دوشنبه 16 مهر 1403
[Archive]
دوره 21، شماره 12 - ( 9-1402 )
جلد 21 شماره 12 صفحات 1012-995 |
برگشت به فهرست نسخه ها
Ethics code: IR.MUMS.MEDICAL.REC.1399.060
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mehrjerd A, Rezaei H, Eslami S, Khadem Ghaebi N. A hybrid feature selection algorithm to determine effective factors in predictive model of success rate for in vitro fertilization/intracytoplasmic sperm injection treatment: A cross-sectional study. IJRM 2023; 21 (12) :995-1012
URL: http://ijrm.ir/article-1-2689-fa.html
URL: http://ijrm.ir/article-1-2689-fa.html
ارائه‌ی الگوریتم انتخاب ویژگی ترکیبی برای تعیین عوامل مؤثر در مدل پیش بینی‌کننده‌ی میزان موفقیت درمان IVF/ICSI: یک مطالعه‌ی مقطعی. International Journal of Reproductive BioMedicine. 1402; 21 (12) :995-1012
چکیده: (270 مشاهده)
مقدمه: تحقیقات قبلی عوامل مؤثر مختلفی را در میزان موفقیت درمانهای IVF/ICSI شناسایی کردهاند، اما عدم وجود یک رویکرد استاندارد برای درمانهای مختلف همچنان یک چالش است.
هدف: هدف از این مطالعه استفاده از رویکرد یادگیری ماشینی برای شناسایی عوامل پیشبینیکننده اصلی موفقیت در درمانهای لقاح آزمایشگاهی (IVF) و تزریق اسپرم داخل سیتوپلاسمی (ICSI) است.
مواد و روش ها: اطلاعات 734 نفر از آبان 1395 تا اسفند 1396 با همکاری ارزشمند دو مرکز ناباروری در مشهد جمعآوری شد. این همکاری شامل یک مرکز دولتی ناباروری وابسته به دانشگاه علوم پزشکی (میلاد) و یک مرکز خصوصی ناباروری (نوین) در مشهد، ایران بود. ما از روشهای انتخاب ویژگی (فیلتر، تعبیه شده و بستهبندی) برای کاهش ابعاد در یک مدل جنگل تصادفی استفاده کردیم. ما ابتدا از مجموعههای فازی مردد (HFS) برای انتخاب مؤثرترین روش برای کاهش ابعاد استفاده کردیم. سپس، ما از یک رویکرد ترکیبی برای شناسایی پیشبینیکنندههای کلیدی، افزایش دقت و قابلیت اطمینان استفاده کردیم. عملکرد روش پیشنهادی با استفاده از معیارهای یادگیری ماشین مانند MCC، Runtime، Accuracy، AUC، PPV، Recall و F-Score ارزیابی شد. این روش ترکیبی نقاط قوت روشهای انتخاب ویژگی را ترکیب میکند و شناسایی پیشبینیکننده را بهبود میبخشد.
نتایج: روش انتخاب ویژگی ترکیبی ما با بالاترین دقت (795/0، ACC) AUC (72/0) و F-Score (8/0) برتری داشت، در حالی که تنها 7 ویژگی را انتخاب کرد. اینها عبارتند از FSH، 16Cells، Fage، Oocytes، GIII، Compact و Unsuccessful.
نتیجه گیری: در این مطالعه، ما کاربرد جدیدی از مجموعههای فازی مردد (HFS) را در روش پیشنهادی خود، با پشتیبانی از یک مجموعه داده چند مرکزی، برای انتخاب ویژگیهای تأثیرگذار در پیشبینی میزان موفقیت ناباروری معرفی میکنیم. با استفاده از انحراف استاندارد در بین معیارهای مختلف، HFS ها کیفیت انتخاب ویژگی را افزایش داده و تعداد ویژگیها را کاهش میدهند. نتایج ما تفاوت معنیداری را بین مقادیر میانگین گروههای باردار و غیرباردار برای ویژگیهای انتخاب شده از جمله FSH، FAge، 16Cells، Oocytes، GIII و Compact نشان میدهد. علاوه بر این، ما ارتباط معنیداری بین FAge و ضربان قلب جنین (FHR) و با نرخ بارداری بالینی (CPR) پیدا کردیم و بالاترین سطح FSH (87/31%) برای دوزهای FSH در محدوده 10 تا 13 (mIU/ml) مشاهده شد.
هدف: هدف از این مطالعه استفاده از رویکرد یادگیری ماشینی برای شناسایی عوامل پیشبینیکننده اصلی موفقیت در درمانهای لقاح آزمایشگاهی (IVF) و تزریق اسپرم داخل سیتوپلاسمی (ICSI) است.
مواد و روش ها: اطلاعات 734 نفر از آبان 1395 تا اسفند 1396 با همکاری ارزشمند دو مرکز ناباروری در مشهد جمعآوری شد. این همکاری شامل یک مرکز دولتی ناباروری وابسته به دانشگاه علوم پزشکی (میلاد) و یک مرکز خصوصی ناباروری (نوین) در مشهد، ایران بود. ما از روشهای انتخاب ویژگی (فیلتر، تعبیه شده و بستهبندی) برای کاهش ابعاد در یک مدل جنگل تصادفی استفاده کردیم. ما ابتدا از مجموعههای فازی مردد (HFS) برای انتخاب مؤثرترین روش برای کاهش ابعاد استفاده کردیم. سپس، ما از یک رویکرد ترکیبی برای شناسایی پیشبینیکنندههای کلیدی، افزایش دقت و قابلیت اطمینان استفاده کردیم. عملکرد روش پیشنهادی با استفاده از معیارهای یادگیری ماشین مانند MCC، Runtime، Accuracy، AUC، PPV، Recall و F-Score ارزیابی شد. این روش ترکیبی نقاط قوت روشهای انتخاب ویژگی را ترکیب میکند و شناسایی پیشبینیکننده را بهبود میبخشد.
نتایج: روش انتخاب ویژگی ترکیبی ما با بالاترین دقت (795/0، ACC) AUC (72/0) و F-Score (8/0) برتری داشت، در حالی که تنها 7 ویژگی را انتخاب کرد. اینها عبارتند از FSH، 16Cells، Fage، Oocytes، GIII، Compact و Unsuccessful.
نتیجه گیری: در این مطالعه، ما کاربرد جدیدی از مجموعههای فازی مردد (HFS) را در روش پیشنهادی خود، با پشتیبانی از یک مجموعه داده چند مرکزی، برای انتخاب ویژگیهای تأثیرگذار در پیشبینی میزان موفقیت ناباروری معرفی میکنیم. با استفاده از انحراف استاندارد در بین معیارهای مختلف، HFS ها کیفیت انتخاب ویژگی را افزایش داده و تعداد ویژگیها را کاهش میدهند. نتایج ما تفاوت معنیداری را بین مقادیر میانگین گروههای باردار و غیرباردار برای ویژگیهای انتخاب شده از جمله FSH، FAge، 16Cells، Oocytes، GIII و Compact نشان میدهد. علاوه بر این، ما ارتباط معنیداری بین FAge و ضربان قلب جنین (FHR) و با نرخ بارداری بالینی (CPR) پیدا کردیم و بالاترین سطح FSH (87/31%) برای دوزهای FSH در محدوده 10 تا 13 (mIU/ml) مشاهده شد.
نوع مطالعه: Original Article |
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
