重新审视扳机-取卵时间间隔：一种基于机器学习策略改善卵巢储备功能减退患者获卵数的方案

《Reproductive Medicine and Biology》：Revisiting the Trigger-to-Oocyte Retrieval Interval: A Machine Learning-Guided Strategy for Improving Oocyte Yield in Diminished Ovarian Reserve

　　

在体外受精（IVF）中，扳机-取卵时间间隔（Trigger-to-Oocyte Retrieval Interval, TOI）通常为34–36小时以避免自发排卵。在卵巢储备功能减退（Diminished Ovarian Reserve, DOR）或高龄女性中，标准方案常导致提前排卵或空卵泡。非甾体抗炎药（Nonsteroidal Anti-Inflammatory Drugs, NSAIDs）可延长排卵窗口，使探索延长TOI成为可能。本研究旨在评估TOI的影响并开发一种用于个体化TOI优化的机器学习模型。

回顾性分析15,033个IVF周期以评估TOI延长（≥36小时）对成熟卵母细胞率（Mature Oocyte Rate, MOR）和卵母细胞回收率（Oocyte Retrieval Rate, ORR）的影响。训练了七种机器学习模型以预测成熟卵母细胞数（MII）和回收卵母细胞数（Oocount），随后计算MOR和ORR作为主要终点，并通过387例未见过的病例进行外部验证。

TOI延长显著改善了POSEIDON 3组和4组的MOR（p=0.00034）和ORR（p=0.0051）。极端梯度提升（Extreme Gradient Boosting, XGBoost）模型表现出最佳的预测准确性。在外部验证中，R²下降而MAE和RMSE保持不变。

TOI延长可提高DOR患者的MOR和ORR。机器学习模型能够可靠地预测MII和Oocount，从而计算不同TOI下的MOR和ORR，并促进最佳取卵时机的确定。

研究背景与问题

在辅助生殖技术（Assisted Reproductive Therapy, ART）领域，取卵前过早排卵长期以来的重要挑战。传统控制性卵巢刺激（Controlled Ovarian Hyperstimulation, COH）方案通常旨在抑制促性腺激素释放激素（Gonadotropin-Releasing Hormone, GnRH）以防止提前排卵。然而，抑制黄体生成素（Luteinizing Hormone, LH）水平的GnRH拮抗剂可能对卵泡发育产生负面影响并降低雌二醇分泌，可能导致卵子质量下降。因此，避免使用GnRH拮抗剂的策略日益受到关注，但未受抑制的LH水平使排卵触发注射的时机安排更具挑战性。

自体外受精（In Vitro Fertilization, IVF）诞生以来，从扳机注射到取卵的固定时间间隔34–36小时一直是临床标准。TOI涵盖复杂的减数分裂和细胞骨架事件，在卵巢储备功能减退（Diminished Ovarian Reserve, DOR）、卵巢低反应（Poor Ovarian Responders, PORs）或高龄产妇中，每个卵母细胞成熟步骤可能需要额外时间。近年来，非甾体抗炎药（Nonsteroidal Anti-Inflammatory Drugs, NSAIDs）的广泛应用使得延长取卵窗口成为可能，这为重新评估传统时机策略提供了临床条件。当卵泡在超声检查中持续存在时，雌激素（E₂）下降预测排卵的特异性为100%、敏感性为81.2%。基于这一认识，结合激素监测和NSAIDs的使用，使TOI延长变得更加可行和可靠。

完全成熟包括核成熟、细胞质成熟和卵丘扩展，是成功穿刺取卵所必需的。在生发泡期或减数第一次分裂中期（Metaphase I, MI）取出的卵母细胞需在受精前培养数小时。即使达到减数第二次分裂中期（Metaphase II, MII），纺锤体形成仍需约4小时的额外孵育。由于体外每一步都可能对卵母细胞造成压力，因此优化取卵时机以最大化成熟卵母细胞数同时避免过度成熟至关重要。由此，研究人员提出定制化的灵活TOI方案，而非僵化的固定取卵时间表。

临床决策高度依赖医师经验，尤其在过早排卵等复杂病例中卵泡生长与激素模式不一致时。即使对于生殖内分泌专家，确定最佳TOI也需要数年临床实践。国家政策、采血频率限制和固定工作时间等约束进一步阻碍了系统数据的积累。在这种情况下，传统统计方法可能不足，因为众多混杂因素可能引入显著偏倚。人工智能作为传统统计学的延伸，能够实现超越人类观察能力的高维预测，已在ART中得到日益广泛的应用。

研究开展与主要结论

鉴于POR和DOR患者比例较高，研究人员认为数据集适合机器学习应用，旨在开发一种新型模型以辅助优化取卵时机。该研究发表于《Reproductive Medicine and Biology》。

研究人员开展了回顾性队列研究，纳入2016年11月至2024年12月上海某单中心共15,033个IVF周期。自2023年8月起，该中心试验个体化TOI（36–49小时），主要针对按照患者导向的个体化卵母细胞数策略（Patient-Oriented Strategies Encompassing IndividualizeD Oocyte Number, POSEIDON）标准分类的POR 3组和4组、抗缪勒管激素（Anti-Müllerian Hormone, AMH）<1.2 ng/mL或窦卵泡计数<5的患者，占总数70%以上（10,810周期）。唯一偏离标准方案之处在于使用NSAIDs（双氯芬酸）延迟排卵以延长TOI窗口，通常于TOI期间口服1–3次25 mg双氯芬酸。

研究发现，TOI延长显著改善了POSEIDON 3组和4组患者的MOR（p=0.00034）和ORR（p=0.0051）。在整体队列的Student's t检验中，常规组与延长TOI组之间的MOR和ORR差异无统计学意义（p=0.6114和0.5811）。零或一膨胀beta回归分析显示，TOI延长与年龄的交互作用对ORR具有统计学意义（β=0.145, 95% CI [0.110–0.186]），对MOR有边缘效应（β=0.038, 95% CI [0.001, 0.076]）。经AMH分层（0.0–1.2 ng/mL，以0.025递增）的连续TOI模型显示，TOI延长对所有AMH水平的MOR和ORR均有积极影响，且随AMH浓度升高影响更为显著。

七种回归模型包括支持向量机（Support Vector Machine, SVM）、决策树回归器（Decision Tree Regressor, DT regressor）、随机森林回归器（Random Forest Regressor, RF regressor）、极端梯度提升回归器（XGBoost regressor）、多层感知器回归器（Multilayer Perceptron Regressor, MLP regressor）、循环神经网络（Recurrent Neural Networks, RNNs）和用于集成学习的超级学习者（Super Learner, SL）。XGBoost在10折交叉验证中表现最优，MAE最低（MII: 0.8736±0.0384, Oocount: 0.7672±0.0224），R²最高（MII: 0.8337±0.0204, Oocount: 0.9258±0.0154）。递归特征消除（Recursive Feature Elimination, RFE）识别出47个和54个最优预测因子分别用于MII和Oocount预测。卵泡计数动态变化和雌二醇水平为最具影响力的预测因子。外部验证队列387例未见病例显示，MAE和RMSE与内部验证结果相近，但R²下降（MII: 0.4602, Oocount: 0.4191；匹配后R²分别为0.5496和0.3617）。

该研究表明TOI延长是改善特定患者群体获卵数的简单有效策略，机器学习模型（特别是XGBoost）为个体化预测最佳取卵时机提供了实用框架，有助于临床决策制定并潜在改善取卵结局。

关键技术方法

样本来源于上海某单中心（上海同沃医院）2016年11月至2024年12月的IVF周期队列。采用零或一膨胀beta回归模型评估TOI延长对MOR和ORR的影响，并进行亚组分析和交互作用检验。机器学习方面，构建七种回归模型预测Oocount和MII，采用10折交叉验证和随机搜索/手动调参进行超参数优化，运用RFE、SHAPley可加性解释（SHapley Additive exPlanations, SHAP）、基尼不纯度平均下降和置换重要性进行特征选择，最终通过独立外部队列进行验证，并引入一阶交互项（TOI×AMH、Age×AMH、TOI×Age）处理效应修饰。开发了基于GitHub的输入用户界面用于临床演示。

研究结果

患者特征：15,033周期中，患者平均年龄38.11岁，POSEIDON 3组占16.46%（n=2,474），4组占55.45%（n=8,336）。39.55%为常规TOI组（<36小时），60.45%为延长TOI组（≥36小时），其中50.76%为36–40小时，9.69%为≥40小时。8,404例胚胎移植周期中，POSEIDON 3组人绒毛膜促性腺激素（human Chorionic Gonadotropin, hCG）阳性率56.20%、活产率35.27%；4组分别为33.07%和13.68%。

TOI延长与年龄交互作用：零或一膨胀beta回归分析显示，TOI延长与年龄的交互作用对ORR具有统计学意义，对MOR有边缘效应。整体队列中未观察到显著差异，但POSEIDON 3组和4组亚组分析显示延长TOI显著改善MOR（p=0.00034）和ORR（p=0.0051）。

TOI延长、年龄与AMH水平的共线性：连续TOI模型经AMH分层调整后显示TOI延长对所有AMH水平的MOR和ORR均有积极影响，影响幅度随AMH浓度升高而增大。年龄与AMH水平之间未检测到共线性（方差膨胀因子=1.009）。

模型性能与超参数优化：XGBoost在经过超参数优化后的10折交叉验证中综合表现最优，在各指标上均优于其他模型，包括深层学习架构。

特征选择与重要性：RFE筛选出47个和54个最优预测因子。尽管年龄、AMH和TOI等临床相关特征在SHAP值中排名较低，但因其对模型整体可解释性的贡献而被保留。卵泡计数动态和雌二醇测量为最强预测因子。

使用筛选特征的XGBoost重训练：重训练后性能略逊于完整特征集模型，提示被剔除特征之间可能存在协同或交互效应。

输入用户界面：开发了基于中国临床常规COH表格的输入界面，可生成32–49小时的18个TOI测试集，预测Oocount和MII并计算ORR和MOR，实现可视化。

外部验证：外部验证中R²下降，但MAE和RMSE保持稳定，表明模型在分布偏移情况下仍维持临床有意义的预测准确性。

讨论与结论

研究人员强调，若无回收卵母细胞，评估下游结局如受精、卵裂、囊胚形成、着床或活产不仅无关紧要且毫无意义。该研究针对极具挑战性的病例，包括20至30余岁确诊DOR或原发性卵巢功能不全的女性，以及43至49岁多次经历空卵泡取卵的患者。

统计分析证明TOI延长可获取更多卵子且未牺牲成熟比例，尤其在DOR/POR患者中。从小卵泡获取更多未成熟卵母细胞并未损害延长组的MOR。既往研究对调整TOI的结局报道不一，部分显示MII卵母细胞数未增加或成熟比例更高，部分显示受精率改善。Shen等人报道最优时间间隔应按温和方案、GnRH拮抗剂方案、短方案和长方案顺序延长。Gan等人揭示在新鲜胚胎移植中延长TOI可提高临床妊娠率。超过41岁患者存在延迟致密化和囊胚化等现象，强调该人群个体化时机的必要性。首例成功应用LH/绒毛膜促性腺激素受体致病变异女性自身卵母细胞的ART使用了33–50小时TOI，提示TOI延长对空卵泡综合征的潜在价值。

人工智能工具与医学应用的强兼容性在产科和妇科已得到充分确立。从卵巢刺激、扳机时机、精子选择到胚胎选择的多个阶段均在快速发展。从胞浆内单精子注射（Intracytoplasmic Sperm Injection, ICSI）到胚胎培养的全自动化系统已实现活产分娩。鉴于这些过程涉及潜在人类生命，个体化方法仍然至关重要。然而，TOI延长策略研究尚不充分，最优标准尚未建立，使监督机器学习方法本身具有挑战性。

值得注意的是，数据集包含71.9%可能从TOI延长中获益的患者，使其特别适合本研究背景下的模型训练。XGBoost持续优于深度学习模型，支持了以往发现，即调优良好的树形算法在应用于结构化临床数据时常优于深度学习架构。

针对SHAP分析中TOI特征重要性相对较低、在基尼和置换指标中排名靠后的情况，研究人员认为一种可能解释是：当在适当时机取卵时，穿刺卵泡数与回收卵母细胞数强相关，从而削弱了TOI在模型中的独立贡献。数据集和验证队列均显示，既往反复取卵失败患者在适当TOI调整后获得改善，为TOI延长的获益提供了真实世界证据。研究人员认为这些发现强调而非削弱了以TOI为中心构建模型的科学和临床价值，并呈现了可促进更广泛应用和未来推广的可复制模型。

内部验证中的高R²值提示潜在过拟合。因此在外部验证前，通过移除可能导致数据泄漏的特征、添加年龄-AMH-TOI交互项、限制树深度以增强可解释性来改进模型。外部验证中R²下降而MAE和RMSE与内部验证相近，结局分布匹配未持续提高R²。稳定的MAE和RMSE表明模型在分布偏移下仍保持临床有意义的预测准确性。

TOI模拟应被解释为展示模型潜在行为的计算机概念验证，前瞻性验证将确定AI指导的TOI优化是否转化为改善的临床结局。

关于推广性，虽然延长TOI也可能被视为减少体外受精前等待时间的策略从而潜在使所有IVF患者受益，但研究结论应谨慎解读，因队列主要包括DOR/POR患者，可能不易推广至更广泛的ART人群。此外，TOI延长的实施需要能够进行更频繁经阴道超声检查、激素监测以及必要时紧急或二次取卵的临床系统，因此该方法可能并非所有中心均可行，也不拟统一应用于标准协议即可妊娠的患者。下游妊娠结局如受精、着床、流产和分娩率与延长TOI的相关性尚需进一步研究确定，因其受精子参数、培养条件或体外成熟技术等多种混杂因素影响。

尽管大规模AI模型有助于最小化偏倚并捕捉变量的多因素动态，回顾性单中心研究的局限性仍然存在。作为回顾性研究和原型软件，更广泛的推广和未来多中心前瞻性验证仍面临重大挑战。汇总从TOI延长中获益的患者数据是优先事项。与传统优化准确性的AI模型不同，本研究目标是识别最大化个体ORR和MOR的TOI，理想情况下需要在同一 individuals 学习多个TOI的结局，但可能仍受卵巢反应周期间变异性的实质性约束，尤其在DOR和POR患者中。分钟级TOI特征工程和患者组成特异性集成或分层建模可能进一步增强泛化能力和稳健性。本研究限于取卵结局分析，未来工作拟纳入卵裂动态、胚胎评级、胚胎植入前遗传学检测（Preimplantation Genetic Testing, PGT）结果或妊娠结局等指标。

研究结论如下：延长TOI是改善该特定患者群体获卵数的简单有效策略。基于研究数据集训练的机器学习模型（XGBoost）为最佳取卵时机的个体化预测提供了实用框架，从而支持医师临床决策并潜在改善取卵结局。