《Middle East Fertility Society Journal》：A machine learning-based framework for predicting ovarian response and OHSS risk in GnRH antagonist IVF/ICSI cycles: a multi-objective optimization approach
编辑推荐：
背景：由于卵巢反应存在显著的个体间差异，且需要平衡治疗疗效与安全性，在GnRH拮抗剂方案中选择合适的促性腺激素起始剂量仍具挑战。方法：在这项回顾性队列研究中，研究人员纳入了接受GnRH拮抗剂方案IVF/ICSI的女性。研究人员开发了包括XGBoost和Rand
背景：由于卵巢反应存在显著的个体间差异，且需要平衡治疗疗效与安全性，在GnRH拮抗剂方案中选择合适的促性腺激素起始剂量仍具挑战。方法：在这项回顾性队列研究中，研究人员纳入了接受GnRH拮抗剂方案IVF/ICSI的女性。研究人员开发了包括XGBoost和Random Forest在内的机器学习模型，利用基线临床和激素变量预测卵母细胞产量（oocyte yield）和中度至重度卵巢过度刺激综合征（OHSS）。研究人员应用了多目标优化框架，该框架包含一个复合评分（卵母细胞产量 ? 5.0 × OHSS概率），以推导出个体化起始剂量，平衡疗效与安全性。结果：最终分析共纳入770个周期。模型对卵母细胞产量表现出预测性能（R2 = 0.523，RMSE = 4.75），对中度至重度OHSS具有中等区分能力（AUC = 0.597）。特征重要性分析表明，AMH、AFC和年龄是最具影响力的预测因子。剂量-反应模拟揭示了最佳剂量中显著的个体间差异，卵巢储备较高的患者需要较低的起始剂量以获得有利结局，同时最小化OHSS风险。结论：本研究提出了一种基于机器学习的多目标优化框架，用于个体化促性腺激素剂量，提供了临床可操作的决策支持，并推动了辅助生殖中的精准医学发展。
**论文解读文章**
**研究背景与问题**
在体外受精（IVF）和卵胞浆内单精子注射（ICSI）中，控制性卵巢刺激（COS）是核心环节。然而，在促性腺激素释放激素（GnRH）拮抗剂方案中，选择恰当的促性腺激素起始剂量始终是临床难点，主要源于卵巢反应存在显著的个体间差异，且需权衡治疗疗效与安全性。当前临床实践多依赖基于卵巢储备标志物如抗苗勒氏管激素（AMH）和窦卵泡计数（AFC）的经验性方法，但单一标志物的预测能力有限，无法捕捉多个临床变量间的复杂交互作用，导致规则化策略可能引发卵巢反应不佳或增加卵巢过度刺激综合征（OHSS）风险。尽管已有研究尝试通过算法或列线图实现个体化剂量，其临床获益仍不一致。机器学习（ML）虽能整合多变量并建模非线性关系，但多数模型仅聚焦于单一结局预测，未延伸至临床决策支持，尤其在起始剂量优化方面。为此，研究人员开展本研究，旨在开发一种基于机器学习的多目标优化框架，同时考虑卵巢反应与OHSS风险，以推导个体化促性腺激素起始剂量，推动辅助生殖中的精准医学。该论文发表于《Middle East Fertility Society Journal》。
**关键技术方法**
本研究为回顾性队列研究，样本来源于黄石市中心医院生殖医学中心（2018年1月至2024年12月），共纳入770个GnRH拮抗剂方案IVF/ICSI周期。主要技术方法包括：构建随机森林（Random Forest）和XGBoost等机器学习模型，用于预测卵母细胞产量（oocyte yield）和中度至重度OHSS；应用多目标优化框架，通过复合评分（卵母细胞产量 ? 5.0 × OHSS概率）在各候选起始剂量（75–300 IU）中筛选最优剂量；采用SHAP（SHapley Additive exPlanations）分析量化特征贡献与方向性。模型性能评估指标包括决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）及受试者工作特征曲线下面积（AUC）。
**研究结果**
**基线特征（Baseline characteristics）**
研究共纳入770个周期，参与者平均年龄32.8岁，平均体重指数（BMI）22.4 kg/m2。根据博洛尼亚标准划分为低反应（≤3个卵母细胞，n=223）、正常反应（4–15个卵母细胞，n=414）和高反应（≥16个卵母细胞，n=133）三组。OHSS发生41例（5.3%），其中轻度30例（3.9%），中度至重度11例（1.4%）。
**模型性能（Model performance）**
随机森林回归模型在独立测试集（n=154）上预测卵母细胞产量的R2=0.523，RMSE=4.75，MAE=3.51，显示预测值与观测值呈线性关系。随机森林分类器预测中度至重度OHSS的AUC为0.597，在Youden指数确定的概率阈值下，准确度0.72，灵敏度0.64，特异度0.75，表明在低事件率人群中的中等区分能力。
**特征重要性（Feature importance）**
SHAP分析显示，AMH、AFC和年龄是预测卵母细胞产量的最主要变量，其中AMH和AFC呈正向效应（高值增加预测产量），年龄呈负向效应（高龄减少预测产量）。促性腺激素起始剂量贡献显著，基础LH、BMI和基础雌二醇（E2）重要性中等，不孕类型及不孕年限贡献较小。OHSS预测模型中，AMH和起始剂量为风险主要驱动因子。
**个体化剂量优化（Individualized dose optimization）**
多目标优化框架揭示最佳起始剂量存在显著个体间差异。高卵巢储备（AMH≥3.2 ng/mL）患者需较低起始剂量即可获得满意卵母细胞产量，且随剂量增加OHSS概率陡升；低储备（AMH<1.8 ng/mL）患者则需较高剂量以提升产量，OHSS风险相对较低。剂量-反应曲线在≥200 IU时趋于收敛，反映促性腺激素刺激的封顶效应。
**起始剂量与卵母细胞产量的观察关系（Observed relationship between starting dose and oocyte yield）**
散点图与LOESS平滑曲线显示起始剂量与卵母细胞数呈正相关，但个体间变异显著，提示统一剂量策略的局限性。
**OHSS预测模型的校准（Calibration of the OHSS prediction model）**
由于中度至重度OHSS发生率低（1.4%），传统校准曲线不可行，视觉检查证实预测概率集中在低风险范围，与人群低事件率一致。
**模型推荐剂量的反事实分析（Counterfactual analysis of model-recommended doses）**
在测试集（n=154）中，模型建议高储备患者降低剂量以最小化OHSS风险，低储备患者则因高剂量边际收益有限而建议保守剂量，反事实分析提示框架的潜在临床效用，但需前瞻性验证。
**讨论与结论**
本研究开发的机器学习多目标优化框架整合了多个临床变量，兼顾疗效（卵母细胞产量）与安全（OHSS风险），弥补了传统单结局预测模型的不足。与既往基于AMH、AFC的列线图或算法相比，该框架能更全面地捕获卵巢反应的多因素交互作用，为临床决策提供数据驱动依据。尽管模型对中度至重度OHSS的预测性能中等（AUC=0.597），可能受限于低发生率（1.4%）导致的类别不平衡，但仍实现了有临床意义的风险分层。研究优势包括：首次将多目标优化引入剂量选择，且使用常规临床变量，易于推广。局限性为单中心回顾性设计，存在选择偏倚（如排除周期取消及无卵母细胞获取者），且人群以年轻、卵巢储备较好者为主（平均年龄32.8岁，仅28.9%为低反应），外推性受限。此外，OHSS低发生率可能影响模型稳定性，需在大样本中验证。未来应开展多中心前瞻性验证，并整合遗传、蛋白组学数据以提升性能。
**结论翻译**：总之，研究人员开发了一种新型的基于机器学习的多目标优化框架，用于在GnRH拮抗剂周期中个体化选择促性腺激素起始剂量。通过整合多个临床变量并平衡卵巢反应与OHSS风险，该模型为辅助生殖中的精准医学提供了有前景的工具。
