Evaluation of endometrial receptivity by ultrasound elastography to predict pregnancy outcome is a non-invasive and worthwhile method
Notice bibliographique
Résumé
Up to today, there is no effective, specific and non-invasive evaluation method to assess the endometrial receptivity. This study aimed to establish a non-invasive and effective model with the clinical indicators to evaluate endometrial receptivity. Ultrasound elastography can reflect the overall state of the endometrium. Ultrasonic elastography images from 78 hormonally prepared frozen embryo transfer (FET) patients were assessed in this study. Meanwhile, the clinical indicators reflecting endometrium in the transplantation cycle were collected. The patients were received to transfer only one high-quality blastocyst. A novel code rule that can generate a large number of 0-1 symbols was designed to collect data on different factors. At the same time, a logistic regression model of the machine learning process with an automatic combination of factors was designed for analysis. The logistic regression model was based on age, body mass index, waist-hip ratio, endometrial thickness, perfusion index (PI), resistance index (RI), elastic grade, elastic ratio cutoff value, serum estradiol level and 9 other indicators. The accuracy rate of predicting pregnancy outcome of the logistic regression model was 76.92%. Elastic ultrasound can reflect the endometrial receptivity of patients in FET cycles. We established a prediction model including ultrasound elastography and the model precisely predicted the pregnancy outcome. The predictive accuracy of endometrial receptivity by the predictive model is significantly higher than that of the single clinical indicator. The prediction model by integrating the clinical indicators to evaluate endometrial receptivity may be a non-invasive and worthwhile method for evaluating endometrial receptivity.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».