7:3. Модель XGBoost разработали и оптимизировали с использованием фреймворка Optuna и алгоритма Tree-structured Parzen Estimator. Эффективность модели оценивали по площади под ROC-кривой (AUC), результатам калибровочного анализа, показателю Бриера и классификационным метрикам. В качестве традиционной базовой модели использовали логистическую регрессию. Интерпретируемость модели оценивали с помощью анализа SHAP.

Результаты: Внутренняя проверка на отложенной тестовой выборке показала, что модель XGBoost достигла AUC 0,7003 против 0,6445 для логистической регрессии. По результатам калибровочного анализа показатель Бриера для XGBoost был ниже, чем для логистической регрессии (0,2040 против 0,2295). Согласно анализу SHAP, наиболее значимыми прогностическими факторами в модели были стратегия переноса эмбриона, антропометрические и метаболические характеристики матери, а также несколько характеристик отца.

Выводы: При внутренней валидации модель машинного обучения продемонстрировала умеренную способность различать риск рождения ребёнка, крупного для гестационного возраста, среди одноплодных беременностей после ЭКО/ИКСИ. Полученные данные указывают на преимущественную связь стратегий криоконсервации эмбрионов, а также материнских и отцовских факторов с чрезмерным ростом плода. Несмотря на приемлемую дискриминационную способность модели, для оценки её клинической применимости необходима проспективная внешняя валидация.