《Reproduction and Fertility》：Development of a risk model for low oocyte retrieval in first-cycle IVF patients with diminished ovarian reserve: a retrospective single-center study
编辑推荐：
本研究针对卵巢储备功能减退（DOR）患者首次IVF/ICSI周期中低获卵率（LOR）这一临床难题，开发并验证了一个结合临床与内分泌指标的多变量预测列线图模型。研究纳入了2,594例DOR患者，通过LASSO回归筛选出年龄、基础FSH、AMH、AFC、hCG日LH、hCG日P、hCG日大卵泡数及扳机至取卵时间（TR-OPU）8个独立预测因子。该列线图模型显示出中等但可接受的区分度（AUC = 0.721）和良好的校准度，决策曲线分析证实其具有临床实用性。该模型有助于在取卵前对DOR患者进行个体化LOR风险分层，为优化治疗策略提供依据。
在辅助生殖技术领域，体外受精（IVF）的成功很大程度上取决于能否获取足够数量的高质量卵母细胞。然而，对于卵巢储备功能减退（Diminished Ovarian Reserve, DOR）的患者而言，她们不仅面临基础卵泡数量少的挑战，还常常遭遇低获卵率（Low Oocyte Retrieval, LOR）的困境。LOR定义为取卵日获取的卵母细胞数量少于直径≥14 mm成熟卵泡数量的50%。这意味着即使有发育成熟的卵泡，最终能成功获取的卵子却大打折扣，这对于本就卵泡资源稀缺的DOR患者来说，无疑是雪上加霜，严重影响了IVF的成功率，并加重了患者的心理和经济负担。目前，临床缺乏能够有效预测DOR患者发生LOR风险的工具。因此，开发一个能够早期、准确识别LOR高风险患者的预测模型，对于实现个体化治疗、提高妊娠结局至关重要。
为了应对这一挑战，研究人员在《Reproduction and Fertility》上发表了一项回顾性单中心研究，旨在为首次接受IVF/ICSI治疗的DOR患者构建一个预测LOR风险的临床-内分泌列线图模型。
研究团队利用河南省人民医院生殖医学中心2017年1月至2023年6月间的数据，筛选出2,594例符合DOR诊断标准（至少满足AMH < 1.1 ng/mL、基础FSH ≥ 10 IU/L、AFC < 7中的两项）且为首次IVF周期的患者。研究采用最小绝对收缩与选择算子（LASSO）回归从众多临床和内分泌参数中筛选预测变量，并构建多变量逻辑回归模型，最终以列线图的形式可视化。模型性能通过受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析进行评估。
研究结果
患者特征
本研究共纳入2,594名平均年龄为36.6岁的DOR患者，其中113例（4.36%）被划分为LOR组（获卵率<50%）。分析显示，LOR组患者的基础LH水平较高，而AMH水平和AFC均显著低于获卵率正常组。此外，两组在卵巢刺激方案、hCG日的雌二醇（E2）和LH水平以及扳机至取卵时间（TR-OPU）上存在显著差异，LOR组的TR-OPU时间显著更短。在胚胎实验室指标和累积妊娠结局方面，获卵率正常组在获卵数、MII卵数、2PN受精数、可用胚胎数、累积妊娠率（CLPR）和累积活产率（CLBR）上均显著优于LOR组。
特征筛选与模型构建
通过LASSO回归分析，最终确定了八个对预测LOR有贡献的变量：年龄、基础FSH、AMH、AFC、hCG日LH、hcg日孕酮（P）、hcg日大卵泡数（≥14 mm）以及TR-OPU时间。基于这些变量构建了多变量逻辑回归模型，并绘制成直观的列线图，便于临床医生快速计算个体患者的LOR风险概率。
模型验证
该预测模型显示出中等程度的区分能力，AUC值为0.721（95% CI: 0.678–0.772）。经过Bootstrap法内部验证校正后的Harrell‘s C指数为0.695。校准曲线显示模型的预测概率与实际观测结果具有良好的一致性。决策曲线分析表明，该列线图在一定的风险阈值范围内具有临床净获益。与单个预测因子相比，该综合模型具有更高的预测准确性。
结论与意义
该研究成功构建并内部验证了一个用于预测DOR患者首次IVF周期LOR风险的多因素列线图模型。该模型的创新点在于将预测焦点从绝对的获卵数转移至获卵效率（卵子数/成熟卵泡数），这更贴合DOR患者的临床实际需求——即在已知卵泡数量的基础上，评估“收获”这些卵泡的效率。模型整合了卵巢储备标志物（AMH、AFC、基础FSH）、扳机日激素水平以及关键的TR-OPU时间等易获取的临床指标，可在取卵前为患者提供个体化的风险预估，有助于管理患者预期，并提示临床医生对高风险病例进行复盘，为后续治疗周期的方案优化提供线索。然而，该模型源于单中心回顾性研究，其普适性有待多中心外部数据的进一步验证。
