随机森林模型在输卵管再通术后妊娠预测中的应用研究

doi:10.12114/j.issn.1007-9572.2023.0697

摘要/Abstract

摘要： 背景保护女性的生育力是建立生育友好型社会的目标及愿景之一，其中输卵管再通术为输卵管性不孕患者妊娠提供了可能。目的准确识别影响输卵管再通术后患者成功妊娠的影响因素，探讨随机森林算法在输卵管再通术后妊娠影响因素的筛选和预测中的应用效果。方法回顾性收集2016—2018年于首都医科大学附属北京世纪坛医院妇科进行的宫腹腔镜联合下输卵管再通术170例患者的病例资料，根据术后患者2年内是否成功自然妊娠分为妊娠组与未妊娠组。采用R软件在训练集[采用Bootstrap自助法抽取63.2%（108例）数据]上建立输卵管再通术后妊娠风险预测的随机森林模型，在测试集上采用预测准确度、灵敏度、特异度、阳性预测值、阴性预测值和受试者工作特征曲线下面积（AUC）评价模型的预测效果。结果妊娠组82例，未妊娠组88例，术后自然妊娠率为48.2%。通过随机森林算法对训练集建立的模型在测试集上验证，得出预测准确度为87.1%、灵敏度为93.1%、特异度为81.8%、阳性预测值为81.8%、阴性预测值为93.1%、AUC为0.921。采用随机森林算法通过变量重要性评分对输卵管再通术后妊娠影响因素的重要程度进行排序，得到排名前3位的重要预测变量为：不孕时间、既往妊娠次数及年龄。结论随机森林算法可用于输卵管再通术后妊娠影响因素的风险预测，基于不孕时间、既往妊娠次数及年龄建立的预测模型具有较高的区分度和准确度。识别输卵管再通术后的关键因素，进行及时、有效的干预，建议合并危险因素的患者借助辅助生殖技术提高妊娠率。

关键词: 输卵管性不孕, 不育，女性, 输卵管再通术, 随机森林, 影响因素分析, 风险预测

Abstract:

Background

Protecting female fertility stands as a central goal and vision in a fertility-friendly society, and fallopian tube recanalization offers the possibility of pregnancy for patients with tubal infertility.

Objective

This study aims to accurately identify the influencing factors affecting successful pregnancy after fallopian tube recanalization and explore the application of the random forest algorithm in screening and predicting pregnancy influencing factors in such patients.

Methods

The study collected and analyzed data from 170 patients who underwent laparoscopic combined with hysteroscopic fallopian tube recanalization at Capital Medical University Affiliated Beijing Shijitan Hospital between 2016 and 2018. Based on whether the patients achieved successful natural pregnancy within 2 years after the surgery, they were divided into the pregnancy and non-pregnancy groups. Using the R software, a random forest model for predicting pregnancy risk after tube recanalization was established on the training data set (108 cases, 63.2% of cases, extracted via Bootstrap method), and its prediction accuracy, sensitivity, specificity, positive predictive value, negative predictive value, and area under the curve (AUC) were evaluated on the verification data set.

Results

The study comprised 82 cases in the pregnancy group and 88 in the non-pregnancy group, with a spontaneous pregnancy rate of 48.2% post-surgery. The random forest algorithm, trained on the training set, demonstrated robust predictive capability upon validation, with an accuracy of 87.1%, sensitivity of 93.1%, specificity of 81.8%, positive predictive value of 81.8%, negative predictive value of 93.1%, and an AUC of 0.921. The random forest algorithm was employed to rank the importance of factors influencing pregnancy following fallopian tube recanalization by using variable importance scores. The analysis identified the top three significant predictor variables: duration of infertility, history of previous pregnancies, and patient age.

Conclusion

The random forest algorithm emerges as a viable tool for predicting factors influencing pregnancy after fallopian tube recanalization. The predictive model, predicated on infertility duration, history of prior pregnancies, and age, exhibits notable discrimination and accuracy. Early identification of key factors post-recanalization allows for timely and effective interventions. We recommend that patients presenting risk factors consider utilizing assisted reproductive technology to improve pregnancy rates.

Key words: Tubal infertility, Infertility, female, Tubal recanalization, Random forest, Root cause analysis, Risk prediction

中图分类号:

R 271.14

刘斐然,陈明皇,赵率红,等. 随机森林模型在输卵管再通术后妊娠预测中的应用研究[J]. 中国全科医学, 2025, 28(11): 1361-1366. DOI: 10.12114/j.issn.1007-9572.2023.0697.
LIU Feiran,CHEN Minghuang,ZHAO Shuaihong, et al. Application of Random Forest Algorithm in Pregnancy Prediction after Fallopian Tube Recanalization[J]. Chinese General Practice, 2025, 28(11): 1361-1366. DOI: 10.12114/j.issn.1007-9572.2023.0697.

图/表 6

参考文献 16

[1]	谢幸，孔北华，段涛. 妇产科学[M]. 9版. 北京：人民卫生出版社，2018.
[2]	SHEN H W，CAI M J，CHEN T W，et al. Factors affecting the success of fallopian tube recanalization in treatment of tubal obstructive infertility[J]. J Int Med Res，2020，48（12）：300060520979218. DOI：10.1177/0300060520979218.
[3]	张颐，张师前，邓雷，等. 输卵管积水相关不孕症诊治中国专家共识（2023年版）[J]. 中国实用妇科与产科杂志，2023，39（10）：1009-1016. DOI：10.19538/j.fk2023100111.
[4]	ENGELS V，MEDINA M，ANTOLÍN E，et al. Factors associated with a post-procedure spontaneous pregnancy after a hysterosapingo-foam-sonography（HyFoSy）：results from a multicenter observational study[J]. Diagnostics，2023，13（3）：504. DOI：10.3390/diagnostics13030504.
[5]	SHEN H W，CAI M J，CHEN T W，et al. Factors affecting the success of fallopian tube recanalization in treatment of tubal obstructive infertility[J]. J Int Med Res，2020，48（12）：300060520979218. DOI：10.1177/0300060520979218.
[6]	陈良，汪期明，傅雪雯，等. 输卵管远端梗阻宫腹腔镜术后妊娠率影响因素分析及列线图模型的建立[J]. 中国实用妇科与产科杂志，2021，37（1）：105-108. DOI：10.19538/j.fk2021010125.
[7]	李红，李志英. 输卵管再通术联合腹腔镜手术治疗中远端输卵管阻塞[J]. 中华妇产科杂志，2004，39（1）：48-49. DOI：10.3760/j.issn:0529-567X.2004.01.017.
[8]	KURSA M B，RUDNICKI W R. Feature selection with the boruta package[J]. J Stat Softw，2010，36（11）：1-13. DOI：10.18637/jss.v036.i11.
[9]	姚登举. 面向医学数据的随机森林特征选择及分类方法研究[D]. 哈尔滨：哈尔滨工程大学，2016.
[10]	BREIMAN L. Random forests[J]. Mach Lang，2001，45（1）：5-32. DOI：10.1023/A:1010933404324.
[11]	KUHN M. Building predictive models in R using the caret package[J]. J Stat Softw，2008，28（5）：1-26.
[12]	VELEZ D R，WHITE B C，MOTSINGER A A，et al. A balanced accuracy function for epistasis modeling in imbalanced datasets using multifactor dimensionality reduction[J]. Genet Epidemiol，2007，31（4）：306-315. DOI：10.1002/gepi.20211.
[13]	方匡南，吴见彬，朱建平，等. 随机森林方法研究综述[J]. 统计与信息论坛，2011，26（3）：32-38. DOI：10.3969/j.issn.1007-3116.2011.03.006.
[14]	HUANG L，JIN Y，GAO Y Z，et al. Longitudinal clinical score prediction in Alzheimer's disease with soft-split sparse regression based random forest[J]. Neurobiol Aging，2016，46：180-191. DOI：10.1016/j.neurobiolaging.2016.07.005.
[15]	鲁景元，徐文健，薛松，等. 输卵管再通术联合碘油灌注的随机对照研究[J]. 介入放射学杂志，2021，30（7）：719-723. DOI：10.3969/j.issn.1008-794X.2021.07.017.
[16]	周妮，侯月敏，乞艳华，等. 输卵管再通术对近端输卵管阻塞不孕症临床治疗结局的影响[J]. 现代妇产科进展，2022，31（8）：619-621，625. DOI：10.13283/j.cnki.xdfckjz.2022.08.012.

组别	例数	年龄（岁）	不孕时间（年）	既往妊娠次数[M（P₂₅，P₇₅），次]	不孕类型[例（%）]		子宫内膜异位症[例（%）]	子宫内膜异位囊肿[例（%）]	盆腔粘连[例（%）]	痛经[例（%）]	泡状附件[例（%）]
组别	例数	年龄（岁）	不孕时间（年）	既往妊娠次数[M（P₂₅，P₇₅），次]	原发不孕	继发不孕	子宫内膜异位症[例（%）]	子宫内膜异位囊肿[例（%）]	盆腔粘连[例（%）]	痛经[例（%）]	泡状附件[例（%）]
未妊娠组	88	33.4±4.7	2.75±1.87	1（0，2）	34（38.6）	54（61.4）	20（22.7）	10（11.4）	42（47.7）	24（27.3）	34（38.6）
妊娠组	82	31.9±4.2	1.79±0.99	0（0，1）	48（58.5）	34（41.5）	26（31.7）	14（17.1）	30（36.6）	8（9.8）	18（22.0）
检验统计量值		1.531^a	2.905^a	-1.294^b	3.366		0.867	0.571	1.079	4.262	2.783
P值		0.031	<0.001	0.220	0.015		0.253	0.396	0.189	0.006	0.028
组别	手术结局[例（%）]			子宫内膜息肉[例（%）]	瘢痕子宫[例（%）]	多囊卵巢综合征[例（%）]	盆腔炎病史[例（%）]	卵巢病损切除术[例（%）]	输卵管导丝复通术[例（%）]	输卵管成形术[例（%）]
组别	双侧不通	单侧不通	双侧通畅	子宫内膜息肉[例（%）]	瘢痕子宫[例（%）]	多囊卵巢综合征[例（%）]	盆腔炎病史[例（%）]	卵巢病损切除术[例（%）]	输卵管导丝复通术[例（%）]	输卵管成形术[例（%）]
未妊娠组	6（6.8）	18（20.5）	64（72.7）	22（25.0）	8（9.1）	8（9.1）	20（22.7）	16（18.2）	8（9.1）	30（34.1）
妊娠组	4（4.9）	8（9.8）	70（85.4）	16（19.5）	6（7.3）	8（9.8）	12（14.6）	16（19.5）	12（14.6）	32（39.0）
检验统计量值	0.144			0.368	0.088	0.011	0.910	0.025	0.628	0.223
P值	0.116			0.500	0.888	1.000	0.249	0.980	0.377	0.611

组别	例数	年龄（岁）	不孕时间（年）	既往妊娠次数[M（P₂₅，P₇₅），次]	不孕类型[例（%）]		子宫内膜异位症[例（%）]	子宫内膜异位囊肿[例（%）]	盆腔粘连[例（%）]	痛经[例（%）]	泡状附件[例（%）]
组别	例数	年龄（岁）	不孕时间（年）	既往妊娠次数[M（P₂₅，P₇₅），次]	原发不孕	继发不孕	子宫内膜异位症[例（%）]	子宫内膜异位囊肿[例（%）]	盆腔粘连[例（%）]	痛经[例（%）]	泡状附件[例（%）]
未妊娠组	88	33.4±4.7	2.75±1.87	1（0，2）	34（38.6）	54（61.4）	20（22.7）	10（11.4）	42（47.7）	24（27.3）	34（38.6）
妊娠组	82	31.9±4.2	1.79±0.99	0（0，1）	48（58.5）	34（41.5）	26（31.7）	14（17.1）	30（36.6）	8（9.8）	18（22.0）
检验统计量值		1.531^a	2.905^a	-1.294^b	3.366		0.867	0.571	1.079	4.262	2.783
P值		0.031	<0.001	0.220	0.015		0.253	0.396	0.189	0.006	0.028
组别	手术结局[例（%）]			子宫内膜息肉[例（%）]	瘢痕子宫[例（%）]	多囊卵巢综合征[例（%）]	盆腔炎病史[例（%）]	卵巢病损切除术[例（%）]	输卵管导丝复通术[例（%）]	输卵管成形术[例（%）]
组别	双侧不通	单侧不通	双侧通畅	子宫内膜息肉[例（%）]	瘢痕子宫[例（%）]	多囊卵巢综合征[例（%）]	盆腔炎病史[例（%）]	卵巢病损切除术[例（%）]	输卵管导丝复通术[例（%）]	输卵管成形术[例（%）]
未妊娠组	6（6.8）	18（20.5）	64（72.7）	22（25.0）	8（9.1）	8（9.1）	20（22.7）	16（18.2）	8（9.1）	30（34.1）
妊娠组	4（4.9）	8（9.8）	70（85.4）	16（19.5）	6（7.3）	8（9.8）	12（14.6）	16（19.5）	12（14.6）	32（39.0）
检验统计量值	0.144			0.368	0.088	0.011	0.910	0.025	0.628	0.223
P值	0.116			0.500	0.888	1.000	0.249	0.980	0.377	0.611