Эволюция прогностических моделей реализации репродуктивной функции в программах вспомогательных репродуктивных технологий: от логистической регрессии к искусственному интеллекту

• Дашиева Аюна Эрдэмовна
• Корнеева Ирина Евгеньевна

Резюме

В статье представлены данные литературы о возможности прогнозирования исходов программ вспомогательных репродуктивных технологий с помощью построения клинических прогностических моделей, их эволюция и текущие тенденции.

Ключевые слова:экстракорпоральное оплодотворение; вспомогательные репродуктивные технологии; бесплодие; прогностическая модель; машинное обучение; искусственный интеллект

Введение

В настоящее время бесплодие - одна из глобальных проблем в мире. Несмотря на то что программы вспомогательных репродуктивных технологий (ВРТ) эффективно преодолевают практически любые формы бесплодия, почти половина пар остаются бездетными даже после нескольких циклов лечения. Поскольку лечение является дорогостоящим и инвазивным, бесплодные пары должны пройти полное обследование с учетом различных факторов и получить информацию об их шансах на успех, чтобы принять решение. За последние десятилетия было разработано множество моделей прогнозирования исходов экстракорпорального оплодотворения (ЭКО) для оценки индивидуальных результатов лечения, но лишь немногие из них были реализованы в клинической практике из-за плохой прогностической способности и простого статистического метода анализа полученных результатов. В обзоре рассмотрены эволюция и текущие тенденции в области прогнозирования исходов программ ВРТ, основанные на характеристиках пациентов и клинико-лабораторных данных, делающих программу ЭКО персонализированной и экономически эффективной. Отправной точкой для внедрения моделей прогнозирования стало стремление перейти к оптимальной тактике ведения пациентов с бесплодием. Таким образом, модели прогнозирования могут служить полезными инструментами, которые способны безопасно определить уровень ожиданий, делая лечение ЭКО более успешным.

Согласно данным Всемирной организации здравоохранения, проблема бесплодия затрагивает около 186 млн человек во всем мире [1].

При лечении различных видов бесплодия широкое распространение получили ВРТ, являющиеся наиболее эффективными методами преодоления практически любой формы бесплодия [2].

Подходы к проведению программ ВРТ значительно изменились с момента рождения с их помощью первого ребенка [3]. Тенденции персонифицированной медицины последних лет позволили минимизировать осложнения при применении рассматриваемых программ, а именно синдрома гиперстимуляции яичников (СГЯ) и многоплодной беременности. Однако, несмотря на значительный прогресс, программы ВРТ не гарантируют успешного лечения бесплодия. Даже после прохождения 6 циклов ЭКО бездетными остаются 38-49% пар. Лечение в программах ЭКО сопряжено не только со значительными финансовыми затратами из государственных и личных источников, но и с потерями времени и психоэмоциональным стрессом, приводящим к депрессивным расстройствам. Поэтому бесплодные пары необходимо проинформировать о шансах на наступление беременности, чтобы оправдать их ожидания, которые часто нереалистичны и завышены [4]. Индивидуальное прогнозирование шансов на наступление беременности имеет важное значение не только с клинической, но и с экономической точки зрения. Вероятно, в лечении можно было бы отказать пациентам с неблагоприятным прогнозом из-за неоправданного соотношения пользы и риска или сомнительной целесообразности затрат на проведение программ ВРТ [5, 6].

Чтобы улучшить консультирование бесплодных пар относительно их шансов на живорождение после ЭКО, в настоящее время используются модели клинического прогнозирования, которые оценивают вероятность исхода лечения с поправкой на персональные клинические и лабораторные характеристики пациента, поскольку суждения клиницистов зачастую носят субъективный характер и могут быть неточными [7].

Для улучшения консультирования пациентов с целью их отбора и принятия клинических решений при проведении ЭКО был разработан ряд моделей прогнозирования эффективности лечения.

Цель данного обзора - представить эволюцию и текущие тенденции в области прогнозирования исходов программ ВРТ.

В современных условиях разработка моделей прогнозирования складывается из построения модели, ее проверки и анализа воздействия [8].

На этапе построения модели определяются предикторы и вычисляется вес каждого из них (коэффициент регрессии). На втором этапе модель проходит внутреннюю проверку-валидацию (этап 2а) и внешнюю (этап 2б). При внутренней валидации прогностической модели оценивается ее способность предсказывать исход в той группе пациентов, для которой она была разработана, иногда с использованием данных, собранных в отдельной группе пациентов, оцениваемых в тех же условиях. При внешней валидации оценивается способность модели предсказывать результат в популяциях, отличных от популяции, в которой она была разработана. На заключительном этапе модель подвергается "анализу воздействия", чтобы оценить ее практическую значимость и способность улучшать прогнозирование исходов программ ВРТ [9].

В классической статистике для качественной оценки прогностических моделей используется ROC-анализ с построением ROC-кривой (Receiver operating characteristic). ROC-анализ заключается в построении четырехпольных таблиц с оценкой чувствительности и специфичности модели. ROC-кривая позволяет дать оценку качеству модели по разделению двух классов. По оси ординат обозначена частота истинно положительных результатов (чувствительность), по оси абсцисс - частота ложноположительных результатов (специфичность). Значению по осям соответствуют значения от 0 до 1 (т.е. от 0 до 100%). В результате вырисовывается некоторая кривая, которая показывает зависимость верно классифицированных положительных примеров от количества неверно классифицированных отрицательных примеров. Для идеального классификатора график ROC-кривой проходит через верхний левый угол, где доля истинно положительных случаев составляет 1,0 или 100% (идеальная чувствительность), а доля ложноположительных примеров равна 0. Кроме графика ROC-кривой, для оценки качества модели используется характеристика площади под кривой ROC AUC (Area under ROC). Чем больше показатель AUC, тем лучшей прогностической силой обладает модель. Чаще показатель AUC предназначен для сравнительного анализа нескольких моделей [10].

Анализ существующих работ, посвященных прогнозированию программ экстракорпорального оплодотворения

За последние три десятилетия был разработан ряд моделей клинического прогнозирования ЭКО для оценки индивидуальных шансов на успех лечения [11]. Однако использование данных моделей в клинической практике было ограничено из-за низкой прогностической способности и отсутствия уверенности среди врачей и пациентов в их полезности [12]. Факторы, потенциально влияющие на их качество, включают различный размер выборки базовых наборов данных, на основе которых были разработаны модели, неадекватные статистические методологии и отсутствие проверки на внешних популяциях [12].

Первая модель для ЭКО опубликована в литературе P.L. Nayudu и соавт. (1989). В качестве прогностических переменных, влияющих на результативность программ ЭКО, авторы рассматривали гаметы (ооциты и сперматозоиды), так как известно, что зрелость фолликулов, а также качество спермы имеют решающее значение для нормального эмбрионального развития после оплодотворения [13].

E.G. Hughes и соавт. (1989) на основании анализа 716 "свежих" циклов ЭКО смогли выделить наиболее важные прогностические факторы результативности лечения: такие как возраст женщины и частота наступления беременности. Было продемонстрировано линейное снижение частоты наступления беременности в возрасте старше 25 лет и влияние неудачного оплодотворения из-за аномальной спермы. Кроме того, частота наступления беременности снижалась после аспирации 14 фолликулов или более и/или извлечения 9 ооцитов. Формула вероятности наступления беременности, полученная на основе построения логистической регрессии, позволила дать пациентам более точный прогноз исхода цикла ЭКО до начала лечения [14].

В настоящее время только 5 из опубликованных моделей прошли внешнюю валидацию, т.е. проверку на группе пациентов, отличной от той, для которой была разработана модель.

A. Templeton и соавт. (1996), изучая характеристики 36 961 цикла ЭКО в национальной базе Великобритании, с помощью логистической регрессии определили факторы, существенно влияющие на результат лечения в программе ЭКО (возраст, продолжительность бесплодия, предыдущая беременность, предыдущие неудачные попытки ЭКО) и построили прогностическую модель. Частота живорождений составила 17% на начатый цикл в возрасте 30 лет и снижалась до 7 и 2% в возрасте 40 и 45 лет соответственно. Как и другие исследователи, авторы показали, что влияние возраста можно преодолеть за счет использования донорских ооцитов, однако индивидуальные показатели успеха клиник могут различаться в зависимости от конкретных характеристик пациентов, что необходимо принимать во внимание при их консультировании [15]. С внедрением в повседневную клиническую практику метода интрацитоплазматической инъекции сперматозоидов (ИКСИ) появились модели, учитывающие этот признак, которые оказались более востребованными с учетом новых реалий [16]. Однако все эти модели, построенные с помощью логистической регрессии, были применимы только для "свежих" циклов ЭКО и не затрагивали перенос размороженных эмбрионов в криоциклах. Это ограничивало их практическое использование.

S. Nelson и соавт. (2011) провели аналогичное проспективное исследование, изучая показатели 144 018 циклов ЭКО, зарегистрированных в базе данных Human Fertilization and Embryology Authority в период с января 2003 г. по декабрь 2007 г. [17]. Авторы изучили потенциальную клиническую полезность модели А. Templeton (1996), которая предшествовала внедрению метода ИКСИ, и разработали свою модель прогнозирования с использованием многовариантной логистической регрессии. Для циклов лечения, которые привели к рождению хотя бы одного ребенка (n =24 226), была определена связь потенциальных факторов риска с преждевременными родами, низкой массой тела при рождении и макросомией. Общая частота хотя бы одного живорождения составила 23,4 на 100 циклов [95% доверительный интервал (ДИ) 23,2-23,7]. Вероятность хотя бы одного живорождения снижалась с увеличением возраста матери, продолжительности бесплодия, количества неудачных циклов ЭКО в анамнезе, использованием собственных ооцитов, необходимостью 2-го или 3-го цикла лечения или при необъяснимом бесплодии. Связь собственных и донорских ооцитов со снижением шансов живорождения усиливалась с увеличением возраста матери. Предыдущее живорождение с помощью ЭКО увеличивало шансы на успех в будущем [отношение шансов (ОШ) 1,58; 95% ДИ 1,46-1,71] больше, чем вероятность предыдущего спонтанного живорождения (ОШ 1,19; 95% ДИ 0,99-1,24); p<0,001. Использование ИКСИ при мужском факторе бесплодия увеличивало шансы живорождения по сравнению с парами, у которых эта манипуляция не проводилась. Разработанная модель обеспечивала более точную оценку вероятных результатов лечения в циклах ЭКО, чем ранее созданная модель А. Templeton (2016). Кроме того, новая модель учитывала влияние ИКСИ на результат лечения. Авторы сравнили прогнозируемую и наблюдаемую рождаемость, получаемую с использованием модели А. Templeton и своей. AUROC (95% ДИ) для модели А. Templeton составила 0,6184 (0,6152-0,6217), для новой модели - 0,6335 (0,6202-0,6367). С использованием данных, полученных в ходе исследования, был разработан бесплатный веб-калькулятор и приложение для iPhone/Android IVFpredict, в котором пациенты без помощи медицинского сотрудника могли получить предварительные прогнозы касательно своего шанса на беременность [18]. Несомненным достоинством этой модели была ее возможность улучшить стратификацию пар на основе низкой, средней или высокой вероятности успеха лечения.

Изучению предикторов, влияющих на частоту живорождения в программах ЭКО/ИКСИ до начала лечения, посвящено исследование R.K. Dhillon и соавт. (2016). В когортном исследовании модель для прогнозирования живорождения была получена на основании данных 9915 женщин, прошедших лечение в клиниках репродукции Великобритании в период с 2008 по 2012 г. Для проверки модели использовали данные 2723 женщин, пролеченных в 2013 г. Первичным результатом исследования было живорождение, определявшееся как любое событие рождения, при котором родился хотя бы один ребенок и прожил более 1 мес. Впервые были оценены ключевые предикторы эффективности программы ЭКО/ИКСИ до начала лечения: индекс массы тела (ИМТ), овариальный резерв и этническая принадлежность. Разработка модели включала однофакторный логистический регрессионный анализ [19]. В связи с тем что возможность определения антимюллерова гормона (АМГ), являющегося в то время относительно новым тестом, была ограничена, предпочтение было отдано данным о количестве антральных фолликулов в яичниках (КАФ). В результате проведенного исследования авторы установили, что предикторами эффективности в окончательной модели были возраст женщины, ИМТ, этническая принадлежность, КАФ, предыдущее живорождение, выкидыш, причина (трубный фактор) и продолжительность бесплодия. При оценке прогностической способности кривая AUROC для окончательной модели и проверочной когорты составила 0,62 (95% ДИ 0,61-0,63) и 0,62 (95% ДИ 0,60-0,64) соответственно. Эта модель оказалась первой внешне подтвержденной моделью прогнозирования живорождения в программе ЭКО/ИКСИ для женщин, проходящих первый цикл лечения с собственными ооцитами, которая учитывала ИМТ, этническую принадлежность и овариальный резерв. Сравнивая полученную модель с аналогичными, опубликованными ранее (Templeton A., 1996; Nelson S.M., 2011), авторы показали, что полученная модель обладает сопоставимой с предыдущими дискриминационной способностью: так, после внешней проверки данной модели кривая AUROC составила 0,62 (95% ДИ 0,60-0,64); для модели S.M. Nelson - 0,63 (95% ДИ 0,62-0,63); для модели A. Templeton - 0,62 (95% ДИ 0,61-0,62). Полученные результаты демонстрировали равную возможность применения этих 3 моделей до начала программы ЭКО для прогноза успеха 1-го цикла лечения. С точки зрения клинициста, эти модели обеспечивали персонализированный подход к консультированию и оценке шансов на успех лечения бесплодной пары, впервые посетившей клинику репродукции, на основе легко измеримых переменных, специфичных для конкретной женщины [19].

В 2016 г. D.J. McLernon и соавт. на основании анализа базы данных 253 417 женщин, обратившихся в клиники репродукции Великобритании, впервые разработали модель клинического прогнозирования для оценки индивидуальной совокупной вероятности первого живорождения в течение максимум 6 полных циклов ЭКО: первая часть (до лечения) предсказывала вероятность живорождения в течение нескольких полных циклов ЭКО/ИКСИ до того, как пара вступит в 1-й цикл; вторая часть (после цикла лечения), обновляла вероятность успеха на основании информации о показателях первой "свежей" программы ЭКО/ИКСИ с переносом эмбрионов (ПЭ). При этом полный цикл определялся как все переносы свежих и размороженных эмбрионов, полученных в результате одного эпизода овариальной стимуляции с использованием собственных ооцитов и спермы партнера. Подчеркивая важность второго этапа, авторы отмечают, что данный подход был использован при разработке модели впервые, а его результаты могут быть пересмотрены на основании ожидаемых показателей успеха после одного или нескольких циклов лечения и будут иметь решающее значение для консультирования пациентов и принятия обоснованных решений. Лучшими предикторами живорождения были возраст женщины, количество полученных ооцитов и криоконсервированных эмбрионов [20]. Вероятность живорождения уменьшалась с каждым полным циклом лечения: так, например, шансы на живорождение после 2-го цикла были на 21% ниже, чем после 1-го цикла, после 6-го цикла уменьшались на 56% по сравнению с 1-м циклом. С увеличением возраста женщины (31 против 37 лет) вероятность рождения живого ребенка в течение 6 циклов лечения также уменьшалась (ОШ 1,66; 95% ДИ 1,62-1,71). Увеличение продолжительности бесплодия (3 против 6 лет) снижало вероятность рождения живого ребенка (ОШ 1,09; 95% ДИ 1,08-1,10). Полученные модели были преобразованы в онлайн-калькулятор, который можно использовать для оценки вероятности живорождения с учетом характеристик пары и показателей лечения [21]. Обсуждая результаты проведенного исследования, авторы приводят клинические примеры, согласно которым вероятность рождения живого ребенка в 1-м полном цикле ЭКО для пары с первичным необъяснимым бесплодием продолжительностью 2 года и при возрасте женщины 30 лет составляет ОШ 0,47 в первом полном цикле ЭКО с увеличением ОШ до 0,94 за 6 полных циклов. После переноса одного эмбриона при получении 5 ооцитов и отсутствии криоконсервированных эмбрионов вероятность снижается до ОШ 0,11 (0,41 за 6 полных циклов). Таким образом, перед началом лечения врач может использовать не только клинические знания, но и полученные прогнозы, обсуждая с парами шансы на успешное лечение в рамках полной программы ЭКО. В дальнейшем, используя информацию, полученную в первом цикле лечения, прогноз может быть пересмотрен. Полученные модели позволяют сформировать ожидания пар, которые хотели бы знать свои шансы на рождение ребенка в ходе лечения в программах ЭКО/ИКСИ.

Представляют интерес данные систематического обзора S.F. Coppus и соавт. (2009), согласно которым модели прогнозирования в репродуктивной медицине, вероятно, будут ограничены значением AUROC (не более 0,65 из-за относительно однородной группы пациентов с бесплодием) [22].

К 2020 г. в литературе было опубликовано 35 моделей прогнозирования эффективности лечения в программах ЭКО/ИКСИ. Однако ни одна из них не нашла широкого применения в рутинной клинической практике, что, вероятно, связано с их ограниченной прогностической точностью и клинической полезностью. Сравнивая эти модели, M.B. Ratna и соавт. (2020) рекомендуют в клинической практике использовать модель D.J. McLernon [20] в качестве инструмента консультирования, позволяющего информировать пары об их прогнозируемых шансах на успех [23]. Это первый систематический обзор, не только оценивающий методологическое качество и эффективность моделей прогнозирования ЭКО, но и дающий рекомендации для использования в клинической практике моделей наилучшего качества. В то же время авторы обращают внимание на изменение практики ЭКО в Великобритании в течение последних 10 лет, что может повлиять на качество прогнозирования и целесообразность дополнительной проверки модели на современной когорте пациентов. А для того чтобы данную модель, особенно ее вторую часть (после лечения), можно было использовать в других странах, где практика ЭКО отличается от таковой в Великобритании, модель требует дальнейшей внешней проверки с использованием данных ЭКО и показателей живорождения из этих стран.

Результаты внешней валидации модели D.J. McLernon (2016) опубликованы M.B. Ratna и соавт. в 2023 г. [24]. Когорту исследования составили 91 035 женщин, прошедших 144 734 полных цикла ЭКО/ИКСИ в период с 2010 по 2016 г. в клиниках Великобритании. Обе части модели были обновлены и демонстрировали лучшую прогностическую способность в современной когорте пациентов. Обновленная модель первой части (до лечения) имела чуть меньшую прогностическую способность (ОШ 0,68; 95% ДИ 0,67-0,69) в когорте валидации, чем в когорте разработки модели (ОШ 0,69; 95% ДИ 0,68-0,69) [25]. Перекалиброванная модель второй части (после лечения) имела ОШ 0,75 (95% ДИ 0,74-0,76) в проверочной когорте, что немного ниже, чем 0,76 (95% ДИ 0,75-0,77) в группе разработки [25]. Результаты валидации демонстрировали, что обе обновленные модели обеспечивали более точные прогнозы для текущей популяции ЭКО и могли использоваться в качестве инструментов консультирования в клиниках по лечению бесплодия в Великобритании. В настоящее время эти модели представлены в обновленном онлайн-калькуляторе OPIS [21] и предлагаются к использованию в качестве консультативных инструментов для информирования пар об их прогнозе как перед началом лечения в программе ЭКО/ИКСИ, так и после завершения первого цикла с переносом свежих эмбрионов. Не вызывает сомнения, что персональный прогноз результативности программ ВРТ чрезвычайно важен для бесплодных пар, так как помогает более реально оценить шансы на успех, а также эмоционально и финансово подготовиться к будущему лечению.

Прогнозирование результатов ЭКО остается одной из проблем в области лечения бесплодия ввиду ограниченной прогностической точности и клинической полезности существующих моделей [23]. Большинство исследований - это ретроспективные когортные исследования, и более 90% из них использовали логистическую регрессию для построения моделей. В исследования включали бесплодные пары разных возрастных категорий. Прогнозируемые результаты были неоднородными и фокусировались на различных типах исходов беременности, таких как положительный результат хорионического гонадотропина β, клиническая беременность, прогрессирующая беременность, частота живорождения. Наиболее часто исследователи оценивали успех лечения после одной попытки переноса свежих эмбрионов [23].

Новые возможности в прогнозировании программ экстракорпорального оплодотворения

В последние годы искусственный интеллект (ИИ) и машинное обучение (МО) быстро набирают популярность в прогнозировании рождаемости человека [26, 27].

Машинное обучение - это применение ИИ, которое обеспечивает возможность интерпретировать и понимать данные, а также разрабатывать модели прогнозирования на основе полученного опыта. Подходы МО все чаще используются при построении моделей прогнозирования для принятия клинических решений в сложных многопараметрических системах [28]. Алгоритмы МО можно использовать для прогнозирования результатов ЭКО на основе множества клинических переменных, включая клинико-лабораторные данные, показатели овариальной стимуляции, визуальные изображения эмбрионов и их другие характеристики, для выбора эмбриона высокого качества, способного дать жизнеспособную беременность [26, 28, 29]. Вычислительные модели могут выявлять сложные нелинейные ассоциации, которые невозможно обнаружить другими подходами. В отличие от классической статистики, методы МО могут моделировать сложные системы и учитывать связи и ассоциации между переменными. Этот подход может обеспечить объективные надежные модели для будущих прогнозов и синергизм между различными параметрами, которые могут быть косвенно связаны с результатами. Так, например, по данным Z. Barnett-Itzhaki и соавт. (2020), алгоритм МО искусственной нейронной сети (NN) превосходил по производительности другие оцениваемые алгоритмы, основанные как на неизменяемых, так и на модифицируемых данных, и давал хорошие или отличные результаты (F1 - показатель, измеряющий баланс между точностью и полнотой, который широко используется для оценки воспроизводимости алгоритма, составил от 0,69 до 0,89) для прогнозирования различных результатов ЭКО. Эта модель продемонстрировала лучшие результаты по сравнению с классической статистикой - логистической регрессией [30].

Заключение

Модели прогнозирования, разработанные с помощью МО, могут быть использованы для оценки результатов ЭКО на основе значительно большего количества клинических и лабораторных данных. Накопление дополнительных сведений из различных источников способно улучшить модели МО и обеспечить персонализированное лечение пациентов. Анализ текущих исследований показывает, что в ближайшее время искусственный интеллект все чаще будет использоваться в клиниках ЭКО для принятия самых разных решений, направленных на оптимизацию тактики ведения бесплодных пар.

ЛИТЕРАТУРА/REFERENCES

1. Infertility workup for the women’s health specialist. ACOG Committee Opinion No. 781. American College of Obstetricians and Gynecologists. Obstet Gynecol. 2019; 133: e377-84.

2. Vander Borght M., Wyns C. Fertility and infertility: definition and epidemiology. Clin Biochem. 2018; 62: 2-10. DOI: https://doi.org/10.1016/j.clinbiochem.2018.03.012 Epub 2018 Mar 16. PMID: 29555319.

3. Steptoe P.C., Edwards R.G. Birth after the reimplantation of a human embryo. Lancet. 1978; 2 (8085): 366.

4. Ethics Committee of the American Society for Reproductive Medicine. Fertility treatment when the prognosis is very poor or futile: an Ethics Committee opinion. Fertil Steril. 2019; 111 (4): 659-63. DOI: https://doi.org/10.1016/j.fertnstert.2019.01.033 Epub 2019 Mar 11. PMID: 30871767.

5. Polyakov A., Gyngel C., Savulescu J. Modelling futility in the setting of fertility treatment. Hum Reprod. 2022; 37 (5): 877-83. DOI: https://doi.org/10.1093/humrep/deac051 PMID: 35298646; PMCID: PMC9071221.

6. Kawwass J.F., Badell M.L. Maternal and fetal risk associated with assisted reproductive technology. Obstet Gynecol. 2018; 132 (3): 763-72. DOI: https://doi.org/10.1097/AOG.0000000000002786 PMID: 30095760.

7. Van der Steeg J.W., Steures P., Eijkemans M.J., Habbema J.D., Bossuyt P.M., Hompes P.G., et al. Do clinical prediction models improve concordance of treatment decisions in reproductive medicine? BJOG. 2006; 113 (7): 825-31. DOI: https://doi.org/10.1111/j.1471-0528.2006.00992.x PMID: 16827767.

8. Toll D.B., Janssen K.J., Vergouwe Y., Moons K.G. Validation, updating and impact of clinical prediction rules: a review. J Clin Epidemiol. 2008; 61 (11): 1085-94. DOI: https://doi.org/10.1016/j.jclinepi.2008.04.008 PMID: 19208371

9. Collins G.S., Reitsma J.B., Altman D.G., Moons K.G. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ. 2015; 350: g7594. DOI: https://doi.org/10.1136/bmj.g7594 PMID: 25569120.

10. Vickers A.J., Holland F. Decision curve analysis to evaluate the clinical benefit of prediction models. Spine J. 2021; 21 (10): 1643-8. DOI: https://doi.org/10.1016/j.spinee.2021.02.024 Epub 2021 Mar 3. PMID: 33676020; PMCID: PMC8413398.

11. Leushuis E., van der Steeg J.W., Steures P., Bossuyt P.M., Eijkemans M.J., van der Veen F., et al. Prediction models in reproductive medicine: a critical appraisal. Hum Reprod Update. 2009; 15 (5): 537-52. DOI: https://doi.org/10.1093/humupd/dmp013 Epub 2009 May 12. PMID: 19435779.

12. Steyerberg E.W., Moons K.G., van der Windt D.A., Hayden J.A., Perel P., Schroter S., et al.; PROGRESS Group. Prognosis Research Strategy (PROGRESS) 3: prognostic model research. PLoS Med. 2013; 10 (2): e1001381. DOI: https://doi.org/10.1371/journal.pmed.1001381 Epub 2013 Feb 5. PMID: 23393430; PMCID: PMC3564751.

13. Nayudu P.L., Gook D.A., Hepworth G., Lopata A., Johnston W.I. Prediction of outcome in human in vitro fertilization based on follicular and stimulation response variables. Fertil Steril. 1989; 51 (1): 117-25. DOI: https://doi.org/10.1016/s0015-0282(16)60439-9 PMID: 2910705.

14. Hughes E.G., King C., Wood E.C. A prospective study of prognostic factors in in vitro fertilization and embryo transfer. Fertil Steril. 1989; 51 (5): 838-44.

15. Templeton A., Morris J. K., Parslow W. Factors that affect outcome of in-vitro fertilisation treatment. Lancet. 1996; 348 (9039): 1402-6.

16. Stolwijk A.M., Zielhuis G.A., Hamilton C.J., Straatman H., Hollanders J.M., Goverde H.J, et al. Pregnancy: prognostic models for the probability of achieving an ongoing pregnancy after in-vitro fertilization and the importance of testing their predictive value. Hum Reprod. 1996; 11 (10): 2298-303.

17. Nelson S.M., Lawlor D.A. Predicting live birth, preterm delivery, and low birth weight in infants born from in vitro fertilisation: a prospective study of 144,018 treatment cycles. PLoS Med. 2011; 8 (1): e1000386.

18. URL: http://www.IVFpredict.com

19. Dhillon R.K., McLernon D.J., Smith P.P., Fishel S., Dowell K., Deeks J.J., et al. Predicting the chance of live birth for women undergoing IVF: a novel pretreatment counselling tool. Hum Reprod. 2016; 31 (1): 84-92. DOI: https://doi.org/10.1093/humrep/dev268 Epub 2015 Oct 25. PMID: 26498177.

20. McLernon D.J., Steyerberg E.W., Te Velde E.R., Lee A.J., Bhattacharya S. Predicting the chances of a live birth after one or more complete cycles of in vitro fertilisation: population-based study of linked cycle data from 113 873 women. BMJ. 2016; 355: i5735. DOI: https://doi.org/10.1136/bmj.i5735 PMID: 27852632; PMCID: PMC5112178.

21. URL: https://w3.abdn.ac.uk/clsm/opis

22. Coppus S.F., van der Veen F., Opmeer B.C., Mol B.W., Bossuyt P.M. Evaluating prediction models in reproductive medicine. Hum Reprod. 2009; 24 (8): 1774-8. DOI: https://doi.org/10.1093/humrep/dep109 Epub 2009 Apr 23. PMID: 19395365.

23. Ratna M.B., Bhattacharya S., Abdulrahim B., McLernon D.J. A systematic review of the quality of clinical prediction models in in vitro fertilization Hum Reprod. 2020; 35 (1): 100-16. DOI: https://doi.org/10.1093/humrep/dez258 PMID: 31960915.

24. Ratna M.B., Bhattacharya S., McLernon D.J. External validation of models for predicting cumulative live birth over multiple complete cycles of IVF treatment. Hum Reprod. 2023; 38 (10): 1998-2010. DOI: https://doi.org/10.1093/humrep/dead165 PMID: 37632223.

25. McLernon D.J., Steyerberg E.W., Te Velde E.R., Lee A.J., Bhattacharya S. An improvement in the method used to assess discriminatory ability when predicting the chances of a live birth after one or more complete cycles of in vitro fertilisation. BMJ. 2018; 362: k3598. DOI: https://doi.org/10.1136/bmj.k3598 PMID: 30185457.

26. Curchoe C.L., Bormann C.L. Artificial intelligence and machine learning for human reproduction and embryology presented at ASRM and ESHRE 2018. J Assist Reprod Genet. 2019; 36 (4): 591-600. DOI: https://doi.org/10.1007/s10815-019-01408-x

27. Fu K., Li Y., Lv H., Wu W., Song J., Xu J. Development of a model predicting the outcome of in vitro fertilization cycles by a robust decision tree method. Front Endocrinol (Lausanne). 2022; 13: 877518. DOI: https://doi.org/10.3389/fendo.2022.877518 PMID: 36093079.

28. Vogiatzi P., Pouliakis A., Siristatidis C. An artificial neural network for the prediction of assisted reproduction outcome. J Assist Reprod Genet. 2019; 36 (7): 1441-8. DOI: https://doi.org/10.1007/s10815-019-01498-7 Epub 2019 Jun 19. PMID: 31218565; PMCID: PMC6642243.

29. Khosravi P., Kazemi E., Zhan Q., Malmsten J.E., Toschi M., Zisimopoulos P., et al. Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization. NPJ Digit Med. 2019; 2: 21. DOI: https://doi.org/10.1038/s41746-019-0096-y PMID: 31304368; PMCID: PMC6550169.

30. Barnett-Itzhaki Z., Elbaz M., Butterman R., Amar D., Amitay M., Racowsky C., et al. Machine learning vs. classic statistics for the prediction of IVF outcomes J Assist Reprod Genet. 2020; 37 (10): 2405-12. DOI: https://doi.org/10.1007/s10815-020-01908-1 Epub 2020 Aug 11. PMID: 32783138.

Материалы данного сайта распространяются на условиях лицензии Creative Commons Attribution 4.0 International License («Атрибуция - Всемирная»)