سه شنبه 7 مهر 1405
[Archive]
دوره 24، شماره 8 - ( 5-1405 )
جلد 24 شماره 8 صفحات 662-649 |
برگشت به فهرست نسخه ها
Ethics code: IR.SSU.REC.1401.087
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zare Ebrahimabad M, Hashemzadeh M, Tabibnejad N. Prediction of chemical miscarriage in assisted reproductive technology pregnancies using machine learning: A developmental study. IJRM 2026; 24 (8) :649-662
URL: http://ijrm.ir/article-1-3795-fa.html
URL: http://ijrm.ir/article-1-3795-fa.html
پیش بینی سقط جنین شیمیایی در بارداری های حاصل از فناوری های کمک باروری با استفاده از یادگیری ماشین: یک مطالعه توسعه ای. International Journal of Reproductive BioMedicine. 1405; 24 (8) :649-662
چکیده: (45 مشاهده)
مقدمه: سقط زودهنگام یکی از عوارض شایع پس از فناوریهای کمکباروری (ART) است که حدود 30-20 درصد بارداریها را تحت تأثیر قرار داده و چالشهای قابلتوجهی در مشاوره بیماران و برنامهریزی درمان ایجاد میکند. با وجود ارزیابیهای بالینی گسترده، پیشبینی دقیق سقط به دلیل ماهیت چندعاملی آن و تنوع نتایج ART همچنان دشوار است. یادگیری ماشین (ML) فرصتهای امیدوارکنندهای را برای بهبود ارزیابی فردمحور خطر فراهم میکند.
هدف: این مطالعه با هدف توسعه یک چارچوب مبتنی بر ML برای پیشبینی زودهنگام سقط شیمیایی در زنان نابارور تحت درمان ART و تنها بر اساس دادههای بالینی پایه پیش از شروع درمان انجام شد.
مواد و روش ها: در این مطالعه توسعهای، دادههای بالینی جامع ۳۰۰۰ زوج نابارور مراجعهکننده به پژوهشکده علوم تولیدمثل یزد، یزد، ایران، در فاصله زمانی مارس ۲۰۲۰ تا سپتامبر ۲۰۲۲ از پروندههای پزشکی آنان استخراج شد. پس از پیشپردازش دادهها شامل مدیریت دادههای گمشده، اصلاح دادههای پرت، نرمالسازی و متعادلسازی کلاسها، یک مجموعه داده مرجع شامل ۱۲۳۴ نمونه و ۳۲ ویژگی ایجاد و بهصورت عمومی در دسترس پژوهشگران قرار گرفت. همچنین، چندین الگوریتم ML ارزیابی و از روشهای انتخاب ویژگی برای شناسایی پیشبینهای کلیدی استفاده شد.
نتایج: در هر دو مجموعه داده نامتوازن و متوازنشده با استفاده از روشهای SMOTE و ADASYN، مدل جنگل تصادفی بهترین عملکرد را نشان داد و بهترتیب مقادیر AUC برابر با 9/70، 3/70 و 8/70 درصد و دقتهای 2/82، 1/81 و 0/80 درصد را به دست آورد. 12 پیشبین بالینی مهم شامل سن مادر، شاخص توده بدنی، سابقه سقط، سطح هورمون محرک تیروئید، پارامترهای اسپرم، پروتکلهای مرتبط با ART، سابقه IUI و نظم قاعدگی شناسایی شدند.
نتیجه گیری: مدلهای ML، بهویژه جنگل تصادفی، توانایی ارائه پیشبینی معنادار خطر سقط زودهنگام را تنها بر اساس دادههای بالینی پایه دارند. همچنین، معرفی یک مجموعهداده مرجع در دسترس عموم، زمینه لازم را برای بازتولیدپذیری نتایج و توسعه پژوهشهای آینده در حوزه پزشکی باروری پیشبینانه فراهم میکند.
هدف: این مطالعه با هدف توسعه یک چارچوب مبتنی بر ML برای پیشبینی زودهنگام سقط شیمیایی در زنان نابارور تحت درمان ART و تنها بر اساس دادههای بالینی پایه پیش از شروع درمان انجام شد.
مواد و روش ها: در این مطالعه توسعهای، دادههای بالینی جامع ۳۰۰۰ زوج نابارور مراجعهکننده به پژوهشکده علوم تولیدمثل یزد، یزد، ایران، در فاصله زمانی مارس ۲۰۲۰ تا سپتامبر ۲۰۲۲ از پروندههای پزشکی آنان استخراج شد. پس از پیشپردازش دادهها شامل مدیریت دادههای گمشده، اصلاح دادههای پرت، نرمالسازی و متعادلسازی کلاسها، یک مجموعه داده مرجع شامل ۱۲۳۴ نمونه و ۳۲ ویژگی ایجاد و بهصورت عمومی در دسترس پژوهشگران قرار گرفت. همچنین، چندین الگوریتم ML ارزیابی و از روشهای انتخاب ویژگی برای شناسایی پیشبینهای کلیدی استفاده شد.
نتایج: در هر دو مجموعه داده نامتوازن و متوازنشده با استفاده از روشهای SMOTE و ADASYN، مدل جنگل تصادفی بهترین عملکرد را نشان داد و بهترتیب مقادیر AUC برابر با 9/70، 3/70 و 8/70 درصد و دقتهای 2/82، 1/81 و 0/80 درصد را به دست آورد. 12 پیشبین بالینی مهم شامل سن مادر، شاخص توده بدنی، سابقه سقط، سطح هورمون محرک تیروئید، پارامترهای اسپرم، پروتکلهای مرتبط با ART، سابقه IUI و نظم قاعدگی شناسایی شدند.
نتیجه گیری: مدلهای ML، بهویژه جنگل تصادفی، توانایی ارائه پیشبینی معنادار خطر سقط زودهنگام را تنها بر اساس دادههای بالینی پایه دارند. همچنین، معرفی یک مجموعهداده مرجع در دسترس عموم، زمینه لازم را برای بازتولیدپذیری نتایج و توسعه پژوهشهای آینده در حوزه پزشکی باروری پیشبینانه فراهم میکند.
نوع مطالعه: Original Article |
فهرست منابع
1. World Health Organization. Infertility. 2020. Available at: https://www.who.int/news-room/fact-sheets/detail/infertility.
2. Bashiri A, Halper KI, Orvieto R. Recurrent implantation failure-update overview on etiology, diagnosis, treatment and future directions. Reprod Biol Endocrinol 2018; 16: 121. [DOI:10.1186/s12958-018-0414-2] [PMID]
3. Kolte AM, Bernardi LA, Christiansen OB, Quenby S, Farquharson RG, Goddijn M, et al. Terminology for pregnancy loss prior to viability: A consensus statement from the ESHRE early pregnancy special interest group. Hum Reprod 2015; 30: 495-498. [DOI:10.1093/humrep/deu299] [PMID] [PMCID]
4. Hashemzadeh M, Adlpour Azar B. Retinal blood vessel extraction employing effective image features and combination of supervised and unsupervised machine learning methods. Artificial Intelligence Med 2019; 95: 1-15. [DOI:10.1016/j.artmed.2019.03.001] [PMID]
5. Farajzadeh N, Sadeghzadeh N, Hashemzadeh M. A fully-convolutional residual encoder-decoder neural network to localize breast cancer on histopathology images. Comput Biol Med 2022; 147: 105698. [DOI:10.1016/j.compbiomed.2022.105698] [PMID]
6. Farajzadeh N, Sadeghzadeh N, Hashemzadeh M. Brain tumor segmentation and classification on MRI via deep hybrid representation learning. Exp Syst Appl 2023; 224: 119963. [DOI:10.1016/j.eswa.2023.119963]
7. Farajzadeh N, Sadeghzadeh N, Hashemzadeh M. IJES-OA net: A residual neural network to classify knee osteoarthritis from radiographic images based on the edges of the intra-joint spaces. Med Eng Physics 2023; 113: 103957. [DOI:10.1016/j.medengphy.2023.103957] [PMID]
8. Mohammadian Takaloo V, Hashemzadeh M, Ghavidel Neycharan J. DiagCovidPNA: Diagnosing and differentiating COVID-19, viral and bacterial pneumonia from chest X-ray images using a hybrid specialized deep learning approach. Soft Comput 2023; 28: 8657-8680. [DOI:10.1007/s00500-023-08915-1]
9. Luo X, Liang M, Zhang D, Huang B. Identification of diagnostic genes and the miRNA-mRNA-TF regulatory network in human oocyte aging via machine learning methods. J Assist Reprod Genet 2025; 42: 319-333. [DOI:10.1007/s10815-024-03311-6] [PMID] [PMCID]
10. Liang Q, Yang S, Mai M, Chen X, Zhuet X. Mining phase separation-related diagnostic biomarkers for endometriosis through WGCNA and multiple machine learning techniques: A retrospective and nomogram study. J Assist Reprod Genet 2024; 41: 1433-1447. [DOI:10.1007/s10815-024-03079-9] [PMID] [PMCID]
11. Colaco S, Narad P, Singh AK, Gupta P, Choudhury A, Sengupta A, et al. Fertility predictor-a machine learning-based web tool for the prediction of assisted reproduction outcomes in men with Y chromosome microdeletions. J Assist Reprod Genet 2025; 42: 473-481. [DOI:10.1007/s10815-024-03338-9] [PMID] [PMCID]
12. Liu L, Jiao Y, Li X, Ouyang Y, Shi D. Machine learning algorithms to predict early pregnancy loss after in vitro fertilization-embryo transfer with fetal heart rate as a strong predictor. Comput Methods Programs Biomed 2020; 196: 105624. [DOI:10.1016/j.cmpb.2020.105624] [PMID]
13. Amitai T, Kan-Tor Y, Or Y, Shoham Z, Shofaro Y, Richter D, et al. Embryo classification beyond pregnancy: Early prediction of first trimester miscarriage using machine learning. J Assist Reprod Genet 2023; 40: 309-322. [DOI:10.1007/s10815-022-02619-5] [PMID] [PMCID]
14. Hassan MR, Al-Insaif S, Hossain MI, Kamruzzaman J. A machine learning approach for prediction of pregnancy outcome following IVF treatment. Neural Comput Appl 2020; 32: 2283-2297. [DOI:10.1007/s00521-018-3693-9]
15. Liu L, Liu B, Wu H, Gan Q, Huang Q, Li M. Optimizing predictive features using machine learning for early miscarriage risk following single vitrified-warmed blastocyst transfer. Front Endocrinol (Lausanne) 2025; 16: 1557667. [DOI:10.3389/fendo.2025.1557667] [PMID] [PMCID]
16. Drapkina YS, Makarova NP, Kalinin AP, Vasiliev RA, Amelin V. [Experience in machine learning application to predict pregnancy loss after assisted reproductive technologies]. Obstet Gynecol 2024; 9: 90-98. (in Russian) [DOI:10.18565/aig.2024.157]
17. García S, Luengo J, Herrera F. Data preprocessing in data mining. Vol. 72. Switzerland: Springer; 2015. [DOI:10.1007/978-3-319-10247-4]
18. Han J, Kamber M, Pei J. Data mining: Concepts and techniques. 3rd Ed. USA: Morgan kaufmann; 2022.
19. Aggarwal CC. Outlier ensembles. 2nd Ed. USA: Springer; 2017. [DOI:10.1007/978-3-319-54765-7]
20. Ester M, Kriegel H-P, Sander J, Xu X. A density-based algorithm for discovering clusters in large spatial databases with noise. Proceedings of a Second International Conference on Knowledge Discovery and Data Mining (KDD'96). August 2-4, 1996, Portland. 1996: 226-231.
21. Suri NNRR, Murty MN, Athithan G. Outlier detection: Techniques and applications. USA: Springer; 2019.
22. Mukaka MM. Statistics corner: A guide to appropriate use of correlation coefficient in medical research. Malawi Med J 2012; 24: 69-71.
23. He H, Garcia EA. Learning from imbalanced data. IEEE Transact Knowledge Data Eng 2009; 21: 1263-1284. [DOI:10.1109/TKDE.2008.239] [PMCID]
24. Chawla NV, Bowyerk KW, Hall LO, Philip Kegelmeyer W. SMOTE: Synthetic minority over-sampling technique. J Artificial Intelligence Res 2002; 16: 321-357. [DOI:10.1613/jair.953]
25. Soltanzadeh P, Feizi-Derakhshi MR, Hashemzadeh M. Addressing the class-imbalance and class-overlap problems by a metaheuristic-based under-sampling approach. Pattern Recognition 2023; 143: 109721. [DOI:10.1016/j.patcog.2023.109721]
26. Soltanzadeh P, Hashemzadeh M. RCSMOTE: Range-controlled synthetic minority over-sampling technique for handling the class imbalance problem. Informat Sci 2020; 542: 92-111. [DOI:10.1016/j.ins.2020.07.014]
27. Veisi H, Ghaedsharaf HR, Ebrahimi M. [Improving the performance of machine learning algorithms for heart disease diagnosis by optimizing data and features]. Soft Comput J 2019; 8: 70-85. (In Persian)
28. Fazeli M, Kazemi A, Haghighat S. [Application of decision tree and logistic regression algorithms to predict lymphedema in breast cancer patients]. Razi J Med Sci 2019; 25: 84-95.
29. Pathan MS, Nag A, Pathan MM, Dev S. Analyzing the impact of feature selection on the accuracy of heart disease prediction. Healthcare Analytics 2022; 2: 100060. [DOI:10.1016/j.health.2022.100060]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
