Интеллектуальная система поддержки принятия врачебных решений для прогнозирования исхода протокола вспомогательных репродуктивных технологий на различных этапах его проведения

В статье описана логика работы интеллектуальной системы поддержки принятия врачебных решений (СППВР), в основе которой лежит набор моделей машинного обучения, позволяющих предсказывать исход протокола вспомогательных репродуктивных технологий (ВРТ) на различных этапах его проведения. Для создания всех прогностических моделей использовались данные регистра протоколов ВРТ, позволяющего отследить влияние анамнеза женщин и хода протокола на состояние организма ребенка от рождения до достижения трех лет. Исход протокола ВРТ выражается в вероятности наступления беременности, наиболее распространенных осложнениях ее течения, таких как истмико-цервикальная недостаточность, гипертонические расстройства, предлежание плаценты, гестационный сахарный диабет, нарушения количества околоплодных вод и преждевременный разрыв плодных оболочек, в сроке и способе родов, а также в здоровье рожденного ребенка в течение трех лет. Учитывается влияние прогнозируемых осложнений течения беременности на результат родов, а также влияние осложнений течения беременности, срока и способа родов на здоровье рожденного ребенка, которое описывается прогнозируемыми группами здоровья и группой диагнозов в соответствии с МКБ-10. СППВР предусмотрена для протоколов экстракорпорального оплодотворения (ЭКО), в том числе с применением интрацитоплазматического введения сперматозоида в ооцит (ИСКИ) и криопереноса. СППВР содержит 77 прогностических моделей, из них 72 модели – бинарные классификаторы, 5 регрессионных моделей. Для создания моделей машинного обучения использован алгоритм случайного леса. Значение ROC-AUC бинарных классификаторов системы – 0,936 95 % ДИ [0,914; 0,958], доля правильных ответов бинарных классификаторов – 0,897 95 % ДИ [0,880; 0,915], критерий Фишера для регрессионных моделей не опровергает гипотезу адекватности моделей. Применение такой системы позволит получать объективную оценку, основанную на большом количестве данных, что значимо для специалистов в области ВРТ, и наглядно показывать клиентам центров ВРТ основные этапы предстоящего процесса.

1. Регистр ВРТ Российской ассоциации репродукции человека. Режим доступа: http://rahr.ru/registr_otchet.php (дата обращения: 16.02.2022).

2. Pessione F., De Mouzon J., Deveaux A., Epelboin S., Gervoise-Boyer M.-J., Jimenez C., Levy R., Valentin M., Viot G., Bergère M., Merlet F., Jonveaux P. Risques de morbidité maternelle et périnatale en fécodation in vitro: une étude nationale de cohorte française Gynécologie, obstétrique, fertilité & sénologie. 2020;48(4):351–358. Доступно по: https://www.sciencedirect.com/science/article/pii/S2468718920300519?via%3Dihub (дата обращения: 15.03.2022). DOI: 10.1016/j.gofs.2020.02.002 (In French.)

3. Sunderam S., Kissin D.M., Crawford S.B., Folger S.G., Jamieson D.J., Warner L., Barfield W.D. Assisted Reproductive Technology Surveillance – United States, 2014. MMWR Surveill Summ. 2017;66(6):1–24. Доступно по: https://www.cdc.gov/mmwr/volumes/66/ss/ss6606a1.htm (дата обращения: 15.03.2022). DOI: 10.15585/mmwr.ss6606a1.

4. Кешишян Е.С., Царегородцев А.Д., Зиборова М.И. Состояние здоровья и развитие детей, рожденных после экстракорпорального оплодотворения. Российский вестник перинатологии и педиатрии. 2014;59(5):15–25. Доступно по: https://www.ped-perinatology.ru/jour/article/view/230 (дата обращения: 15.03.2022).

5. Von Wolff M., Haaf T. In vitro fertilization technology and child health risks, mechanisms and possible consequences. Deutsches Ärzteblatt international. 2020;117(3):23–30. Доступно по: https://www.aerzteblatt.de/int/archive/article/211864 (дата обращения: 15.03.2022). DOI: 10.3238/arztebl.2020.0023.

6. Wennerholm U.B., Bergh C. Perinatal outcome in children born after assisted reproductive technologies. Upsala journal of medical sciences. 2020;125(2):158–166. Доступно по: https://ujms.net/index.php/ujms/article/view/5645 (дата обращения: 15.03.2022). DOI: 10.1080/03009734.2020.1726534.

7. McDonald S., Murphy K., Beyene J., Óhlsson A. Perinatal Outcomes of Singleton Pregnancies Achieved by In Vitro Fertilization: A Systematic Review and Meta-Analysis. Journal of obstetrics and gynaecology Canada. 2005;25(5):449–459. Доступно по: https://www.sciencedirect.com/science/article/abs/pii/S1701216316305278?via%3Dihub (дата обращения: 15.03.2022). DOI: 10.1016/S1701-2163(16)30527-8.

8. McDonald S., Murphy K., Óhlsson A. Perinatal outcomes of in vitro fertilization twins: a systematic review and meta-analyses. American Journal of Obstetrics & Gynecology. 2005;193(1):141-52. Доступно по: https://www.ajog.org/article/S0002-9378(04)02077-0/fulltext (дата обращения: 15.03.2022). DOI: 10.1016/j.ajog.2004.11.064.

9. Vaegter K.K., Lakic T.G., Olovsson M., Berglund L., Brodin T., Holte J. Which factors are most predictive for live birth after in vitro fertilization and intracytoplasmic sperm injection (IVF/ICSI) treatments? Analysis of 100 prospectively recorded variables in 8,400 IVF/ICSI single-embryo transfers. Fertility and Sterility. 2017;107(3):641–648.e2. Доступно по: https://www.fertstert.org/article/S0015-0282(16)63073-X/fulltext (дата обращения: 15.03.2022). DOI: 10.1016/j.fertnstert.2016.12.005.

10. Esteves S.C., Carvalho J.F., Bento F.C., Santos J. A Novel Predictive Model to Estimate the Number of Mature Oocytes Required for Obtaining at Least One Euploid Blastocyst for Transfer in Couples Undergoing in vitro Fertilization/Intracytoplasmic Sperm Injection: The ART Calculator. Frontiers in Endocrinology. 2019;10(99). Доступно по: https://www.frontiersin.org/articles/10.3389/fendo.2019.00099/full (дата обращения: 15.03.2022). DOI: 10.3389/fendo.2019.00099.

11. Ratna M.B, Bhattacharya S., Abdulrahim B., McLernon D.J. A systematic review of the quality of clinical prediction models in in vitro fertilization. Human Reproduction. 2020;35(1):100–116. Доступно по: https://academic.oup.com/humrep/article/35/1/100/5710852 (дата обращения: 15.03.2022). DOI: 10.1093/humrep/dez258.

12. 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 Medicine. 2011;8(1): e1000386. Доступно по: https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1000386 (дата обращения: 15.03.2022). DOI: 10.1371/journal.pmed.1000386.

13. Пыхтина Л.А., Филькина О.М., Гаджимурадова Н.Д., Малышкина А.И., Назаров С.Б. Факторы риска и прогнозирование нарушений здоровья у детей первого года жизни, родившихся от одноплодной беременности после экстракорпорального оплодотворения. Анализ риска здоровью. 2017;1:56–65. Доступно по: https://journal.fcrisk.ru/2017/1/7 (дата обращения 15.03.2022). DOI: 10.21668/health.risk/2017.1.07.

14. Dukhovny D., Hwang S.S., Gopal D., Cabral H.J., Diop H., Stern J.E. Association of maternal fertility status and receipt of fertility treatment with healthcare utilization in infants up to age four. Journal of Perinatology. 2021;41(10):2408–2416. Доступно по: https://www.nature.com/articles/s41372-021-01003-y (дата обращения: 15.03.2022). DOI: 10.1038/s41372-021-01003-y.

15. Ковтун О.П., Плаксина А.Н., Макутина В.А., Анкудинов Н.О., Зильбер Н.А., Лимановская О.В., Синотова С.Л. Информационно-аналитические системы для оценки перинатальных исходов и состояния здоровья детей, рожденных при помощи вспомогательных репродуктивных технологий. Российский вестник перинатологии и педиатрии. 2020;65(1):45–50. Доступно по: https://www.ped-perinatology.ru/jour/article/view/1056. DOI:10.21508/1027-4065-2020-65-1-45-50 (дата обращения: 15.03.2022).

16. Pedregosa et al. Scikit-learn: Machine Learning in Python. JMLR. 2011;12:2825-2830. Доступно по: https://www.jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf. (дата обращения: 15.03.2022).

17. Breiman L. Random Forests. Machine Learning. 2001;45:5–32.

18. Korobov M. Morphological Analyzer and Generator for Russian and Ukrainian Languages. Analysis of Images, Social Networks and Texts. 2015:320-332. Доступно по: https://link.springer.com/chapter/10.1007/978-3-319-26123-2_31 (дата обращения: 15.03.2022). DOI: 10.1007/978-3-319-26123-2_31.

19. Kursa M.B., Rudnicki W.R. Feature Selection with the Boruta Package. Journal of Statistical Software. 2010;36(11):1–13. Доступно по: https://www.jstatsoft.org/article/view/v036i11 (дата обращения: 15.03.2022). DOI: 10.18637/jss.v036.i11.

20. He H., Bai Y., Garcia E.A., Li S. ADASYN: Adaptive synthetic sampling approach for imbalanced learning. Proceedings of the 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence), Hong Kong, China. 2008; 1322–1328. Доступно по: https://ieeexplore.ieee.org/document/4633969 (дата обращения: 15.03.2022). DOI: 10.1109/IJCNN.2008.4633969.

21. Lemaitre G., Nogueira F., Aridas C.K. Imbalanced-learn: Imbalanced-learn: A python toolbox to tackle the curse of imbalanced datasets in machine learning. JMLR. 2017;18(17):1–5. Доступно по: https://www.jmlr.org/papers/volume18/16-365/16-365.pdf (дата обращения: 15.03.2022).

22. Kohavi R. A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence, San Mateo, CA. 1995;2(12):1137–1143.

23. Stone M. Cross-Validatory Choice and Assessment of Statistical Predictions. Journal of the Royal Statistical Society, Series B (Methodological). 1974;36(2):111–147. Доступно по: https://www.jstor.org/stable/2984809/ (дата обращения: 15.03.2022).