ترجمه فارسی مقاله پیش‌بینی احتمال تولد زنده IVF با استفاده از یادگیری ماشین، مدل‌های خاص مرکز: نتایج اعتبارسنجی و مزایای بالقوه نسبت به مدل‌های مبتنی بر ثبت ملی

چکیده

Ongoing improvement of pretreatment live birth prognostication for in vitro fertilization (IVF) is critical for informing fertility patients’ treatment decisions, advocating for IVF coverage and supporting value-based IVF care. The US national registry Society for Assisted Reproductive Technology (SART) IVF live birth prediction (LBP) model (SART model) has been widely adopted for its prognostic support without external validation or utilization studies. We conducted a retrospective model validation study to compare the IVF LBP performance of machine learning, center-specific (MLCS) models versus the SART model in 6 unrelated US fertility centers using their respective center-specific test sets comprising an aggregate of 4,635 patients’ first-IVF cycle data. Compared to the SART model, MLCS2 showed higher median Precision Recall AUC at 0.75 (IQR 0.73, 0.77) vs. 0.69 (IQR 0.68, 0.71), p<0.05 and higher median F1 Score across LBP thresholds. Further, MLCS1 showed no evidence of data drift when validated using out-of-time test data from a later period. Reclassification analysis showed that MLCS2 models assigned more appropriate and higher IVF LBPs compared to the SART model, which underestimated patient prognoses (continuous net reclassification index: 18.3%, p<0.0001). Overall, MLCS2 and SART models assigned 30% of patients to differential prognostic groups, with MLCS2 assigning 26% of patients to a higher LBP category compared to the SART model. Importantly, MLCS2 models identified 11% of patients to have LBP ≥ 75%, whereas the SART model detected none. This group had a live birth rate of 81%. We recommend testing a larger sample of fertility centers to further evaluate MLCS model benefits and limitations.

چکیده به فارسی (ترجمه ماشینی)

بهبود مداوم پیش درمانی پیش آگهی تولد زنده برای لقاح آزمایشگاهی (IVF) برای آگاهی از تصمیمات درمانی بیماران باروری ، حمایت از پوشش IVF و حمایت از مراقبت از IVF مبتنی بر ارزش بسیار مهم است.انجمن ملی رجیستری ایالات متحده برای فن آوری تولید مثل کمک شده (SART) IVF مدل پیش بینی تولد زنده (LBP) (مدل SART) به طور گسترده ای به دلیل پشتیبانی پیش آگهی خود بدون اعتبار سنجی خارجی یا مطالعات استفاده از آن پذیرفته شده است.ما یک مطالعه اعتبار سنجی مدل گذشته نگر را برای مقایسه عملکرد IVF LBP از یادگیری ماشین ، مدل های اختصاصی (MLCS) در مقابل مدل SART در 6 مرکز باروری ایالات متحده با استفاده از مجموعه های تست خاص مربوط به آنها که شامل جمع اول 4635 بیمار است ، انجام دادیم.-IVF داده های چرخه.در مقایسه با مدل SART ، MLCS2 با استفاده از میانگین فراخوان دقت بالاتر AUC را در 0.75 (IQR 0.73 ، 0.77) در مقابل 0.69 (IQR 0.68 ، 0.71) ، P <0.05 و میانگین بالاتر F1 در آستانه LBP نشان داد.علاوه بر این ، MLCS1 هنگام تأیید داده های آزمایش خارج از زمان از دوره بعدی ، هیچ مدرکی از رانش داده را نشان نداد.تجزیه و تحلیل طبقه بندی مجدد نشان داد که مدل های MLCS2 LBP های IVF مناسب تر و بالاتر را در مقایسه با مدل SART اختصاص داده اند ، که پیش بینی های بیمار را دست کم گرفته است (شاخص پیوستگی مجدد خالص: 18.3 ٪ ، P <0.0001).به طور کلی ، مدل های MLCS2 و SART 30 ٪ از بیماران را به گروه های پیش آگهی دیفرانسیل اختصاص داده اند ، با MLCS2 26 ٪ از بیماران را به یک دسته LBP بالاتر در مقایسه با مدل SART اختصاص می دهد.نکته مهم ، مدل های MLCS2 11 ٪ از بیماران را به عنوان 75 ≥ LBP مشخص کردند ، در حالی که مدل SART هیچ یک را تشخیص نداد.این گروه میزان تولد زنده 81 ٪ داشت.ما توصیه می کنیم یک نمونه بزرگتر از مراکز باروری را برای ارزیابی بیشتر مزایا و محدودیت های مدل MLCS آزمایش کنید. [sc name="papertranslation"][/sc]