Оптимизация процесса ЭКО
Исследовательские модели прогноза результата ЭКО по клиническим данным. Работа включает подготовку архивной выборки, обучение, калибровку вероятностей и проверку ограничений данных.
Исследовательская задача
Задача проекта состоит в прогнозировании результата программы ЭКО по клиническим данным. Модель должна оценивать вероятность клинической беременности на основе признаков пары и проведенного протокола. Это исследовательское направление поддержки решений в репродуктивной медицине.
Данные и обучение
В работе с НМИЦ им. Кулакова архивные данные привели к единому табличному формату. Исследовательский контур включает исторические записи и отдельную выборку с расширенным анамнезом. Их различия важны: признаки предыдущих беременностей, выкидышей и остановок развития представлены не во всех наборах одинаково.
В эксперименте, описанном в июле 2026 года, архивная выборка за период с 2012 по 2024 год включала 12 661 наблюдение. Для базовой модели использовали CatBoost с 20 значимыми признаками и калибровкой вероятностей. На вход поступают клинические признаки, на выходе получается оценка вероятности исхода.
Проверка результатов
Отдельное внимание уделили качеству исходных записей. В расширенной выборке обнаружились несогласованные значения анамнеза и результата ЭКО. Это потребовало проверки данных вместе со специалистами и пересмотра интерпретации метрик.
Повышенное качество на выборке с дополнительными признаками нельзя напрямую сравнивать с результатом на архиве, где этих признаков нет. Обучающие данные преимущественно относятся к возрасту от 25 до 40 лет; качество за пределами этого диапазона отдельно не проверено.
Результат работы
Создан исследовательский задел: подготовленные данные, обученная базовая модель и эксперименты по составу признаков. Полученный прогноз требует оценки врачом и дальнейшей валидации на корректно подготовленных данных.
Этот опыт подготовки и проверки медицинских моделей развивается в направлении Z-med.
Похожие кейсы
Анализ данных
Контроль состава шлака на металлургическом заводе: реакция на отклонение за минуту
Z-brain сопоставляет телеметрию с историей выплавок и даёт оператору рекомендацию при отклонении состава шлака. В показанном эпизоде от срабатывания до устранения прошло меньше минуты.
Анализ данных
Модель предсказания поломки оборудования
Предиктивная модель для экструдера полимеров Сибура обнаруживает признаки засора по данным датчиков. В описании проекта зафиксирована доля предугаданных неполадок около 80%.
Анализ данных
Построение цифровой модели фабрики
Цифровая модель фабрики связывает производственные данные, процессы и оборудование. Прогноз выхода годной продукции помогает искать узкие места и поддерживает решения специалистов.