Background: The interpretation of spermogram parameters in dynamic observation remains debatable, and investigation of the significance and impact of some parameters on the effectiveness of infertility treatment using assisted reproductive technologies (ART) under the circumstances of increasing rate of male factor infertility is extremely relevant. Data analysis using machine learning (ML) enables more accurate and targeted determination of most significant correctable and non-correctable predictors of pregnancy after using ART programs.
Objective: The purpose of the study was determination of the significance and impact of each parameter characterizing the quality of the ejaculate on pregnancy rate, as well as the impact of these indicators on the embryonic stage of ART programs using linear regression and machine learning techniques.
Materials and methods: The retrospective study included 1021 married couples. The study analyzed spermogram data on the day of transvaginal ovarian puncture depending on the clinical and embryological outcomes in ART programs using decision tree and linear regression algorithms.
Results: The analysis of linear regression and decision tree models showed different results of the significance of each factors of spermogram in determining the outcomes of the embryonic stage and pregnancy rate. It is noteworthy that the decision tree demonstrated high significance of the indicator “sperm concentration in 1 ml, mln”.
Conclusion: The results of the study reflect not only perspectives for further research in this area, but also the need to optimize the readiness of men for ART programs. Linear regression models not always capture hidden trends in the large volume of the analyzed information.
Актуальность: Интерпретация показателей спермограммы при динамическом наблюдении остается неоднозначной, и изучение «веса» и вклада того или иного параметра в результативность лечения методом вспомогательных репродуктивных технологий (ВРТ) в условиях повышения доли мужского фактора представляется крайне актуальным. Анализ данных при помощи машинного обучения (МО) позволяет более точно и таргетно определить наиболее значимые корригируемые и некорригируемые предикторы наступления беременности в программах ВРТ.
Цель: Определение «веса» и влияния каждого параметра, характеризующего качество эякулята, на частоту наступления беременности, а также вклад данных показателей в эмбриологический этап программы ВРТ при помощи линейной регрессии и машинного обучения.
Материалы и методы: В ретроспективное исследование была включена 1021 супружеская пара. В исследовании были проанализированы данные спермограммы в день трансвагинальной пункции яичников в зависимости от клинических и эмбриологических исходов программы ВРТ с использованием построения алгоритмов решающего дерева и линейной регрессии.
Результаты: Построенные модели с использованием линейной регрессии и решающего дерева показали различные результаты значимости каждого фактора спермограммы в определении исходов эмбриологического этапа и частоты наступления беременности. Обращает на себя внимание, что дерево решений продемонстрировало высокую значимость показателя «концентрация сперматозоида в 1 мл, млн».
Заключение: Данные результаты отражают не только высокую перспективность дальнейших исследований в данной области, но и необходимость оптимизации подготовки мужчин к программе ВРТ. Модели, построенные с использованием линейной регрессии, не всегда могут улавливать тренд, скрытый в большом объеме анализируемой информации.