مدل سازی پیش بینی میزان موفقیت انتقال رویان در فناوری های کمک باروری

Abstract

چکیده پژوهش مقدمه: فناوری های کمک باروری، روش های نوظهور و پیشرفت های اخیر در درمان ناباروری هستند. علی رغم ماهیت فرآیندهای پیچیده و پرهزینه بودن این روش ها، تغییر قابل توجهی در نرخ باروری رخ نداده است. هدف از این مطالعه ایجاد یک مدل محاسباتی برای پیش بینی نتیجه ی لانه گزینی بعد از یک چرخه ی انتقال رویان بود. 1360مواد و روش ها: این پژوهش از نوع کاربردی توسعه ای است که در آن اطلاعات 500 بیمار و - رویان انتقال داده شده در بین سال های 2016 تا 2018 ، گردآوری شده است. مجموعه داده های پژوهش متشکل از 82 ویژگی به همراه یک کلاس طبقه بندی که معرف نتایج مثبت و منفی لانه گزینی است، می باشد. الگوریتم های مختلف یادگیری ماشین برای ساخت مدل پیش بینی، بر روی داده ها مورد آزمایش قرار گرفت. با استفاده از الگوریتم های انتخاب ویژگی، به وزن دهی و انتخاب موثرین ویژگی ها و بهبود عملکرد مدل طراحی شده، پرداخته شد. داده ها با استفاده از نرم افزار داده کاوی مورد تجزیه و تحلیل قرار گرفتند. یافته ها: با توجه به نتایج، مدل Random Forest (RF) 90 % و / با صحت 40 AUC %93/74 به عنوان بهترین مدل برای پیش بینی نتایج انتقال رویان است. بر مبنای الگوریتم انتخاب ویژگی ماشین بردار پشتیبان ) SVM-FS (، تعداد بهینه ی تاثیرگذارترین ویژگی ها 78 بود. متغیر دوز داروهای FSH/HMG برای تحریک تخمک گذاری، موثرترین پارامتر پیش بینی کننده در نتیجه ی انتقال رویان بود. نتیجه گیری: مدل پیش بینی پیشنهاد شده بر مبنای یادگیری ماشین، توانایی پیش بینی نتیجه ی لانه گزینی با صحت بالا را قبل از شروع چرخه ی انتقال رویان دارد. همچنین این مدل

می تواند به عنوان ابزاری برای پشتیبانی از تصمیم بالینی در انتخاب بهترین رویان ها و در نهایت افزایش میزان موفقیت فناوری های کمک باروری باشد.