摘要
背景
男性因素约占夫妇不孕症的50%,但鲜有研究利用机器学习结合全面的男性伴侣生活方式和行为数据来预测自然受孕。
目的
开发并验证利用北美前瞻性孕前队列中男性伴侣详细的自我报告特征来预测自然受孕的机器学习模型。
材料与方法
我们分析了来自在线妊娠研究(PRESTO;2013–2024)的2843对夫妇。我们使用了185个男性伴侣变量,涵盖社会人口学、生活方式、饮食、人体测量、医学和生殖历史等领域(并将女性年龄和BMI作为协变量纳入),建立了以下模型:(1) 每周期受孕概率(模型I),使用离散时间比例风险模型;(2) 少于12个周期内怀孕(模型II);以及(3) 6个周期内怀孕(模型III),使用正则化逻辑回归、梯度提升树和随机森林。我们使用五折交叉验证评估模型性能。年龄分层分析(≥30岁 vs. <30岁)评估了预测因子的异质性。
结果
在2843对夫妇中,87.3%报告在少于12个周期内怀孕,69.7%在6个周期内怀孕。模型I的协调指数为~0.59(标准差 0.012)。通过递归特征消除选择以提高可解释性的稀疏正则化逻辑回归模型,模型II的ROC AUC为0.653(标准差 0.027),模型III的ROC AUC为0.639(标准差 0.016)——与使用所有候选预测因子的最佳全模型(AUC分别为0.665和0.648)相当。既往受孕史是最强的预测因子(模型II OR:1.48,95% CI:1.34–1.63;模型III OR:1.34,95% CI:1.21–1.47)。其他预测因子包括含糖饮料摄入、环境烟草烟雾暴露、胃食管反流病和体力活动。在≥30岁的男性中,男性年龄成为显著预测因子;而在较年轻的男性中,女性BMI、每周骑行≥3小时和烟草烟雾暴露是关键预测因子。
讨论与结论
纳入男性伴侣特征的机器学习模型在预测6–12个周期内怀孕方面表现出适度的区分能力。预测因子因男性年龄而异,凸显了可能需要进一步研究的异质性。可修改因素,特别是含糖饮料摄入、烟草烟雾暴露和体力活动,是已识别的预测因子之一,可能代表未来干预研究的候选目标。
利益冲突
J.J.Y.是Optum的员工,持有UnitedHealth Group的股票。L.A.W.从Swiss Precision Diagnostics和Kindara.com获得了实物捐赠,用于PRESTO中的原始数据收集。L.A.W.担任AbbVie公司和盖茨基金会的顾问。其他作者声明无利益冲突。
数据可用性声明
本文所依据的数据不公开可用,因为PRESTO参与者未同意将其数据与外部方共享。所有统计分析均使用Python进行。用于数据处理、分析和模型推理的相关代码可在 https://github.com/noc-lab/PRESTO-MaleFertility-models 公开获取。


