International Journal of Reproductive BioMedicine

en ارائه‌ی الگوریتم انتخاب ویژگی ترکیبی برای تعیین عوامل مؤثر در مدل پیش بینی‌کننده‌ی میزان موفقیت درمان IVF/ICSI: یک مطالعه‌ی مقطعی 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 Fertility & Infertility Original Article Original Article <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Background: Previous research has identified key factors affecting in vitro fertilization or intracytoplasmic sperm injection success, yet the lack of a standardized approach for various treatments remains a challenge. Objective: The objective of this study is to utilize a machine learning approach to identify the principal predictors of success in in vitro fertilization and intracytoplasmic sperm injection treatments. Materials and Methods: We collected data from 734 individuals at 2 infertility centers in Mashhad, Iran between November 2016 and March 2017. We employed feature selection methods to reduce dimensionality in a random forest model, guided by hesitant fuzzy sets (HFSs). A hybrid approach enhanced predictor identification and accuracy (ACC), as assessed using machine learning metrics such as matthew’s correlation coefficient, runtime, ACC, area under the receiver operating characteristic curve, precision or positive predictive value, recall, and F-Score, demonstrating the effectiveness of combining feature selection methods. Results: Our hybrid feature selection method excelled with the highest ACC (0.795), area under the receiver operating characteristic curve (0.72), and F-Score (0.8), while selecting only 7 features. These included follicle-stimulation hormone (FSH), 16Cells, FAge, oocytes, quality of transferred embryos (GIII), compact, and unsuccessful. Conclusion: We introduced HFSs in our novel method to select influential features for predicting infertility success rates. Using a multi-center dataset, HFSs improved feature selection by reducing the number of features based on standard deviation among criteria. Results showed significant differences between pregnant and non-pregnant groups for selected features, including FSH, FAge, 16Cells, oocytes, GIII, and compact. We also found a significant correlation between FAge and fetal heart rate and clinical pregnancy rate, with the highest FSH level (31.87%) observed for doses ranging from 10-13 (mIU/ml). </div> یادگیری ماشین, انتخاب ویژگی, درمان ناباروری, مجموعه‌های فازی مردد. Machine learning, Feature selection, Infertility treatment, Hesitant fuzzy set. 995 1012 http://ijrm.ir/browse.php?a_code=A-10-2373-1&slc_lang=en&sid=1 Ameneh Mehrjerd Ameneh.mehrjerd@med.uni-greifswald.de 0000-0003-1831-801X No Department of Computer Sciences, Faculty of Mathematics, Statistics and Computer Sciences, University of Sistan and Baluchestan, Zahedan, Iran. Department of Medical Informatics, Faculty of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran. Hassan Rezaei hrezaei@cs.usb.ac.ir 0000-0002-2082-4619 Yes Department of Computer Sciences, Faculty of Mathematics, Statistics and Computer Sciences, University of Sistan and Baluchestan, Zahedan, Iran. Saeid Eslami s.eslami.h@gmail.com 0000-0002-7071-3191 No Department of Medical Informatics, Faculty of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran. Department of Medical Informatics, Academic Medical Center, University of Amsterdam, Amsterdam, the Netherlands. Nayyere Khadem Ghaebi khademn@mums.ac.ir 0000-0003-1275-6262 No Department of Obstetrics and Gynecology, Faculty of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran.