Improving IVF Utilization with Patient-Centric Artificial Intelligence-Machine Learning (AI/ML): A Retrospective Multicenter Experience
Notice bibliographique
Résumé
Objectives: In vitro fertilization (IVF) has the potential to give babies to millions more people globally, yet it continues to be underutilized. We established a globally applicable and locally adaptable IVF prognostics report and framework to support patient–provider counseling and enable validated, data-driven treatment decisions. This study investigates the IVF utilization rates associated with the usage of machine learning, center-specific (MLCS) prognostic reports (the Univfy® report) in provider-patient pre-treatment and IVF counseling. Methods: We used a retrospective cohort comprising 24,238 patients with new patient visits (NPV) from 2016 to 2022 across seven fertility centers in 17 locations in seven US states and Ontario, Canada. We tested the association of Univfy report usage and first intra-uterine insemination (IUI) and/or first IVF usage (a.k.a. conversion) within 180 days, 360 days, and “Ever” of NPV as primary outcomes. Results: Univfy report usage was associated with higher direct IVF conversion (without prior IUI), with odds ratios (OR) 3.13 (95% CI 2.83, 3.46), 2.89 (95% CI 2.63, 3.17), and 2.04 (95% CI 1.90, 2.20) and total IVF conversion (with or without prior IUI), OR 3.41 (95% CI 3.09, 3.75), 3.81 (95% CI 3.49, 4.16), and 2.78 (95% CI 2.59, 2.98) in 180-day, 360-day, and Ever analyses, respectively; p < 0.05. Among patients with Univfy report usage, after accounting for center as a factor, older age was a small yet independent predictor of IVF conversion. Conclusions: Usage of a patient-centric, MLCS-based prognostics report was associated with increased IVF conversion among new fertility patients. Further research to study factors influencing treatment decision making and real-world optimization of patient-centric workflows utilizing the MLCS reports is warranted.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».