Сравнение прогностических моделей, построенных с помощью разных методов машинного обучения, на примере прогнозирования результатов лечения бесплодия методом вспомогательных репродуктивных технологий
- Авторы: Драпкина Ю.С.1, Макарова Н.П.1, Васильев Р.А.1, Амелин В.В.1, Калинина Е.А.1
-
Учреждения:
- ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации
- Выпуск: № 2 (2024)
- Страницы: 97-105
- Раздел: Оригинальные статьи
- URL: https://journals.eco-vector.com/0300-9092/article/view/631360
- DOI: https://doi.org/10.18565/aig.2023.263
- ID: 631360
Цитировать
Полный текст
Открытый доступ
Доступ предоставлен
Доступ платный или только для подписчиков
Аннотация
В репродуктивной медицине развитие машинного обучения (МО) привело к созданию большого количества вспомогательных программных продуктов. Прогнозирование результативности программы вспомогательных репродуктивных технологий (ВРТ) при помощи МО может быть осуществлено с использованием различных алгоритмов в зависимости от типа данных и поставленной задачи.
Цель: Сравнение прогностической способности логистической регрессии, алгоритма решающего дерева и Random Forest в отношении вероятности наступления беременности на основании клинико-анамнестических и эмбриологических данных пациентов в программе ВРТ.
Материалы и методы: В ретроспективное исследование были включены 854 супружеские пары. В исследовании были проанализированы клинико-лабораторные данные и параметры стимулированного цикла в зависимости от результативности программы ВРТ при помощи трех алгоритмов МО: логистической регрессии, решающего дерева и Random Forest.
Результаты: Наиболее точным алгоритмом прогнозирования частоты наступления беременности в программе ВРТ стала модель на основе Random Forest, которая определила значимость следующих предикторов: остановка эмбрионов в развитии, триггер финального созревания ооцитов, количество эмбрионов отличного и среднего качества, продолжительность стимуляции, фактор бесплодия, индекс массы тела, уровни ФСГ и АМГ; а также подтвердила значимость предикторов, которые были определены на предыдущих этапах работы, при помощи алгоритма решающего дерева: наличие/отсутствие беременностей в анамнезе, параметры стимулированного цикла (число ооцитов MII), показатели спермограммы в день пункции, количество эмбрионов отличного и хорошего качества, а также качество эмбриона согласно морфологическим критериям оценки.
Заключение: Для улучшения прогнозирования эффективности программы ВРТ требуются более качественные математические модели с интегральным подходом к решению задачи с использованием большой выборки пациентов с различными входными данными, представленными в сбалансированном объеме, а также дополнительные маркеры, определяющие эффективность программы ВРТ, позволяющие улучшить точность программного продукта.
Полный текст
Об авторах
Юлия Сергеевна Драпкина
ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации
Автор, ответственный за переписку.
Email: yu_drapkina@oparina4.ru
ORCID iD: 0000-0002-0545-1607
кандидат медицинских наук, научный сотрудник отделения вспомогательных технологий в лечении бесплодия им. профессора Б.В. Леонова
Россия, 117997, Москва, ул. Академика Опарина, д. 4Наталья Петровна Макарова
ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации
Email: np_makarova@oparina4.ru
доктор биологических наук, ведущий научный сотрудник отделения вспомогательных технологий в лечении бесплодия им. профессора Б.В. Леонова
Россия, 117997, Москва, ул. Академика Опарина, д. 4Роберт Андреевич Васильев
ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации
Email: yu_drapkina@oparina4.ru
руководитель Лаборатории прикладного Искусственного Интеллекта Z-union, вице-президент Ассоциации Лабораторий по Развитию Искусственного Интеллекта, аспирант Московского физико-технического института (МФТИ), магистр кафедры прикладной физики и математики МФТИ, магистр экономики (РАНХиГС при Президенте РФ), бакалавр Национального Исследовательского Университета «Московский институт электронной техники»
Россия, 117997, Москва, ул. Академика Опарина, д. 4Владислав Владимирович Амелин
ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации
Email: yu_drapkina@oparina4.ru
технический директор Лаборатории прикладного Искусственного Интеллекта Z-union, эксперт по машинному обучению, магистр Московского Государственного Университета (факультет вычислительной математики и кибернетики, кафедра математических методов прогнозирования), бакалавр Национального Исследовательского Университета «Московский институт электронной техники»
Россия, 117997, Москва, ул. Академика Опарина, д. 4Елена Анатольевна Калинина
ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации
Email: e_kalinina@oparina4.ru
ORCID iD: 0000-0002-8922-2878
доктор медицинских наук, профессор, заведующая отделением вспомогательных технологий в лечении бесплодия им. профессора Б.В. Леонова
Россия, 117997, Москва, ул. Академика Опарина, д. 4
Список литературы
- Ившин А.А., Багаудин Т.З., Гусев А.В. Искусственный интеллект на страже репродуктивного здоровья. Акушерство и гинекология. 2021; 5: 17-24. [Ivshin A.A., Bagaudin T.Z., Gusev A.V. Artificial intelligence on guard of reproductive health. Obstetrics and Gynecology. 2021; (5): 17-24 (in Russian)]. https://dx.doi.org/10.18565/aig.2021.5.17-24.
- Драпкина Ю.С., Калинина Е.А., Макарова Н.П., Мильчаков К.С., Франкевич В.Е. Искусственный интеллект в репродуктивной медицине: этические и клинические аспекты. Акушерство и гинекология. 2022; 11: 37-44. [Drapkina Yu.S., Kalinina E.A., Makarova N.P., Milchakov K.S., Frankevich V.E. Artificial intelligence in reproductive medicine: ethical and clinical aspects. Obstetrics and Gynecology. 2022; (11): 37-44. (in Russian)]. https://dx.doi.org/10.18565/aig.2022.11.37-44.
- Акжолов Р.К. Машинное обучение. Вестник науки. 2019; 3(6): 348-51. [Akzholov R.K. Machine learning.Vestnik Nauki. 2019; 3(6): 348-51. (in Russian)].
- Хохлов А.Л., Белоусов Д.Ю. Этические аспекты применения программного обеспечения с технологией искусственного интеллекта. Качественная клиническая практика. 2021; 1: 70-84. [Khokhlov A.L., Belousov D.Yu. Ethical aspects of using software with artificial intelligence technology. Good Clinical Practice. 2021; (1): 70-84. (in Russian)]. https://dx.doi.org/ 10.37489/2588-0519-2021-1-70-84.
- Сахибгареева М.В., Заозерский А.Ю. Разработка системы прогнозирования диагнозов заболеваний на основе искусственного интеллекта. Вестник РГМУ. 2017; 6: 42-6. [Sakhibgareeva M.V., Zaozersky A.Yu. Developing an artificial intelligence-based system for medical prediction. Vestnik RGMU. 2017; (6): 42-6. (in Russian)].
- Кобякова О.С., Стародубов В.И., Кадыров Ф.Н., Обухова О.В., Ендовицкая Ю.В., Базарова И.Н., Чилилов А.М. Новая система договоров в рамках ОМС. Менеджер здравоохранения. 2021; 4: 76-82. [Kobyakova O.S., Starodubov V.I., Kadyrov F.N., Obukhova O.V., Endovitskaya Yu.V., Bazarova I.N., Chililov A.M. New system of contracts within the framework of compulsory health insurance. Manager Zdravoohranenia. 2021; (4): 76-82. (in Russian)]. https://dx.doi.org/10.21045/1811-0185-2021-4-76-82.
- Barnett-Itzhaki Z., Elbaz M., Butterman R., Amar D., Amitay M., Racowsky C. et al. Machine learning vs. classic statistics for the prediction of IVF outcomes. J. Assist. Reprod. Genet. 2020; 37(10): 2405-12. https://dx.doi.org/10.1007/s10815-020-01908-1.
- Wang Q.Q., Yu S.C., Qi X., Hu Y.H., Zheng W.J., Shi J.X., Yao H.Y. Overview of logistic regression model analysis and application. Zhonghua Yu Fang Yi Xue Za Zhi. 2019; 53(9): 955-60. https://dx.doi.org/10.3760/ cma.j.issn.0253-9624.2019.09.018.
- Uddin S., Khan A., Hossain M.E., Moni M.A. Comparing different supervised machine learning algorithms for disease prediction. BMC Med. Inform. Decis. Mak. 2019; 19(1): 281. https://dx.doi.org/10.1186/s12911-019-1004-8.
- Jaworski M., Duda P., Rutkowski L., Jaworski M., Duda P., Rutkowski L. et al. New splitting criteria for decision trees in stationary data streams. IEEE Trans. Neural Netw. Learn. Syst. 2018; 29(6): 2516-29.
- Hu J., Szymczak S. A review on longitudinal data analysis with random forest. Brief. Bioinform. 2023; 24(2): bbad002. https://dx.doi.org/10.1093/bib/bbad002.
- Драпкина Ю.С., Макарова Н.П., Татаурова П.Д., Калинина Е.A. Поддержка врачебных решений с помощью глубокого машинного обучения при лечении бесплодия методами вспомогательных репродуктивных технологий. Медицинский cовет. 2023; 15: 27-37. [Drapkina J.S., Makarova N.Р., Tataurova P.D., Kalinina E.A. Deep machine learning applied to support clinical decision-making in the treatment of infertility using assisted reproductive technologies. Medical Council. 2023; (15): 27-37. (in Russian)]. https://dx.doi.org/10.21518/ms2023-368.
- Shen C., Wang Q., Priebe C.E. One-hot graph encoder embedding. IEEE Trans. Pattern Anal. Mach. Intell. 2023; 45(6): 7933-8. https://dx.doi.org/10.1109/TPAMI.2022.3225073.
- Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения. Врач и информационные технологии. 2017; 3: 92-105. [Gusev A.V. Prospects for neural networks and deep machine learning in creating health solutions. Information Technologies for the Physician. 2017; (3): 92-105. (in Russian)].
- Nayarisseri A., Khandelwal R., Tanwar P., Madhavi M., Sharma D., Thakur G. et al. Artificial intelligence, big data and machine learning approaches in precision medicine & drug discovery. Curr. Drug Targets. 2021; 22(6): 631-55. https://dx.doi.org/10.2174/1389450122999210104205732.
- Wang C.W., Kuo C.Y., Chen C.H., Hsieh Y.H., Su E.C.Y. Predicting clinical pregnancy using clinical features and machine learning algorithms in in vitro fertilization. PloS One. 2022; 17(6): e0267554. https://dx.doi.org/10.1371/journal.pone.0267554.
- Vaegter K.K., Lakic T.G., Olovsson M., Berglund L., Brodin T., Holte J. Which factors are most predictive for live birth after in vitro fertilization and intracytoplasmic sperm injection (IVF/ICSI) treatments? Analysis of 100 prospectively recorded variables in 8,400 IVF/ICSI single-embryo transfers. Fertil. Steril. 2017; 107(3): 641-648.e2. https://dx.doi.org/10.1016/j.fertnstert.2016.12.005.
- Tarín J.J., Pascual E., García-Pérez M.A., Gómez R., Hidalgo-Mora J.J., Cano A. A predictive model for women's assisted fecundity before starting the first IVF/ICSI treatment cycle. J. Assist. Reprod. Genet. 2020; 37(1): 171-80. https://dx.doi.org/10.1007/s10815-019-01642-3.
- Yang H., Liu F., Ma Y., Di M. Clinical pregnancy outcomes prediction in vitro fertilization women based on random forest prediction model: A nested case-control study. Medicine (Baltimore). 2022; 101(49): e32232. https://dx.doi.org/10.1097/MD.0000000000032232.
- Zmuidinaite R., Sharara F.I., Iles R.K. Current advancements in noninvasive profiling of the Embryo Culture Media Secretome. Int. J. Mol. Sci. 2021; 22(5): 2513. https://dx.doi.org/10.3390/ijms22052513.
- Долудин Ю.В., Драпкина Ю.С., Сазонкина П.О. Киселев А.Р., Горбунов К.С. Виртуальная система хранения биологических образцов и ассоциированных данных. Свидетельство о государственной регистрации программы для ЭВМ. Номер свидетельства: RU 2023610092. Патентное ведомство: Россия. Год публикации: 2023. Номер заявки: 2022686282. Дата регистрации: 19.12.2022. [Doludin Yu.V., Drapkina Yu.S., Sazonkina P.O. Kiselev A.R., Gorbunov K.S. Virtual storage system for biological samples and associated data. Certificate of state registration of a computer program. Certificate number: RU 2023610092. Patent Office: Russia. Year of publication: 2023. Application number: 2022686282. Registration date: 19/12/2022. (in Russian)].
Дополнительные файлы
