International Journal of Reproductive BioMedicine

en پیش‌ بینی سقط جنین شیمیایی در بارداری‌ های حاصل از فناوری‌ های کمک‌ باروری با استفاده از یادگیری ماشین: یک مطالعه توسعه‌ ای Prediction of chemical miscarriage in assisted reproductive technology pregnancies using machine learning: A developmental study Assisted Reproductive Technologies Original Article Original Article <div style="text-align: justify;">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.</div> <div style="text-align: justify;">Background: Early miscarriage is a common complication following assisted reproductive technology (ART), affecting 20-30% of conceptions and creating challenges for patient counseling and treatment planning. Accurate prediction remains difficult because of the multifactorial nature of miscarriage and variability in ART outcomes. Machine learning (ML) offers promising opportunities for individualized risk assessment. Objective: This study aimed to develop an ML-based framework for early prediction of chemical miscarriage in infertile women undergoing ART using only pre-treatment baseline clinical data. Materials and Methods: In this developmental study, clinical data from 3000 infertile couples who attended the Yazd Reproductive Sciences Institute, Yazd, Iran, between March 2020 and September 2022 were extracted from medical records. After preprocessing, including missing data handling, outlier correction, normalization, and class balancing, a benchmark dataset of 1234 samples with 32 features were constructed and made publicly available. Multiple ML algorithms and feature selection methods were evaluated. Results: Across both imbalanced and balanced datasets using synthetic minority oversampling technique and adaptive synthetic sampling, the random forest model achieved the best performance, with area under the receiver operating characteristic curve values of 70.9%, 70.3%, and 70.8%, and corresponding accuracies of 82.2%, 81.1%, and 80.0%, respectively. 12 clinically relevant predictors were identified, including maternal age, body mass index, previous abortions, thyroid-stimulating hormone levels, sperm parameters, ART-related protocols, history of intrauterine insemination, and menstrual regularity. Conclusion: ML models, particularly random forest, can provide meaningful early prediction of miscarriage risk using baseline clinical data. The publicly available benchmark dataset supports reproducible research and future advances in predictive reproductive medicine.</div> ناباروری, سقط جنین, فناوری کمک‌ باروری, یادگیری ماشین, پیش‌بینی, طبقه‌ بندی. Infertility, Pregnancy loss, Assisted reproductive technology, Machine learning, Prediction, Classification. 649 662 http://ijrm.ir/browse.php?a_code=A-10-3300-1&slc_lang=en&sid=1 Mohadese Zare Ebrahimabad mozr2010@gmail.com 0009-0008-4988-398X No Faculty of Information Technology and Computer Engineering, Azarbaijan Shahid Madani University, Tabriz, Iran. Mahdi Hashemzadeh hashemzadeh@azaruniv.ac.ir 0000-0003-0506-3513 Yes Faculty of Information Technology and Computer Engineering, Azarbaijan Shahid Madani University, Tabriz, Iran. Nasim Tabibnejad nasimtabibnejad@gmail.com 0000-0002-1164-3744 No Research and Clinical Center for Infertility, Yazd Reproductive Sciences Institute, Shahid Sadoughi University of Medical Sciences, Yazd, Iran.