Vorhersage für maschinelles Lernen und Schwangerschaftserfolg bei Fruchtbarkeitsbehandlungen (MaLIV-PMA)

Dies ist eine multizentrische, beobachtende, retrospektive, gemeinnützige Studie, die vom IRCCS San Raffaele Hospital koordiniert wird, zielt darauf ab, anonymisierte Daten zu analysieren, die zwischen 2019 und 2024 von rund 5.000 Paaren gesammelt wurden, die sich in drei teilnehmenden Zentren befinden. In der Studie werden wichtige Variablen untersucht, einschließlich Alter, Krankengeschichte, Behandlungsprotokolle, Kunsttechniken (wie In-vitro-Fertilisation [IVF] und intrazytoplasmatischer Spermieninjektion [ICSI]), Embryoqualität und Schwangerschaftsergebnissen, um ein maschinelles Vorhersagungsmodell für Schwangerschafts-Outcomes zu entwickeln. Der ausgewählte Zeitrahmen gewährleistet einen ausreichend großen Datensatz, um eine robuste Entwicklung und Validierung des Vorhersagemodells zu erleichtern.

Durch die Nutzung von Techniken des maschinellen Lernens zielt diese Studie darauf ab, die Genauigkeit von Vorhersagen der Schwangerschaftsergebnisse zu verbessern und damit die Beratung und Behandlungsplanung der Patienten in Kunstverfahren zu verbessern. Der umfassende Datensatz, der eine Vielzahl von Variablen und eine beträchtliche Anzahl von Fällen umfasst, bietet eine robuste Grundlage für die Entwicklung eines prädiktiven Modells mit hoher klinischer Anwendbarkeit.

Das Hauptziel dieser Studie ist es, ein Vorhersagemodell für maschinelles Lernbasis für Schwangerschaftsergebnisse in assistierten Fortpflanzungstechnologien (ART) zu entwickeln, indem große, anonymisierte Daten für wissenschaftliche Forschungszwecke analysiert werden. Das Modell zielt darauf ab, wichtige Muster und Faktoren zu identifizieren, die mit erfolgreichen Schwangerschaftsergebnissen korrelieren, um individuelle Behandlungsprotokolle für Patienten zu optimieren, die sich einer Kunst unterziehen.

Stichprobengröße:

Die Stichprobengröße beträgt ungefähr 5.000 Paare von Probanden (Frauen + Männern), basierend auf der Gesamtzahl der in den teilnehmenden Zentren aufgezeichneten Kunstzyklen und der Anzahl der Patienten mit vollständigen Datenaufzeichnungen, die ausreichende Informationen für die Analyse liefern. Wir erwarten ungefähr 1650 Paare für die Klasse "Erfolg" und 3350 für die Klasse "Ablasskess" der IVF -Behandlung. Daher könnte das maschinellernbasierte Vorhersagemodell unter Verwendung eines multi-parametrischen Ansatzes mit einem ausgeglichenen Satz von 1350 Probandenpaaren trainiert werden, wobei die verbleibenden Paare von Probanden verwendet werden, um die Leistung des Modells zu testen.

Die minimale Stichprobengröße für die retrospektive Studie sollte 295 Probandenpaare betragen, um ein 95% -Konfidenzintervall von ± 2,5% um eine erwartete Empfindlichkeit von 94% und eine erwartete Spezifität von 15% des Vorhersagemodells mit einer Prävalenz des IVF -Behandlungserfolgs von 30% und einer Abbrecherrate von 2% zu ergeben. Diese Erfolgsprävalenz wird auf der Grundlage der Erfahrung der klinischen Stelle mit der Anzahl der IVF -Behandlungen erwartet. Die Abbrecherrate wird bei 2%als niedrig angesehen, unter Berücksichtigung der Art der retrospektiven klinischen Studie mithilfe von Software und der Restmöglichkeit, dass vollständige Daten nicht gültig sind. Empfindlichkeit, Spezifität, positive und negative Vorhersagewerte werden mit ihren 95% -Konfidenzintervallen berechnet.

In Anbetracht der minimalen Stichprobengröße und der verfügbaren Anzahl von Proben erwarten wir, dass wir aus den Hypothesentests statistische Signifikanz erreichen und eine multimodale Signatur der Prädiktoren für den IVF-Erfolg erhalten.

Statistisches Design Eine strukturierte Methodik wird eingesetzt, um maschinelle Lernmodelle für Binärklassifizierungsaufgaben zu entwickeln und zu bewerten, was insbesondere zwischen "Erfolg" und "nicht Erfolg" unterscheidet. Der Prozess beginnt mit der Auswahl informativer und nicht redundanter Merkmale, wodurch diejenigen mit geringer Abweichung und hoher Korrelation beseitigt werden. Anschließend werden drei verschiedene Klassifikatormodelle-Random-Wald-, Stützvektormaschinen (SVM) und K-Nearest-Nachbarn (KNN) geschult und unter Verwendung der k-fachen Kreuzvalidierung geschult und bewertet, um eine robuste Leistungsbewertung sicherzustellen. Um potenzielle Datenungleichgewichte zu beheben, wird die Adasyn -Technik angewendet und generiert synthetische Proben für die Minderheitenklasse. Die Modellleistung wird unter Verwendung verschiedener Metriken, einschließlich Genauigkeit, Sensitivität, Spezifität und Bereich unter der Operating Charakteristikkurve (ROC-AuC), die effektivste Modellsmodell, quantifiziert. Schließlich wird eine statistische Analyse der relevantesten Merkmale unter Verwendung von nichtparametrischen Tests und Korrekturen für mehrere Vergleiche durchgeführt, um Klassenunterschiede aufzuklären und die Ergebniszuverlässigkeit sicherzustellen.

Dieser strukturierte Ansatz stellt sicher, dass die Modelle durch strenge Test und Analyse akribisch abgestimmt und validiert werden, was zu genauen und zuverlässigen maschinellen Lernmodellen für Binärklassifizierungsaufgaben führt.

Einverstanden und Datenschutz gemäß den Datenschutzvorschriften verwendet die Studie anonymisierte Daten, die zuvor durch routinemäßige klinische Praxis gesammelt und in Meditex IVF gespeichert wurden, einer Managementsoftware, die in den teilnehmenden assistierten Reproduktionszentren verwendet wird. Im Rahmen der Studie tritt keine direkte Interaktion oder Intervention des Patienten auf. Alle Daten werden nach Best Practice -Richtlinien anonymisiert, um die Vertraulichkeit der Patienten zu gewährleisten und ethische Standards und anwendbare Datenschutzbestimmungen einzuhalten.

Der Ermittler (oder das Zentrum, das die Daten empfängt) verpflichtet sich, die Daten ausschließlich für die Zwecke der Studie zu verarbeiten, sie in einem sicheren Netzwerksystem zu speichern und den Zugang zu autorisierten Personal, die Vertraulichkeitsvereinbarungen abgeschlossen haben, einzuschränken. Wenn externe Lieferanten beteiligt sind, werden sie als Datenverarbeiter mit geeigneten Vereinbarungen ernannt. Der Ermittler wird auch die Ausübung von betroffenen Personenrechten, einschließlich Zugriff, Gleichberechtigung, Stornierung, Einschränkung, Opposition und Portabilität, innerhalb von 30 Tagen nach Erhalt des relevanten Antrags erleichtern. Im Falle einer Datenkommunikation außerhalb der Institution in pseudonymisierter Form werden Anstrengungen unternommen, um die Identifizierung von betroffenen Personen zu verhindern. Innerhalb von 30 Tagen nach dem Ende der Studie stellt der Ermittler die Löschung oder die irreversible Anonymisierung der kommunizierten Daten sicher und kommuniziert dies umgehend schriftlich.

Eine vom Data Protection Officer (DPO) des Koordinierungsinstituts überprüfte Studie-spezifische Datenschutzbewertung (DPIA) wurde gemäß den geltenden Datenschutzgesetzen durchgeführt.