本技术属于医学人工智能领域,提供了面向成功率的超促排卵用药方案预测方法、系统及产品,其技术方案为获取患者超促排卵用药方案治疗后的监测指标数据;根据获取的患者超促排卵用药方案治疗后的监测指标数据,形成每个用药方案的成功率评价值;将用药方案单分类标签转换为多分类标签,然后结合每个用药方案的成功率评价值对多分类标签赋权后,得到多目标回归标签;基于多目标回归标签对回归模型进行训练,基于训练后的回归模型结合待预测患者的指标数据进行预测,将预测结果的回归值转换得到超促排卵用药方案推荐结果。本发明使用多目标回归标签进行模型训练和预测避免单标签一致性差的问题,并且模型可以预测多个用药方案供医生决策。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
“超促排卵用药方案治疗”是辅助生殖技术中的一个关键步骤。这种治疗方法通过药物刺激卵巢,使其在一个周期内产生多个卵子,从而增加成功受孕的机会。尽管该技术在临床上广泛应用,但目前尚无公认的金标准来指导超促排卵用药方案的确定。医生通常依据自身经验及患者的意愿来制定用药方案。
在临床实践中,用药方案的优劣直接影响到受孕的结果以及患者的家庭经济成本,利用机器学习模型在大数据基础上进行训练和学习,预测并优化用药方案,将大大提高医生决策的科学性和准确性。这种技术不仅能辅助临床医生制定更为有效的用药方案,还能显著提高治疗效果,降低患者的经济负担,并改善整体的生殖医疗服务质量。因此通过引入机器学习模型进行超促排卵用药方案的预测和优化,将为医生提供一种新的、基于数据驱动的决策工具,增强治疗的个体化和精准性,从而提升辅助生殖技术的成功率和患者的满意度。
目前对于超促排卵用药方案预测主要为基于单标签的多分类机器学习方法或深度学习方法,对于单标签分类,目前的机器学习或深度学习方法都比较成熟;但在实际临床中,超促排卵用药方案使用单标签预测是不合适的;辅助生殖超促卵用药方案的确定尚未有权威的金标准可参考,因此医生对于患者超促排卵用药方案的制定往往具有主观性。如果直接将样本数据中的实际用药方案名称作为样本标签进行模型训练,必然会遇到标签一致性差的问题,同时,相似的患者可能会采用不同的用药方案,这导致了样本标签的高异质性。这种情况使得数据对于任何模型而言都具有很大的挑战性,直接训练模型通常无法取得理想的预测效果。
实现思路