Predição do sucesso de gestação utilizando algoritmos de machine learning após procedimentos de fertilização in vitro realizados por um serviço de atendimento público de saúde.
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Primeiro orientador
Membros da banca
Alamanda Kfoury Pereira
Adriano de Paula Sabino
Adriano de Paula Sabino
Resumo
A infertilidade, definida como ausência de concepção após um período
médio de 12 meses de relação sexual desprotegida, tornou-se um problema de
saúde global. A infertilidade afeta cerca de 37 a 70 milhões de casais em todo o
mundo, o que justifica o aumento do número de casais em busca de fertilização
in vitro (FIV). Apesar dos avanços e aprimoramentos técnicos nos procedimentos
de fertilização artificial, alguns casais não conseguem ter sucesso devido à alta
complexidade da técnica e aos vários fatores, controláveis ou não, que podem
comprometer o resultado final. Machine Learning (ML) é uma subárea da
Inteligência Artificial que se dedica ao estudo de algoritmos e modelos
estatísticos para executar uma determinada tarefa sem a necessidade do uso de
instruções explícitas, com o intuito de gerar modelos preditivos do desfecho. O
objetivo deste estudo foi aplicar modelos de ML para predizer o sucesso de
gestação em mulheres submetidas ao procedimento de FIV em um serviço
público de saúde, incluindo variáveis pré-implantacionais. Este estudo incluiu a
análise de um banco de dados compreendendo 771 casos de casais submetidos
à FIV no Hospital das Clínicas da Universidade Federal de Minas Gerais, entre
2013 e 2019. Foram utilizados os seguintes algoritmos baseados em ML:
Regressão Logística, Randon Forest, XG Boost e Support Vector Machines
(SVM). O algoritmo Random Forest apresentou o melhor desempenho, com
melhor acurácia, sensibilidade e área sob a curva ROC, indicando as 20
variáveis, dentre as 90 totais do banco de dados, que são mais relevantes para
predizer o sucesso da gravidez após a FIV. Nosso algoritmo de ML pode ser útil
para estimar a chance de gravidez em mulheres submetidas à FIV, bem como
definir as variáveis nas quais a intervenção clínica pode melhorar o sucesso do
tratamento.
Abstract
Infertility, defined as the absence of conception after an period of 12
months of unprotected sexual intercourse, has become a global health problem.
Infertility affects about 37 to 70 million couples worldwide, which justifies the
increase in the number of couples looking for in vitro fertilization (IVF). Despite
advances and technical improvements in artificial fertilization procedures, some
couples are unable to succeed due to the high complexity of the technique and
several variables, controllable or not, that can compromise the final result.
Machine Learning (ML) is a sub-area of Artificial Intelligence that is dedicated to
the study of algorithms and statistical models to perform a procedure without the
need for the use of explicit instructions, in order to generate predictive models of
the outcome. The objective of this study was to apply ML models to predict the
success of pregnancy after the IVF procedure in a public health service, including
pre-implantation variables. This study included the analysis of a database
comprising 771 cases of couples undergoing IVF at the Hospital das Clínicas of
the Federal University of Minas Gerais, between 2013 and 2019. The ML-based
algorithms were used: Logistic Regression, Randon Forest, XG Boost and
Support Vector Machines (SVM). The Random Forest algorithm showed the best
performance, with better accuracy, sensitivity and area under the ROC curve,
indicating the 20 variables, among the 90 totals in the database, that are most
relevant to predict the success of pregnancy after IVF. Our ML algorithm can be
useful for predicting pregnancy in women undergoing IVF, as well as defining the
variables in which clinical intervention can improve treatment success.
Assunto
Palavras-chave
Infertilidade, FIV / ICSI, Modelo de predição, Machine learning, Random forest