MACHINE LEARNING MODELS FOR PREDICTING LIVE BIRTH IN WOMEN WITH PCOS UNDERGOING IVF/ICSI: A SYSTEMATIC REVIEW
Abstract
Introduction. Polycystic Ovary Syndrome (PCOS) merupakan salah satu gangguan endokrin paling umum pada wanita usia reproduktif, dengan prevalensi sekitar 6–20% tergantung kriteria diagnostik yang digunakan. PCOS ditandai oleh disfungsi ovulasi, hiperandrogenisme, dan gangguan metabolik seperti resistensi insulin yang berkontribusi terhadap infertilitas. Banyak pasien PCOS memerlukan Assisted Reproductive Technology (ART), termasuk IVF dan ICSI, namun outcome utama yaitu live birth masih sulit diprediksi karena dipengaruhi banyak faktor. Perkembangan Artificial Intelligence (AI) dan Machine Learning (ML) menawarkan pendekatan baru dalam prediksi outcome klinis, namun sebagian besar model masih memiliki keterbatasan metodologis dan kurangnya validasi eksternal. Method. Penelitian ini merupakan systematic review yang bertujuan mengidentifikasi dan mengevaluasi model machine learning untuk memprediksi live birth pada pasien PCOS yang menjalani IVF/ICSI. Pencarian literatur dilakukan pada PubMed, ScienceDirect, dan OpenAlex sesuai pedoman PRISMA 2020. Result. Dari 115 studi yang diidentifikasi, tiga studi memenuhi kriteria inklusi. Model machine learning yang dilaporkan meliputi XGBoost, Random Forest, dan model berbasis regresi logistik. XGBoost menunjukkan performa terbaik dengan AUC 0,822, Random Forest dengan AUC 0,60, dan model regresi logistik sekitar AUC 0,80. Faktor prediktor yang konsisten meliputi usia, BMI, durasi infertilitas, kualitas embrio, dan parameter hormonal. Namun, seluruh studi masih terbatas pada validasi internal tanpa validasi eksternal yang memadai. Conclusion. Model machine learning menunjukkan potensi dalam memprediksi live birth pada pasien PCOS yang menjalani IVF/ICSI, namun belum terdapat model yang benar-benar superior dan tervalidasi secara luas. Diperlukan pengembangan model dengan validasi eksternal multi-center serta evaluasi risiko bias yang lebih ketat sebelum implementasi klinis.
References
Zhu S, Huang Z, Chen X, Jiang W, Zhou Y, Zheng B, et al. Construction and evaluation of machine learning-based prediction model for live birth following fresh embryo transfer in IVF/ICSI patients with polycystic ovary syndrome. J Ovarian Res. 2025;18:70. doi:10.1186/s13048-025-01654-x.
Amini P, Ramezanali F, Parchehbaf-Kashani M, Maroufizadeh S, Omani-Samani R, Ghaheri A. Factors associated with in vitro fertilization live birth outcome: A comparison of different classification methods. Int J Fertil Steril. 2021;15(2):128-134. doi:10.22074/IJFS.2020.134582.
Zhu S, Chen X, Li R, Jiang W, Zheng B, Sun Y. Constructing a predictive model for live birth following fresh embryo transfer in antagonist protocol for polycystic ovary syndrome. J Assist Reprod Genet. 2024;41(10):2709-2719. doi:10.1007/s10815-024-03232-4.
Rotterdam ESHRE/ASRM-Sponsored PCOS Consensus Workshop Group. Revised 2003 consensus on diagnostic criteria and long-term health risks related to polycystic ovary syndrome (PCOS). Hum Reprod. 2004;19(1):41-47. doi:10.1093/humrep/deh098.
Teede HJ, Misso ML, Costello MF, Dokras A, Laven J, Moran L, et al.; International PCOS Network. Recommendations from the international evidence-based guideline for the assessment and management of polycystic ovary syndrome. Fertil Steril. 2018;110(3):364-379. doi:10.1016/j.fertnstert.2018.05.004.
Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24-29. doi:10.1038/s41591-018-0316-z.
Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7.
