a hybrid feature selection algorithm to determine effective factors in predictive model of success rate for in vitro fertilization/intracytoplasmic sperm injection treatment: a cross-sectional study

Background: previous research has identified key factors affecting in vitro fertilization or intracytoplasmic sperm injection success, yet the lack of a standardized approach for various treatments remains a challenge.objective: the objective of this study is to utilize a machine learning approach to identify the principal predictors of success in in vitro fertilization and intracytoplasmic sperm injection treatments. materials and methods: we collected data from 734 individuals at 2 infertility centers in mashhad, iran between november 2016 and march 2017. we employed feature selection methods to reduce dimensionality in a random forest model, guided by hesitant fuzzy sets (hfss). a hybrid approach enhanced predictor identification and accuracy (acc), as assessed using machine learning metrics such as matthew’s correlation coefficient, runtime, acc, area under the receiver operating characteristic curve, precision or positive predictive value, recall, and f-score, demonstrating the effectiveness of combining feature selection methods. results: our hybrid feature selection method excelled with the highest acc (0.795), area under the receiver operating characteristic curve (0.72), and f-score (0.8), while selecting only 7 features. these included follicle-stimulation hormone (fsh), 16cells, fage, oocytes, quality of transferred embryos (giii), compact, and unsuccessful. conclusion: we introduced hfss in our novel method to select influential features for predicting infertility success rates. using a multi-center dataset, hfss improved feature selection by reducing the number of features based on standard deviation among criteria. results showed significant differences between pregnant and non-pregnant groups for selected features, including fsh, fage, 16cells, oocytes, giii, and compact. we also found a significant correlation between fage and fetal heart rate and clinical pregnancy rate, with the highest fsh level (31.87%) observed for doses ranging from 10-13 (miu/ml).

ارائه‌ی الگوریتم انتخاب ویژگی ترکیبی برای تعیین عوامل موثر در مدل پیش بینی‌کننده‌ی میزان موفقیت درمان ivf/icsi: یک مطالعه‌ی مقطعی

مقدمه: تحقیقات قبلی عوامل موثر مختلفی را در میزان موفقیت درمان­های ivf/icsi شناسایی کرده­اند، اما عدم وجود یک رویکرد استاندارد برای درمان­های مختلف همچنان یک چالش است.هدف: هدف از این مطالعه استفاده از رویکرد یادگیری ماشینی برای شناسایی عوامل پیش­بینی­کننده اصلی موفقیت در درمان­های لقاح آزمایشگاهی (ivf) و تزریق اسپرم داخل سیتوپلاسمی (icsi) است.مواد و روش ­ها: اطلاعات 734 نفر از آبان 1395 تا اسفند 1396 با همکاری ارزشمند دو مرکز ناباروری در مشهد جمع­آوری شد. این همکاری شامل یک مرکز دولتی ناباروری وابسته به دانشگاه علوم پزشکی (میلاد) و یک مرکز خصوصی ناباروری (نوین) در مشهد، ایران بود. ما از روش­های انتخاب ویژگی (فیلتر، تعبیه شده و بسته­بندی) برای کاهش ابعاد در یک مدل جنگل تصادفی استفاده کردیم. ما ابتدا از مجموعه­های فازی مردد (hfs) برای انتخاب موثرترین روش برای کاهش ابعاد استفاده کردیم. سپس، ما از یک رویکرد ترکیبی برای شناسایی پیش­بینی­کننده­های کلیدی، افزایش دقت و قابلیت اطمینان استفاده کردیم. عملکرد روش پیشنهادی با استفاده از معیارهای یادگیری ماشین مانند mcc، runtime، accuracy، auc، ppv، recall و f-score ارزیابی شد. این روش ترکیبی نقاط قوت روش­های انتخاب ویژگی را ترکیب می­کند و شناسایی پیش­بینی­کننده را بهبود می­بخشد.نتایج: روش انتخاب ویژگی ترکیبی ما با بالاترین دقت (795/0، acc) auc (72/0) و f-score (8/0) برتری داشت، در حالی که تنها 7 ویژگی را انتخاب کرد. اینها عبارتند از fsh، 16cells، fage، oocytes، giii، compact و unsuccessful.نتیجه­ گیری: در این مطالعه، ما کاربرد جدیدی از مجموعه­های فازی مردد (hfs) را در روش پیشنهادی خود، با پشتیبانی از یک مجموعه داده چند مرکزی، برای انتخاب ویژگی­های تاثیرگذار در پیشبینی میزان موفقیت ناباروری معرفی می­کنیم. با استفاده از انحراف استاندارد در بین معیارهای مختلف، hfs ها کیفیت انتخاب ویژگی را افزایش داده و تعداد ویژگی­ها را کاهش می­دهند. نتایج ما تفاوت معنی­داری را بین مقادیر میانگین گروه­های باردار و غیرباردار برای ویژگی­های انتخاب شده از جمله fsh، fage، 16cells، oocytes، giii و compact نشان می­دهد. علاوه بر این، ما ارتباط معنی­داری بین fage و ضربان قلب جنین (fhr) و با نرخ بارداری بالینی (cpr) پیدا کردیم و بالاترین سطح fsh (87/31%) برای دوزهای fsh در محدوده 10 تا 13 (miu/ml) مشاهده شد.