基于阶段结构的条件更新分布式IVF结果预测方法

《Journal of Assisted Reproduction and Genetics》：Stage-structured, distributional prediction of IVF outcomes with conditional updating

　　

摘要

研究目的

旨在开发一种基于分布的、分阶段的体外受精预测框架，该框架能够在每个治疗阶段生成完整的概率分布，并在获得观测结果后对后续预测进行条件更新。

研究方法

我们利用经过匿名处理的英国人类受精与胚胎学管理局的登记数据（2017–2018年；经过阶段特定筛选后共有101,217个适合建模的周期），通过观察性建模研究来模拟卵子提取、成熟和受精过程。卵子提取过程采用零膨胀负二项分布模型进行建模。而囊胚形成、整倍性、玻璃化保存以及整倍体移植后的活产等后续过程，则通过根据已发表的队列数据和国家登记数据总结而来的阶段特定逻辑回归模型进行建模（另有429,507条观测数据）。这些基于HFEA数据的模型的预测性能是通过使用保留的测试数据集，从点预测精度、训练集与测试集的差异、预测区间覆盖率以及不同预测结果层面的校准程度等方面进行评估的。

研究结果

该框架能够在连续的IVF阶段之间传递完整的概率分布，而非仅提供点估计值。通过保留的HFEA数据验证发现，训练集与测试集之间的性能差异极小（\(R^2\)差异小于0.007），卵子提取的预期计数精度较低，而成熟和受精过程的预期计数精度则较高。卵子提取的预测区间覆盖率接近理想水平（50%：50.2%；80%：79.2%；95%：94.9%），并且在不同的预测产量/比率层面，实际观测到的平均结果与预测值较为接近。当输入实际观测到的阶段结果后，后续的分布会相应更新，从而降低不确定性，并在单次或多次周期的处理中保持各周期特有的生物学参数。

结论

这种具有条件更新功能的、基于分布的连续阶段IVF预测模型能够提供考虑了不确定性的、分阶段的预测结果，且能够根据患者的具体情况动态调整，从而为更个性化的咨询和治疗计划提供支持。