Az in vitro fertilizáció kimenetelét befolyásoló klinikai és preprocedurális tényezők: gépi tanuláson alapuló elemzés = Clinical and preprocedural factors influencing in vitro fertilization outcomes: a machine learning-based analysis

Nádasdi, Bernadett and Vedelek, Viktor and Bereczki, Kristóf and Zádori, Petra Lilla and Mátyus, Blanka and Sinka, Rita and Zádori, János and Vágvölgyi, Anna (2026) Az in vitro fertilizáció kimenetelét befolyásoló klinikai és preprocedurális tényezők: gépi tanuláson alapuló elemzés = Clinical and preprocedural factors influencing in vitro fertilization outcomes: a machine learning-based analysis. ORVOSI HETILAP, 167 (32). pp. 1262-1268. ISSN 0030-6002

Preview

Text 650-article-p1262.pdf - Published Version Available under License Creative Commons Attribution. Download (260kB) | Preview

Abstract

A meddőség a reproduktív korú populáció 15–20%-át érinti, és az asszisztált reprodukciós technológiák, különösen az in vitro fertilizáció (IVF), egyre nagyobb szerepet játszanak a kezelésében. Célunk az IVF-kezelések kimenetelét befolyásoló legfontosabb preprocedurális és procedurális tényezők áttekintése, különös tekintettel a gépi tanulási modellek által azonosított prediktorokra. Narratív irodalmi áttekintést végeztünk, kiemelve a gépi tanulás alkalmazásával készült vizsgálatokat, valamint a Szegedi Tudományegyetem Gametogenezis Kutatócsoportjának eredményeit. A gépi tanulásos modellek alapján az anyai életkor és az embrió minősége (’embryo score’) a legerősebb prediktorok, a 35 év feletti életkor csökkenti a sikerességet, emellett a testtömegindex, az anti-Müller-hormon, a folliculusstimuláló hormon szintjei, valamint az endometriumvastagság szintén jelentős tényezők, bár hatásuk változó. A thyreoideastimuláló hormon normáltartományon belüli szintje nem mutatott egyértelmű összefüggést a kimenetellel. Összességében az eredmények azt erősítik meg, hogy az IVF sikeressége komplex, egymással kölcsönhatásban álló tényezők eredménye. A gépi tanulási modellek lehetővé teszik ezen ismert és sokszorosan bizonyított jelentőségű faktorok relatív súlyának meghatározását és a predikció pontosságának javítását. A gépi tanulás ígéretes eszköz az IVF-kimenetel előrejelzésében, és hozzájárulhat a személyre szabott kezelési stratégiák kialakításához. Orv Hetil. 2026; 167(32): 1262–1268. | Infertility affects 15–20% of the reproductive-age population, and assisted reproductive technologies, particularly in vitro fertilization (IVF), play an increasingly important role in its management. IVF success is multifactorial and influenced by numerous clinical and biological factors. Our aim was to review the most important preprocedural and procedural factors influencing IVF outcomes, with special emphasis on predictors identified by machine learning models. A narrative literature review was conducted, focusing on studies applying machine learning approaches, including results from the Gametogenesis Research Group at the University of Szeged. Machine learning models consistently identify maternal age and embryo quality (embryo score) as the strongest predictors of IVF success, maternal age above 35 years is associated with reduced success rates, besides body mass index, anti-Müllerian hormone, follicle-stimulating hormone levels, as well as endometrial thickness play relevant roles with variable impact. Preprocedural thyroid-stimulating hormone levels within the normal range show no clear association with outcomes. Overall, the results confirm that IVF success is determined by complex interactions among multiple factors. Machine learning models enable the determination of the relative weight of these well-established and repeatedly validated factors and improve the accuracy of prediction. Machine learning represents a promising tool for predicting IVF outcomes and may support personalized treatment strategies in reproductive medicine.

Actions (login required)

Edit Item