基于结构化临床数据的 IVF/ICSI 后活产预测机器学习：系统综述、荟萃分析与批判性评价

arXiv:2611.07124v1 公告类型：新投稿 摘要：利用常规临床数据预测体外受精（IVF）或卵胞浆内单精子注射（ICSI）后活产的机器学习模型，其报告的性能从接近随机猜测到近乎完美不等。我们遵循 PRISMA 2020 对这些模型进行了系统综述，检索了截至2026年10月22日的 OpenAlex、Scopus 和 Web of Science 文献，使用 PROBAST+AI 和 TRIPOD+AI 进行评价，并在 logit 尺度上通过随机效应荟萃分析合并其区分能力。我们明确了决定模型输出含义的要素（决策时点、终点、分析单位、数据来源），并按模型类别、决策时点和验证设计对纳入的48项研究进行了分类梳理。仅接受内部评估的模型，其合并受试者工作特征曲线下面积（AUC）为0.814；在较晚时期或其他中心接受评估的模型为0.756（95%预测区间为0.546–0.889）；非高偏倚风险研究为0.764。这两项差异均无统计学显著性，且异质性极高。未说明决策时点的模型，其合并 AUC 为0.910；决策时点是否明确是荟萃回归中唯一具有统计学显著性的调节因素。与使用相同数据拟合的逻辑回归相比，最佳机器学习模型的 AUC 合并增益为0.056（95%置信区间为0.017–0.090）。48项研究中，47项存在高或不明确的偏倚风险，仅4项评估了校准斜率，且没有任何模型具有临床影响方面的证据。合并证据的确定性为低至极低；经验证后仍能保留的性能增益源于在不同阶段针对决策时点进行预测以及本地校准，而非更深层的架构。我们提供了一份与 TRIPOD+AI 对应的检查清单、一套基准测试规范和一项研究议程。