首页
Frontiers in Endocrinology 2026

IVF/ICSI临床妊娠
预测模型

基于11,449例回顾性研究

精准预测,助力辅助生殖临床决策

探索预测因子 🔮 预测工具(GUI)
11,449 纳入病例
0.839 训练集AUC
0.827 验证集AUC
向下滚动

研究背景

🌍

全球健康挑战

不孕症影响约1/6的育龄夫妇,已成为日益严重的全球健康问题,给个人、家庭和社会带来重大的心理、社会和经济负担。

🔬

辅助生殖技术

体外受精(IVF)和卵胞浆内单精子注射(ICSI)是治疗不孕症的关键技术,全球已有超过1000万儿童通过ART诞生。

📊

预测挑战

尽管技术不断进步,IVF/ICSI治疗成功率仍然有限,植入率约60%,活产率仅25-30%。准确预测妊娠成功率至关重要。

8大预测因子

LASSO回归从26个候选变量中筛选出的关键预测变量

👩

女性年龄

高影响

最重要的影响因素,几乎所有相关研究都将其纳入模型。女方年龄与卵巢储备和卵子质量直接相关。

中位数: 31.80岁 [28.80, 35.20]
🔢

窦卵泡计数 (AFC)

高影响

反映卵巢储备功能的重要指标,与卵巢反应性和获卵数密切相关。

临床常用评估指标
💉

Day 3 FSH水平

中影响

基础促卵泡激素水平,是评估卵巢储备的经典内分泌指标。

参考范围: 5-15 µmol/L
📏

子宫内膜厚度

中影响

内膜容受性的重要参数,影响胚胎着床成功率。

中位数: 11mm [9, 13]
👨

男性年龄

中影响

男方年龄对妊娠结局有显著影响,可能与精子质量和DNA完整性相关。

中位数: 33.00岁 [30.00, 37.00]
🧬

可用胚胎数

高影响

可用的胚胎数量反映了卵巢反应性和受精情况。

范围: 1-10个

优质囊胚数

高影响

高质量的囊胚数量是预测妊娠成功的关键指标。

范围: 1-8个
🔄

移植胚胎数

中影响

实际移植的胚胎数量,根据患者情况和胚胎质量决定。

范围: 1-3个

研究方法

01

研究设计

回顾性队列研究

02

研究人群

154,307例初筛 → 11,449例纳入

云南省第一人民医院 2013-2024

03

变量筛选

LASSO回归

从26个变量中筛选8个关键预测因子

04

模型构建

多变量Logistic回归

Nomogram可视化列线图

05

模型验证

7:3分组验证

训练集 + 验证集

06

评价指标

ROC、校准曲线、DCA

临床影响曲线

研究结果

🔍 区分能力

0.839 训练集AUC 95%CI: 0.825-0.852
0.827 验证集AUC 95%CI: 0.817-0.835

模型显示出优异的区分能力

📐 校准度

P=0.184 训练集H-L检验
P=0.723 验证集H-L检验

校准曲线显示预测概率与实际妊娠率高度一致,模型校准良好

💡 临床实用性

  • 决策曲线分析显示在不同概率阈值下均具有较高净收益
  • 优于"全预测妊娠"或"全预测非妊娠"的基线模型
  • 临床影响曲线验证模型准确识别高风险患者的能力

列线图使用示例

典型病例评分计算

一位35岁女性,配偶20岁,Day 3 FSH 5 µmol/L,AFC 8,内膜厚度11mm,6个优质囊胚,4个可用胚胎,移植2个胚胎:

预测因子 数值 得分
女性年龄35岁44
男性年龄20岁51
Day 3 FSH5 µmol/L47
AFC848
内膜厚度11mm49
优质囊胚数6个61
可用胚胎数4个50
移植胚胎数2个53
总评分 403
预测临床妊娠概率 59.7%

原文图表

本研究的核心可视化结果

Figure 1 研究流程图

Figure 1 研究流程图

数据准备、模型开发和验证流程。从154,307例初筛到最终纳入11,449例(未孕5,500例,妊娠5,949例)。

Figure 2 LASSO回归分析

Figure 2 特征选择与LASSO回归

(A) 连续变量相关性热图 (B) 26个变量的LASSO系数路径图 (C) 二项偏差曲线,确定最优λ值,筛选出8个非零系数变量。

Figure 3 Nomogram列线图

Figure 3 临床妊娠预测Nomogram

基于8个预测因子构建的列线图。每个变量对应特定分值,总评分对应临床妊娠概率。示例:总评分403分对应妊娠概率0.597(59.7%)。

Figure 4 ROC与校准曲线

Figure 4 模型区分能力与校准度

(A)(B) ROC曲线:训练集AUC=0.839,验证集AUC=0.827。(C)(D) 校准曲线:预测概率与实际妊娠率高度一致。

Figure 5 DCA决策曲线分析

Figure 5 DCA决策曲线分析

(A)(B) 不同风险阈值下的净收益分析。(C)(D) 临床影响曲线:展示模型在不同阈值下识别高风险患者的能力。