离散时间生存分析机器学习模型用于多周期IVF预后预测

研究问题：离散时间生存分析机器学习（ML）方法能否为患者在诊断时（治疗前）和第一个治疗周期后（治疗后）提供可靠且准确的累积活产率（CLBR）预测？ 摘要答案：我们开发了离散时间生存分析ML模型，可提供多达六个完整IVF周期的个性化CLBR估计，具有良好的区分性能，尤其是在治疗后阶段。 已知背景：用于估计IVF多周期累积成功率的首批相关预后模型性能中等，治疗前和治疗后模型的C统计量范围为0.7至0.73。 研究设计、规模、持续时间：这项回顾性单中心研究将2014年1月至2021年4月期间在一家三级中心开始IVF治疗的1429对夫妇作为开发数据集。另外613对夫妇于2021年4月至2023年12月期间在同一中心开始治疗，作为时间验证数据集。 参与者/材料、设置、方法：使用以下指标评估预测性能：预测误差（Brier评分、标化Brier评分）、时间依赖AUC（累积/动态AUC、平均AUC和时间依赖精确召回AUC）以及校准（平均校准、校准图和校准斜率）。治疗前和治疗后模型均预测多达六个完整IVF周期的累积活产成功率。训练、评估并比较了多种离散时间生存分析方法与基线模型。离散时间生存分析模型包括嵌入广义线性模型（Logit）和基于树的集成模型（贝叶斯加性回归树（BART）、随机森林）的模型。基线模型为重新拟合/重新校准的治疗前和治疗后McLernon模型，考虑了我们的数据中可用的因素。 主要结果和偶然性的作用：离散时间生存分析模型，尤其是BART，在我们的数据上表现优于基线模型，尤其是在治疗后阶段。验证结果显示治疗前模型具有中等区分能力，平均AUC为0.69（95% CI：0.65，0.73），标化积分Brier评分（IBS）为0.13（较Kaplan-Meier估计提高13%）。治疗后模型区分能力强，平均AUC为0.82（95% CI：0.79，0.85），标化IBS为0.19。在BART模型中，治疗前和治疗后模型最重要的特征分别是女性年龄和胚胎利用率（EUR）。 大规模数据：不适用。 局限性、谨慎原因：本研究受限于回顾性单中心设计，包括中等样本量和较长观察时间跨度。在方法学上，重新拟合McLernon基线模型时，我们的数据中缺少若干特征。 发现的更广泛意义：这项工作说明了如何使用离散时间生存分析ML模型生成个性化、多周期IVF预后。这些ML模型可以很容易地在当地人群上训练，从而促进中心特异性预测。我们的发现支持通过数据驱动的沟通来改善患者咨询，以制定个性化治疗计划的持续努力。 资金：本研究得到弗兰德斯国家研究基金会（FWO）（F.K.N.的个人授权1235924N，C.V.、T.T.S.的研究资助G046024N）和弗兰德斯政府（Flanders AI Research program）的资助。 披露：资助者在研究设计、数据收集或分析、发表决定或手稿准备中没有任何作用。无需声明利益冲突。