論文の概要: Machine Learning for Live-Birth Prediction After IVF/ICSI From Structured Clinical Data: A Systematic Review, Meta-Analysis, and Critical Appraisal

• arxiv url: http://arxiv.org/abs/2611.07124v1
• Date: Wed, 04 Nov 2026 20:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.448619
• Title: Machine Learning for Live-Birth Prediction After IVF/ICSI From Structured Clinical Data: A Systematic Review, Meta-Analysis, and Critical Appraisal
• Title（参考訳）: 構造化臨床データからのIVF/ICSI後のライブBirth予測のための機械学習:システムレビュー,メタ分析,批判的評価
• Abstract要約: 生体内受精(IVF)または細胞質内精子注入(ICSI)後の出生を予測する機械学習モデル。 PRISMA 2020でこれらのモデルを体系的にレビューし、OpenAlex, Scopus, Web of Scienceを2026年10月22日に検索し、PropBAST+AIとTRIPOD+AIで評価し、ロジットスケールでランダム効果メタ分析で評価した。 48件の研究のうち47件は偏見のリスクが高く、校正斜面は4件しか評価されておらず、証拠は得られていない。
• 参考スコア（独自算出の注目度）: 3.0678890140861568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learning models predicting live birth after in vitro fertilisation (IVF) or intracytoplasmic sperm injection (ICSI) from routine clinical data report performance from near chance to near perfect. We systematically reviewed these models under PRISMA 2020, searching OpenAlex, Scopus and Web of Science to 22 October 2026, appraised them with PROBAST+AI and TRIPOD+AI, and pooled their discrimination with random-effects meta-analysis on the logit scale. We define what fixes the meaning of a model's output (decision point, endpoint, unit of analysis, data source) and map the 48 included studies by model family, decision point and validation design. Models evaluated only internally pooled to an area under the receiver operating characteristic curve (AUC) of 0.814, against 0.756 (95% prediction interval 0.546-0.889) for models evaluated on a later period or another centre, and 0.764 for studies not at high risk of bias; neither difference was significant, and heterogeneity was extreme. Models whose decision point was not stated pooled to 0.910, the only significant moderator in meta-regression. Against logistic regression fitted to the same data, the best machine-learning model gained a pooled 0.056 AUC (95% CI 0.017-0.090). Of 48 studies, 47 were at high or unclear risk of bias, only four assessed the calibration slope, and no model has evidence of clinical impact. The certainty of the pooled evidence is low to very low; the gains that survive validation came from staging predictions to decision points and local calibration, not deeper architectures. We provide a TRIPOD+AI-mapped checklist, a benchmark specification and a research agenda.
• Abstract（参考訳）: 生体内受精(IVF)または細胞質内精子注入(ICSI)後の出生を予測する機械学習モデル。 PRISMA 2020でこれらのモデルを体系的にレビューし、OpenAlex, Scopus, Web of Scienceを2026年10月22日に検索し、PropBAST+AIとTRIPOD+AIで評価し、ロジットスケールでランダム効果メタ分析で評価した。 モデルの出力(決定点、エンドポイント、分析単位、データソース)の意味をどう解決するかを定義し、モデルファミリー、決定点、検証設計による48の研究をマッピングします。 評価対象は受信機動作特性曲線(AUC) 0.814 の領域にのみ適用され、後者の期間で評価されたモデルでは 0.756 (95% 予測間隔 0.546-0.889) 、バイアスのリスクが高い研究では 0.764 であった。 決定ポイントが明記されていないモデルは0.910にプールされ、メタ回帰において唯一の重要なモデレーターとなった。 同じデータに適合したロジスティック回帰に対して、最高の機械学習モデルは0.056 AUC(95% CI 0.017-0.090)を得た。 48件の研究のうち47件は偏見のリスクが高く、校正斜面は4件しか評価されておらず、臨床効果の証拠は得られなかった。 バリデーションを生き残るための利益は、決定ポイントのステージング予測や、より深いアーキテクチャではなく、局所的なキャリブレーションである。 TRIPOD+AIマップのチェックリスト、ベンチマーク仕様、研究アジェンダを提供する。

関連論文リスト

• RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
  RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。 RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。 検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
  論文  参考訳（メタデータ） (2026-07-25T16:58:10Z)
• Trusting Right Predictions for Wrong Reasons: A LIME Based Analysis of Deep Learning Interpretability in Lung Cancer Diagnosis [0.0]
  肺がんはがん関連死亡の主な原因であり、毎年約250万件の新規感染者と18万件の死亡がある。 評価は主に予測精度に焦点を当てており、意思決定プロセスは十分に検証されていない。 本研究では, IQ-OTH/NCCD肺がんCTデータセットをトレーニングした, 畳み込みニューラルネットワーク(CNN), 事前訓練されたResNet50, ビジョントランスフォーマー(ViT)の3つのモデルを比較した。 ResNet50は98.61%の精度、CNN 97.91%の精度、ViT 93.75%の精度を達成した。
  論文  参考訳（メタデータ） (2026-06-14T22:08:31Z)
• Calibration, Uncertainty Communication, and Deployment Readiness in CKD Risk Prediction: A Framework Evaluation Study [0.0]
  慢性腎臓病の機械学習モデルは、しばしば内部テストセットに強い差別的スコアを与える。 UCI CKDデータセット(400例,62.5%)を用いた5つの分類器の訓練を行った。 キャリブレーション品質,コンフォーマルな予測カバレッジ,8基準の展開準備フレームワークについて検討した。
  論文  参考訳（メタデータ） (2026-05-20T17:12:48Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Machine Learning-Based Model for Postoperative Stroke Prediction in Coronary Artery Disease [0.0]
  本研究では,術後脳卒中リスクを評価するための高度な機械学習予測モデルを開発し,評価することを目的とする。 データセットには70%のトレーニングと30%のテストがあり、数値は正規化され、カテゴリ変数は1ホットエンコードされた。 ロジスティック回帰、XGBoost、SVM、CatBoostは予測モデルに使われ、SHAP分析は各変数のストロークリスクを評価した。
  論文  参考訳（メタデータ） (2025-03-15T02:50:32Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Performance of externally validated machine learning models based on histopathology images for the diagnosis, classification, prognosis, or treatment outcome prediction in female breast cancer: A systematic review [0.5792122879054292]
  女性乳癌の診断、分類、予後、治療結果予測のための外部検証された機械学習モデル。 診断用MLモデル3例,分類用4例,予後用2例,予後用1例について検討した。 ほとんどの研究では畳み込みニューラルネットワークとロジスティック回帰アルゴリズムが使用されている。
  論文  参考訳（メタデータ） (2023-12-09T18:27:56Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• A Physiology-Driven Computational Model for Post-Cardiac Arrest Outcome Prediction [0.7930054475711718]
  本研究の目的は,CA後の結果を予測する計算モデルを構築することである。 我々は、生理的時系列(PTS)データの統合と機械学習(ML)分類器の訓練によりモデル性能を向上させることができると仮定した。 その結果, MLモデルによるCA後予測モデルの有効性が証明され, PTSが短期成績確率を符号化した後のごく初期段階に記録されることが示唆された。
  論文  参考訳（メタデータ） (2020-02-09T07:53:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。