МЕТОД РАННЕГО ПРОГНОЗИРОВАНИЯ РЕЗУЛЬТАТОВ ЭКО У ЖЕНЩИН С АНОВУЛЯТОРНЫМ БЕСПЛОДИЕМ С УЧЕТОМ ИХ ГЕНЕТИЧЕСКОГО И ГОРМОНАЛЬНОГО СТАТУСОВ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Основное содержимое статьи
Аннотация
В статье рассмотрен разработанный программный модуль IVFClassifier для раннего прогнозирования результатов ЭКО у женщин с ановуляторным бесплодием с учетом генетических маркеров и гормонального статуса. Сформирована база данных, включающая полиморфизмы генов KISS1, FSHR, MTNR1B и LEPR и показатели гормонального профиля. Прогностическая модель построена с использованием метода опорных векторов с RBF-ядром и логистической регрессии. Для повышения надежности оценки применены вложенная кросс-валидация, автоматический подбор гиперпараметров и ансамблирование моделей по фолдам. Реализован графический интерфейс пользователя, позволяющий вводить исходные данные и получать прогноз эффективности ЭКО, предполагаемый генотип и показатель уверенности. Разработанный программный комплекс может использоваться как инструмент поддержки принятия решений при персонализированной оценке перспектив ЭКО.
Ключевые слова
Информация о статье
Информация о финансировании и конфликте интересов
Авторы заявляют об отсутствии явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.
Контент доступен под лицензией Creative Commons Attribution 4.0 License.
Как цитировать
Список литературы
1. Ding X, Li H, Yang Q, Nawsherwan. The Trend in Delayed Childbearing Age and Its Potential Impact on Adverse Maternal-Perinatal Outcomes in Developed and Developing Countries: A Narrative Review. Iran J Public Health. 2025; 54(1): 1-12. doi: 10.18502/ijph.v54i1.17570
2. Cox CM, Thoma ME, Tchangalova N, Mburu G, Bornstein MJ, Johnson CL, Kiarie J. Infertility prevalence and the methods of estimation from 1990 to 2021: a systematic review and meta-analysis. Hum Reprod Open. 2022; 2022(4): hoac051. doi: 10.1093/hropen/hoac051
3. Igitova MB, Kazanina AB, Cherkasova TM, Yavorskaya SD, Dmitrienko KV, Dolgova NS. Pregnancy after in vitro fertilization: obstetric and perinatal risks. Obstetrics and Gynecology. 2024; 7: 58-64. Russian (Игитова М.Б., Казанина А.Б., Черкасова Т.М., Яворская С.Д., Дмитриенко К.В., Долгова Н.С. Беременность после экстракорпорального оплодотворения: акушерские и перинатальные риски //Акушерство и гинекология. 2024. № 7. С. 58-64.) doi: 10.18565/aig.2024.94
4. Shingshetty L, Cameron NJ, McLernon DJ, Bhattacharya S. Predictors of success after in vitro fertilization. Fertil Steril. 2024; 121(5): 742-751. doi: 10.1016/j.fertnstert.2024.03.003
5. Henderson I, Rimmer MP, Keay SD, Sutcliffe P, Khan KS, Yasmin E, Al Wattar BH. Predicting the outcomes of assisted reproductive technology treatments: a systematic review and quality assessment of prediction models. F&S Reviews. 2021; 2(1): 1-10. doi: 10.1016/j.xfnr.2020.11.002
6. Yao MWM, Nguyen ET, Retzloff MG, Gago LA, Nichols JE, Payne JF, et al. Machine learning center-specific models show improved IVF live birth predictions over US national registry-based model. Nat Commun. 2025; 16: 3661. doi: 10.1038/s41467-025-58744-z
7. Letterie G. Three ways of knowing: the integration of clinical expertise, evidence-based medicine, and artificial intelligence in assisted reproductive technologies. J Assist Reprod Genet. 2021; 38(7): 1617-1625. doi: 10.1007/s10815-021-02159-4
8. Dehghan S, Moghaddasi H, Rabiei R, Choobineh H, Maghooli K, Vahidi-Asl M. Machine learning in predicting infertility treatment success: a systematic literature review of techniques. J Educ Health Promot. 2025; 14: 103. doi: 10.4103/jehp.jehp_1798_23
9. Bai R, Li J-W, Hong X, Xuan X-Y, Li X-H, Tuo Y. Predictive modeling of pregnancy outcomes utilizing multiple machine learning techniques for in vitro fertilization-embryo transfer. BMC Pregnancy Childbirth. 2025; 25: 316. doi: 10.1186/s12884-025-07433-2
10. Hu S, Jing Y, Fu Y, Ye X. Association of FSHR gene polymorphisms with poor ovarian response in patients undergoing IVF: A systematic review and meta-analysis. Gene. 2024; 909: 148314. doi: 10.1016/j.gene.2024.148314
11. Eliseeva LV, Zykova GS, Alset D, Butenko EV, Aleksandrova AA. Genetic variants of KISS1 gene in association with polycystic ovary syndrome: A meta-analysis. Human Gene. 2024; 40: 201285. doi: 10.1016/j.humgen.2024.201285
12. Kargasheh FB, Ansaripour S, Borumandnia N, Moradi N, Zandieh Z, Maleki M, et al. Association of leptin G2548A and leptin receptor Q223R polymorphisms and their serum levels with infertility and recurrent pregnancy loss in Iranian women with polycystic ovary syndrome. PLoS One. 2021; 16(8): e0255920. doi: 10.1371/journal.pone.0255920
13. Yan D, Kong W, Li Y, Liu Y, Li L, Li Y. Correlation of GLUT4, LEPR, and TNF-α with endometrial receptivity in women with polycystic ovarian syndrome-induced infertility. J Med Biochem. 2025; 44(1): 77-84. doi: 10.5937/jomb0-51125
14. Lekadir K, Frangi AF, Porras AR, Glocker B, Cintas C, Langlotz CP, et al. FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare. BMJ. 2025; 388: e081554. doi: 10.1136/bmj-2024-081554
15. Abbas Q, Jeong W, Lee SW. Explainable AI in Clinical Decision Support Systems: A Meta-Analysis of Methods, Applications, and Usability Challenges. Healthcare (Basel). 2025; 13(17): 2154. doi: 10.3390/healthcare13172154
16. Sadegh-Zadeh S-A, Khanjani S, Javanmardi S, Bayat B, Naderi Z, Hajiyavand AM. Catalyzing IVF outcome prediction: exploring advanced machine learning paradigms for enhanced success rate prognostication. Front Artif Intell. 2024; 7: 1392611. doi: 10.3389/frai.2024.1392611
17. Parvandeh S, Yeh H-W, Paulus MP, McKinney BA. Consensus features nested cross-validation. Bioinformatics. 2020; 36(10): 3093-3098. doi: 10.1093/bioinformatics/btaa046
18. Mohammed A, Kora R. A comprehensive review on ensemble deep learning: Opportunities and challenges. Journal of King Saud University Computer and Information Sciences. 2023; 35(2): 757-774. doi: 10.1016/j.jksuci.2023.01.014
19. Hanassab S, Nelson SM, Akbarov A, Yeung AC, Hramyka A, Alhamwi T, et al. Explainable artificial intelligence to identify follicles that optimize clinical outcomes during assisted conception. Nat Commun. 2025; 16: 296. doi: 10.1038/s41467-024-55301-y
20. Mina A, Younesi M, Doohandeh T, Darzi S, Ajabi Ardehjani N, Sheibani S, et al. Predicting pregnancy outcomes in IVF cycles: a systematic review and diagnostic meta-analysis of artificial intelligence in embryo assessment. Contracept Reprod Med. 2025; 10(1): 59. doi: 10.1186/s40834-025-00400-4