基于机器学习的胚胎移植临床妊娠结局预测模型构建与验证研究

摘要：目的：构建机器学习驱动的胚胎移植患者临床妊娠结局预测模型，验证其有效性，辅助临床决策。方法：2022年12月至2024年6月，选取太原市中心医院生殖中心200例胚胎移植患者，收集年龄、不孕年限、获卵数等临床数据及心理压力（FPI量表）数据，构建数据集，分单胚胎移植组（观察组）和双胚胎移植组（对照组）。采用随机森林、自适应增强、梯度增强决策树、多层感知器四种算法建模，70%数据作训练集、30%作测试集，借K折交叉验证及灵敏度、特异度、曲线下面积评估模型性能。结果：梯度增强决策树模型表现最优，灵敏度 0.82、特异度 0.79、曲线下面积 0.85，显著优于其他算法（P<0.05）。结论：基于机器学习的预测模型能有效预测胚胎移植妊娠结局，梯度增强决策树模型性能最佳，为临床移植方案选择提供参考。

关键词：机器学习；胚胎移植；妊娠结局；预测模型；临床决策

胚胎移植技术在辅助生殖领域占据重要地位，其妊娠结局会受到年龄、激素水平、胚胎质量等多种因素的影响，临床决策往往依赖医师个人经验，由此带来效率偏低、个体化方案不足等实际问题，当前相关研究多集中于单一影响因素，所采用的样本量较为有限，且缺乏对多因素综合作用机制的系统分析，人工智能持续发展的背景下，机器学习在疾病风险预测、治疗效果评估等医疗领域已展现出显著潜力，但在胚胎移植妊娠结局预测这一具体方向的应用仍较为少见[1]。现有移植策略在提升妊娠率与降低多胎妊娠风险之间难以实现有效平衡，因此迫切需要精准的预测工具来辅助临床决策，本研究的目的是深入探讨胚胎移植妊娠结局的各类影响因素，构建并验证基于机器学习的预测模型，从而为临床实践提供高效且可靠的辅助决策方法。

1 资料与方法

1.1 资料

1.1.1 研究对象

研究对象为 2023 年 1 月 1 日至 2024 年 6 月于太原市中心医院生殖医学中心接受胚胎移植的患者，共计 200 例，按移植胚胎数量分组，观察组行单胚胎移植，对照组行双胚胎移植，每组各 100 例，观察组患者年龄范围 22-40 岁，平均年龄（31.2±4.5）岁；不孕时长 1-10 年，平均（4.3±2.1）年。对照组患者年龄 23-41 岁，平均（32.1±4.2）岁；不孕年限 1-11 年，平均（4.5±2.3）年，对比两组患者年龄、不孕年限等一般临床资料，统计分析显示差异无统计学意义（P>0.05），组间具有可比性。

1.1.2 纳入标准

（1）符合胚胎移植指征，自愿接受胚胎移植治疗；（2）年龄 20-45 岁；（3）无严重心、肝、肾等重要脏器疾病；（4）无精神疾病史；（5）患者及家属知情同意并签署知情同意书。

1.1.3 排除标准

（1）20 岁以下的患者；（2）涉及精子、卵子或胚胎捐赠的周期；（3）涉及代孕的周期；（4）合并严重内分泌疾病、免疫系统疾病等；（5）临床资料不完整者。

1.2 方法

本研究采用前瞻性研究方法。对纳入的 200 例胚胎移植患者，在其接受治疗过程中收集相关数据，具体如下：

观察组（单胚胎移植）：胚胎移植时，挑选 1 个优质胚胎进行移植操作，收集患者一般资料，涵盖年龄、不孕年限、月收入等信息；临床指标方面，包括获卵数量、优质胚胎数量、人绒毛膜促性腺激素（hCG）日血清孕酮水平等数据。采用 Fertility Problem Inventory（FPI）量表评估患者心理压力，该量表包含婚姻关系、社会压力、性焦虑等多个维度，通过对各条目进行计分来量化患者心理压力程度，其中文版经过多次验证，具有较高的信度和效度。

对照组（双胚胎移植）：在胚胎移植过程中，选择 2 个优质胚胎进行移植。收集的数据与观察组一致，同样包括一般资料、临床指标及心理压力数据，心理压力评估也采用 FPI 量表。

所有收集的数据用于构建数据集，数据集过滤包括四个步骤：步骤 1，排除 20 岁以下的患者；步骤 2，排除涉及精子、卵子或胚胎捐赠的周期和涉及代孕的周期；步骤 3，只保留一个或两个胚胎的周期；步骤 4，将其余数据分为两个子数据集，即观察组（单胚胎移植）和对照组（双胚胎移植）。

数据清理包括以下步骤：（1）将数据格式标准化为定量数据和分类数据两类；（2）检查遗漏的数值和异常值，对遗漏值采用合适的方法进行填补，对异常值进行核实和处理；（3）使用 z-score 归一化方法使处理后的数据平均值为 0，标准差为 1，以减弱数值范围对模型的影响。

建立四种机器学习算法预测模型，随机森林、自适应增强、梯度增强决策树、多层感知器在列，随机森林依托随机决策树平均化，分类器结构引入随机性形成多样集合，训练集抽取样本各自构建决策树，自适应增强在反复修改的数据版本上拟合一连串弱分类器，所有预测结果经加权结合成最终结果。梯度增强决策树以决策树为基础，误差用来生成新决策树，迭代持续到损失函数收敛，各子节点值相加得最终预测值，多层感知器从初始随机权重出发，反复更新权重降低损失函数，预设最大迭代次数到达或损失改善低于较小数值时停止。

将数据集按 7:3 的比例分成训练集和测试集，70% 的数据集作为训练集用于模型训练，30% 作为测试集用于评估模型的测试误差，以此作为泛化误差的估计。同时，采用 K 折交叉验证方法找到使模型泛化性能最优的超参值，将原始数据分成 K 组，每个子集数据分别做一次验证集，其余 K-1 组子集数据作为训练集，得到 K 个模型，对这 K 个模型在验证集中的评估结果计算误差（Mean Squared Error，MSE）加权平均，得到交叉验证误差。

1.3 评价指标及判定标准

（1）妊娠结局：移植后 4 周左右进行超声检查，若宫内可见妊娠囊则判定为临床妊娠，否则为未妊娠。

（2）模型预测性能评价指标：

灵敏度：真阳性率，即实际妊娠且模型预测为妊娠的例数占实际妊娠总例数的比例，计算公式为：灵敏度 = 真阳性 /（真阳性 + 假阴性），灵敏度越高，说明模型对妊娠患者的识别能力越强。

特异度：真阴性率，即实际未妊娠且模型预测为未妊娠的例数占实际未妊娠总例数的比例，计算公式为：特异度 = 真阴性 /（真阴性 + 假阳性），特异度越高，说明模型对未妊娠患者的识别能力越强。

曲线下面积：通过绘制受试者工作特征曲线（ROC 曲线），计算曲线下的面积，曲线下面积越接近 1，说明模型的预测性能越好，0.5-0.7 为较低准确性，0.7-0.9 为一定准确性，>0.9 为较高准确性。

（3）影响因素分析指标：包括女性年龄、不孕年限、获卵数、心理压力（FPI 量表得分，得分越高表示心理压力越大）、月收入、hCG 日血清孕酮水平、优质胚胎数等，分析这些因素与妊娠结局的相关性。

（4）单胚胎移植与双胚胎移植成功率：分别计算观察组和对照组的妊娠成功率，即临床妊娠例数占该组总例数的比例，比较两组成功率的差异。

（5）多胎妊娠率：对照组中多胎妊娠的例数占该组临床妊娠总例数的比例，多胎妊娠指宫内同时可见 2 个及以上妊娠囊。

1.4 统计学处理

采用SPSS 26.0软件分析数据，计量资料以均数±标准差（x±s）表示，组间比较用t检验；计数资料以率（%）表示，组间比较用χ²检验。借助Python的Scikit-learn库构建和评估模型，计算灵敏度、特异度及曲线下面积等指标，比较不同模型性能差异。以P<0.05为差异有统计学意义。

2 结果

2.1 两组患者一般资料比较

两组患者在年龄、不孕年限、获卵数等一般资料方面的比较结果见表 1，差异均无统计学意义（P>0.05），具有可比性。

表 1 两组患者一般资料比较（x±s）

2.2 两组患者妊娠结局比较

两组患者妊娠结局比较结果见表 2，对照组妊娠成功率高于观察组，差异有统计学意义（P<0.05）。

表 2 两组患者妊娠结局比较 [例（%）]

2.3 对照组多胎妊娠情况

对照组 65 例临床妊娠患者中，多胎妊娠 18 例，多胎妊娠率为 27.7%（18/65）。

2.4 胚胎移植妊娠结局影响因素分析

胚胎移植妊娠结局影响因素分析结果见表 3，年龄、不孕年限等与妊娠结局相关（P<0.05），获卵数、月收入与妊娠结局无显著相关性（P>0.05）。

表 3 胚胎移植妊娠结局影响因素分析

2.5 四种机器学习模型预测性能比较

四种机器学习模型预测性能比较结果见表 4，梯度增强决策树模型预测性能最优（P<0.05）。

表 4 四种机器学习模型预测性能比较

3 讨论

本研究结果显示，年龄、不孕年限、优质胚胎数、心理压力（FPI 量表得分）及 hCG 日血清孕酮水平与胚胎移植妊娠结局显著相关（P<0.05），与既往多数研究结论一致，年龄是关键影响因素，妊娠组患者平均年龄（30.5±4.1）岁显著低于未妊娠组（33.2±4.6）岁，随着年龄增长，女性卵母细胞质量下降，胚胎着床能力减弱，妊娠成功率降低，不孕年限越长，妊娠成功率越低，长期不孕导致生殖器官功能减退，患者心理压力累积可能有关[2]。优质胚胎数较多的患者妊娠率更高，胚胎质量是影响着床的核心因素，为临床筛选移植胚胎提供重要依据。hCG 日血清孕酮水平在妊娠组（16.8±5.0 ng/mL）显著高于未妊娠组（13.5±4.2 ng/mL），适宜的孕酮水平有助于维持子宫内膜容受性，为胚胎着床创造良好条件，心理压力与妊娠结局呈负相关值得注意，妊娠组 FPI 量表得分（16.2±5.8 分）明显低于未妊娠组（21.5±6.3 分），验证心理因素在胚胎移植中的重要性，巨大的心理压力可能影响下丘脑 - 垂体 - 肾上腺轴，干扰内分泌功能，损害卵子和胚胎发育，降低着床能力，临床中需重视对患者的心理干预[3]。

本研究中，对照组（双胚胎移植）妊娠成功率（65.0%）显著高于观察组（单胚胎移植，48.0%）（P<0.05），对照组多胎妊娠率达27.7%，与现有研究中两种移植策略的特点相符，双胚胎移植增加胚胎数量提高妊娠概率，多胎妊娠会增加妊娠期高血压、糖尿病及早产等母婴并发症风险，威胁母婴健康，单胚胎移植妊娠率较低，可显著降低多胎妊娠风险，更符合优生优育原则[4]。结局差异凸显临床决策困境，提高妊娠率与降低多胎妊娠风险如何平衡，传统决策依赖医生经验，难实现个体化优化，本研究构建的预测模型提供新思路，精准预测不同移植方案成功率，为患者选择最优策略。

本研究对比了四种机器学习模型的预测性能，结果显示梯度增强决策树模型表现最优，其灵敏度达到0.82、特异度为0.79、曲线下面积达0.85，显著优于随机森林、自适应增强及多层感知器（P<0.05），这一结果证实了机器学习在胚胎移植妊娠结局预测中具备可行性与优越性，该模型通过整合多维度影响因素，像年龄、孕酮水平、心理压力等，实现了对妊娠结局的精准预测，其性能要优于传统单因素分析，能为临床提供更可靠的决策依据，梯度增强决策树模型的优势体现在拥有良好的泛化能力和对复杂数据的处理能力，能够有效捕捉各因素间的交互作用，这也是其预测性能优于其他模型的重要原因[5]。该模型的应用逻辑贴近临床思维，通过输入患者数据就可以比较单胚胎与双胚胎移植的成功率，辅助医患共同决策，大大减少了临床决策所需的时间与经济成本，基于机器学习的胚胎移植妊娠结局预测模型具有重要的临床应用价值，尤其是梯度增强决策树模型可作为优选工具，为实现个体化移植方案制定、平衡妊娠率与多胎妊娠风险提供有力支持，未来研究可进一步扩大样本量，优化模型参数，以此提升其稳定性与普适性。

4 结论

本研究构建并验证基于机器学习的胚胎移植临床妊娠结局预测模型，年龄、不孕年限、优质胚胎数、心理压力及hCG日血清孕酮水平是影响妊娠结局的重要因素，双胚胎移植妊娠率高于单胚胎移植，多胎妊娠风险较高。梯度增强决策树模型预测性能最优，灵敏度0.82、特异度0.79、曲线下面积0.85，可有效辅助临床决策，为胚胎移植方案选择提供可靠依据，有助于平衡妊娠率与多胎妊娠率。

参考文献

[1]王琼仨,芦金飞,陈文艳,等.基于超声影像组学的联合模型预测冷冻胚胎移植后妊娠结局的临床价值[J].临床超声医学杂志,2025,27(04):332-339.

[2]赵彦梅,辛峰,王涛.一种子宫内膜炎体外受精-胚胎移植后妊娠结局预测模型的研究[J].分子诊断与治疗杂志,2025,17(03):449-452+457.

[3]李娜,苗聪秀,苗卉,等.决策树和Logistic回归模型对体外受精-胚胎移植患者妊娠结局的预测价值比较[J].暨南大学学报(自然科学与医学版),2024,45(05):493-501.

[4]王付敏,申向辉,安利香,等.三维能量多普勒超声预测子宫腺肌病患者体外受精-胚胎移植后妊娠结局的临床价值[J].临床超声医学杂志,2024,26(09):730-734.

[5]王曦.机器学习算法构建子宫内膜超声参数预测解冻胚胎移植临床妊娠模型的研究[D].华南理工大学,2024.

课题名称：太原市科技局区域医疗中心科技计划项目

项目名称：胚胎移植患者妊娠结局的预测模型构建：基于机器学习的人工智能

编号：202267