Artificial Intelligence Based Machine Learning Models Predict Sperm Parameter Upgrading after Varicocele Repair: A Multi-Institutional Analysis
Notice bibliographique
Résumé
PURPOSE: Varicocele repair is recommended in the presence of a clinical varicocele together with at least one abnormal semen parameter, and male infertility. Unfortunately, up to 50% of men who meet criteria for repair will not see meaningful benefit in outcomes despite successful treatment. We developed an artificial intelligence (AI) model to predict which men with varicocele will benefit from treatment. MATERIALS AND METHODS: We identified men with infertility, clinical varicocele, and at least one abnormal semen parameter from two large urology centers in North America (Miami and Toronto) between 2006 and 2020. We collected pre and post-operative clinical and hormonal data following treatment. Clinical upgrading was defined as an increase in sperm concentration that would allow a couple to access previously unavailable reproductive options. The tiers used for upgrading were: 1-5 million/mL (ICSI/IVF), 5-15 million/mL (IUI) and >15 million/mL (natural conception). Thus moving from ICSI/IVF to IUI, or from IUI to natural conception, would be considered an upgrade. AI models were trained and tested using R to predict which patients were likely to upgrade after surgery. The model sorted men into categories that defined how likely they were to upgrade after surgery (likely, equivocal, and unlikely). RESULTS: Data from 240 men were included from both centers. A total of 45.6% of men experienced an upgrade in sperm concentration following surgery, 48.1% did not change, and 6.3% downgraded. The data from Miami were used to create a random forest model for predicting upgrade in sperm concentration. On external validation using Toronto data, the model accurately predicted upgrade in 87% of men deemed likely to improve, and in 49% and 36% of men who were equivocal and unlikely to improve, respectively. Overall, the personalized prediction for patients in the validation cohort was accurate (AUC 0.72). CONCLUSIONS: A machine learning model performed well in predicting clinically meaningful post-varicocelectomy sperm parameters using pre-operative hormonal, clinical, and semen analysis data. To our knowledge, this is the first prediction model to show the utility of hormonal data, as well as the first to use machine learning models to predict clinically meaningful upgrading. This model will be published online as a clinical calculator that can be used in the preoperative counseling of patients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».