Vorhersage der kumulativen Lebendgeburtenrate bei Patientinnen mit tubarer und männlicher Infertilität unter In-vitro-Fertilisation (IVF)/intrazytoplasmatischer Spermieninjektion (ICSI): Ein maschinelles Lernverfahren unter Verwendung von XGBoost
ZUSAMMENFASSUNG
Infertilität stellt ein zunehmendes globales Gesundheitsproblem dar, und der Einsatz assistierter Reproduktionstechnologien (ART) hat in den letzten Jahren stark zugenommen. Insbesondere die In-vitro-Fertilisation (IVF) und intrazytoplasmatische Spermieninjektion (ICSI) sind etablierte Methoden zur Behandlung von Infertilität. Die Erfolgsraten dieser Verfahren werden jedoch von zahlreichen Faktoren beeinflusst, und Patientinnen sind häufig hohen Kosten sowie Risiken wie ovariellem Hyperstimulationssyndrom, Infektionen und Mehrlingsschwangerschaften ausgesetzt. Eine präzise Vorhersage der ART-Ergebnisse ist entscheidend, um individuelle Therapiestrategien zu optimieren und die Patientenberatung zu verbessern. Traditionelle statistische Modelle, wie die logistische Regression, weisen jedoch häufig eine geringe Vorhersagegenauigkeit auf, was die Notwendigkeit fortschrittlicherer Methoden unterstreicht.
Durch den rasanten Fortschritt der Computertechnologie haben sich künstliche Intelligenz (KI) und maschinelles Lernen (ML) zunehmend in der medizinischen Forschung etabliert. Hierbei hat sich der eXtreme Gradient Boosting (XGBoost)-Algorithmus aufgrund seiner Fähigkeit zur Analyse komplexer Datensätze und zur Integration multipler Prädiktoren besonders bewährt. Diese Studie zielte darauf ab, ein XGBoost-basiertes Vorhersagemodell für die kumulative Lebendgeburtenrate (CLBR) nach IVF/ICSI bei tubarer und männlicher Infertilität zu entwickeln und dessen Leistung mit einem konventionellen logistischen Regressionsmodell zu vergleichen.
METHODIK
Retrospektiv wurden Daten von 3.012 Patientinnen analysiert, die zwischen Juli 2014 und März 2018 am Peking Union Medical College Hospital (China) eine IVF/ICSI-Behandlung erhielten. Ausgeschlossen wurden Patientinnen mit Eizell- oder Samenspende, Endometriose, endokrinen Erkrankungen oder unvollständigen Daten. Der Datensatz umfasste klinische Merkmale, Hormonwerte (basal und nach Ovulationsauslösung) sowie Protokolle zur kontrollierten ovariellen Hyperstimulation (COH). Der primäre Endpunkt war die Lebendgeburt nach mindestens 28 Schwangerschaftswochen, einschließlich aller Frisch- und Kryozyklen.
STATISTISCHE ANALYSE
Die logistische Regression wurde mittels schrittweiser Variablenselektion (Backward-Methode) mit Bootstrap-Resampling durchgeführt. Für das XGBoost-Modell wurde das Open-Source-Paket „XGBoost“ verwendet, das Feature-Importanz analysiert und einen optimalen Schwellenwert für die Lebendgeburtenwahrscheinlichkeit berechnet. Die Vorhersageleistung beider Modelle wurde anhand von Sensitivität, Spezifität, positivem/negativem prädiktivem Wert (PPV/NPV) und der Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC) bewertet. Kalibrierungskurven und Entscheidungskurvenanalysen (DCA) dienten zur Beurteilung der klinischen Nützlichkeit.
ERGEBNISSE
Der Datensatz umfasste 2.101 IVF- und 911 ICSI-Fälle. Das XGBoost-Modell identifizierte Alter, Östradiolspiegel am Tag nach Auslösung (E21), Prolaktin (PRL1), basales luteinisierendes Hormon (LH0), LH1, basales Östradiol (E20), basales Prolaktin (PRL0) und die gesamte FSH-Dosis als wichtigste Prädiktoren. Die logistische Regression selektierte Alter, sekundäre Infertilität, ICSI, Anzahl vorheriger IVF-Zyklen, FSH-Dosis, basales FSH (FSH0), basales Testosteron (T0), PRL1, LH1, E21, Progesteron (P1) und Testosteron (T1) nach Auslösung.
Das XGBoost-Modell zeigte eine signifikant höhere Vorhersageleistung (AUC: 0,901; 95 %-KI: 0,890–0,912) gegenüber der logistischen Regression (AUC: 0,724; 95 %-KI: 0,708–0,741; p < 0,001). Beide Modelle wiesen eine gute Kalibrierung auf, die DCA ergab jedoch einen größeren Nettonutzen für das XGBoost-Modell.
DISKUSSION
Die Studie demonstriert die Überlegenheit von XGBoost bei der Vorhersage von ART-Ergebnissen. Die hohe Diskriminationsfähigkeit und der klinische Nutzen des Modells unterstreichen sein Potenzial für personalisierte Therapieentscheidungen. Limitationen umfassen das retrospektive Design, die Einzentrum-Rekrutierung und fehlende externe Validierung. Zukünftige Studien sollten multizentrische Kohorten einbeziehen, um die Generalisierbarkeit zu bestätigen.
SCHLUSSFOLGERUNG
Das XGBoost-Modell bietet eine präzise Vorhersage der kumulativen Lebendgeburtenrate nach IVF/ICSI und übertrifft konventionelle statistische Ansätze. Durch verbesserte Patientenberatung und risikoadaptierte Behandlungsplanung könnte es die Erfolgschancen steigern und gleichzeitig Kosten sowie Nebenwirkungen reduzieren.
Interessenkonflikte
Die Autoren erklären keine Interessenkonflikte.
DOI
10.1097/CM9.0000000000001874