📄 medicine

Development and Evaluation of Nomogram- and Decision Tree-Based Risk Prediction Models for Severe Ovarian Hyperstimulation Syndrome in Patients with High Ovarian Reserve

Deze studie toont aan dat een op een nomogram gebaseerd model dat zeven onafhankelijke voorspellers incorporeert, beter presteert dan een beslisboom bij het voorspellen van ernstig ovariëel hyperstimulatiesyndroom bij patiënten met een hoge ovariële reserve, waarmee een gevalideerde, webgebaseerde tool wordt geboden voor individuele klinische risicostratificatie.

Oorspronkelijke auteurs: Lingli Yang, Dejing Wang

Gepubliceerd 2026-08-11

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Lingli Yang, Dejing Wang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een tuinman bent die de mooiste, zeldzame bloemen probeert te kweken. Je hebt een speciale, supervruchtbare grond die planten ongelooflijk snel en groot laat groeien. Maar er is een addertje onder het gras: als je de planten te veel water geeft of te veel meststof geeft, kunnen de planten zo opgezwollen en enthousiast worden dat ze barsten, overal sap lekken en zelfs de hele tuin beschadigen. In de wereld van de menselijke voortplanting wordt deze "supervruchtbare grond" een hoge ovariële reserve genoemd, en het "barsten" is een aandoening genaamd Ovariële Hyperstimulatie Syndroom (OHSS). Dit gebeurt wanneer artsen medicijnen gebruiken om mensen te helpen kinderen te krijgen, en de eierstokken te sterk reageren. Voor sommige patiënten kan deze reactie beangstigend zijn en leiden tot pijn, zwellingen en zelfs ernstige gezondheidsrisico's.

Artsen hebben geprobeerd een "weersverwachting" te bouwen om te voorspellen wie dit syndroom krijgt voordat het gebeurt. Meestal kijken ze naar de leeftijd van een patiënt of hoeveel eicellen zij hebben. Maar voor de "supervruchtbare" groep zijn de oude voorspellingen niet altijd nauwkeurig. Wetenschappers zijn begonnen met het gebruik van twee verschillende soorten "glazen bollen" om de storm te voorspellen: de ene is een Nomogram, wat een gedetailleerde, meerlaagse kaart is waarbij je punten optelt van verschillende aanwijzingen om een eindscore te krijgen; de andere is een Beslisboom (Decision Tree), wat een spel van "20 vragen" is waarbij je ja- of nee-antwoorden geeft op een reeks vragen om je antwoord te vinden. De grote vraag was: welke glazen bol is beter in het voorspellen van de storm voor deze specifieke risicovolle tuinmannen?

Dit artikel, geschreven door onderzoekers Lingli Yang en Dejing Wang, heeft als doel om deze twee voorspellende instrumenten te testen. Ze bekeken de dossiers van 8-03 patiënten met hoge ovariële reserves die tussen 2020 en 2025 probeerden baby's te krijgen. Ze verdeelden deze patiënten in twee groepen: een "trainingsgroep" van 614 mensen om de modellen te bouwen, en een aparte "testgroep" van 189 mensen om te zien of de modellen werkten op nieuwe gegevens.

Eerst speelden de onderzoekers detective om de beste aanwijzingen te vinden. Ze begonnen met 20 verschillende stukjes informatie, zoals gewicht, hormoonspiegels en het aantal verkregen eicellen. Na een flinke hoeveelheid rekenwerk beperkten ze dit tot slechts zeven "super-aanwijzingen" die het belangrijkst waren:

AMH: Een hormoon dat vertelt hoeveel eicellen er in de voorraad liggen.
AFC: De werkelijke telling van kleine eizakjes die via een echo worden gezien.
bLH/bFSH-ratio: Een specifieke balans tussen twee hormonen die de eierstokken aansturen.
Estradiol (E₂) op Dag 5: Een hormoonspiegel gemeten in een vroeg stadium van de behandeling.
Estradiol (E₂) op de Triggerdag: Het hormoonniveau vlak voor de laatste injectie voor de eicelverzameling.
Follicels ≥ 10 mm: Het aantal groeiende eizakjes dat een bepaalde grootte heeft bereikt.
Oöcyt-opbrengst: Het totale aantal eicellen dat daadwerkelijk is verzameld.

Met behulp van deze zeven aanwijzingen bouwden ze zowel het Nomogram (de puntenscorende kaart) als de Beslisboom (het ja/nee-vragenspel). Daarna zetten ze ze op de proef.

De resultaten lieten zien dat het Nomogram de duidelijke winnaar was. Wanneer ze het testten op de trainingsgroep, voorspelde het het risico in 88,4% van de gevallen correct (een "AUC"-score van 0,884). De Beslisboom was oké en scoorde 86,5%, maar was minder scherp. Wanneer ze de modellen testten op de nieuwe groep van 189 patiënten (de "externe validatie"), bleef het Nomogram sterk met een score van 87,4%, terwijl de score van de Beslisboom daalde naar 79,5%. Dit suggereert dat de Beslisboom de trainingsgegevens te goed heeft "onthouden" en in de war raakte door nieuwe patiënten, terwijl het Nomogram betrouwbaar bleef.

De onderzoekers controleerden ook hoe goed de voorspellingen overeenkwamen met de werkelijkheid. De voorspellingen van het Nomogram kwamen bijna perfect overeen met wat er daadwerkelijk gebeurde, terwijl de Beslisboom er een beetje naast zat. Ze bouwden zelfs een webgebaseerde calculator (een digitale tool die iedereen op een computer kan gebruiken) gebaseerd op het winnende Nomogram. Nu kan een arts de zeven specifieken getallen van een patiënt invoeren, en de calculator geeft direct het percentage kans dat de patiënt ernstige OHSS ontwikkelt.

Kortom, het artikel suggereert dat voor patiënten met hoge ovariële reserves het gedetailleerde, op punten gebaseerde Nomogram een nauwkeuriger en stabieler instrument is om ernstige OHSS te voorspellen dan de eenvoudigere Beslisboom. Het vond niet alleen een nieuwe manier om te gokken; het bewees dat één specifieke methode beter werkt dan de andere voor deze lastige groep patiënten, wat een manier biedt om het gevaar vroegtijdig te spotten en de "tuin" veilig te houden.

Technische Samenvatting: Ontwikkeling en Evaluatie van Nomogram- en Beslisboom-gebaseerde Risicovoorspellingsmodellen voor Ernstige OHSS

Probleemstelling
Ovariële hyperstimulatiesyndroom (OHSS) blijft een ernstige, potentieel levensbedreigende complicatie van assisted reproductieve technologie (ART), met name voor patiënten met een hoge ovariële reserve die een overdreven reactie vertonen op gecontroleerde ovariële stimulatie (COS). Hoewel ernstige OHSS kan leiden tot multi-orgaanfalen en ongunstige zwangerschapsuitkomsten, is het huidige beheer grotendeels ondersteunend en bestaat er geen specifieke therapie. Hoewel machine learning (ML)-technieken steeds vaker worden gebruikt voor ziektevoorspelling, vertrouwen bestaande modellen voor OHSS vaak op conventionele logistische regressie of missen zij specifieke validatie voor de risicovolle subgroep van patiënten met een hoge ovariële reserve. Bovereen, de vergelijkbare bruikbaarheid van verschillende ML-benaderingen, specificaal nomogrammen versus beslisbomen, binnen deze specifieke populatie is niet systematisch onderzocht.

Methodologie
Deze retrospectieve studie maakte gebruik van gegevens van 803 infertile patiënten met een hoge ovariële reserve (gedefinieerd als leeftijd <35, AFC >20, AMH >3,6 ng/mL) die een langdurig follikel-fase protocol ondergingen aan het Affiliated Hospital of Zunyi Medical University tussen januari 2020 en oktober 2025.

Data-splitsing: De cohort werd verdeeld in een trainingsset (614 patiënten, 2020–2024) voor modelontwikkeling en interne validatie, en een externe validatieset (189 patiënten, 2025).
Kenmerkselectie: Onderzoekers voerden eerst een univariate analyse uit om 20 variabelen te identificeren met statistische significantie ( $P < 0,05$ ). Deze werden vervolgens verwerkt via Least Absolute Shrinkage and Selection Operator (Lasso) regressie met 10-voudige cross-validatie om onafhankelijke voorspellers te isoleren.
Modelconstructie: Twee verschillende modellen werden gebouwd:
1. Een Nomogram met behulp van het rms-pakket in R, waarbij de resultaten van de logistische regressie worden vertaald naar een visueel scoresysteem.
2. Een Beslisboom met behulp van het rpart-pakket, die een 4-niveau binaire classificatieboom creëert.
Evaluatiemetrieken: De prestaties van het model werden beoordeeld met behulp van Receiver Operating Characteristic (ROC) curves (Area Under the Curve - AUC), kalibratieplots en Decision Curve Analysis (DCA). Interne validatie maakte gebruik van bootstrap-resampling (1.000 iteraties).
Implementatie: Een webgebaseerde risicocalculator werd ontwikkeld met behulp van het Shiny-pakket op basis van het best presterende model.

Belangrijkste Bijdragen

Identificatie van Specifieke Voorspellers: De studie identificeerde zeven onafhankelijke risicofactoren specifiek voor ernstige OHSS bij patiënten met een hoge reserve: Anti-Müllerian Hormone (AMH), Antral Follicle Count (AFC), basale LH/FSH-ratio (bLH/bFSH), $E_2$ op dag 5 van Gn-stimulatie, $E_2$ op de dag van de hCG-trigger, het aantal follikels $\ge$ 10 mm op de hCG-dag, en de oöcyt-opbrengst.
Vergelijkende Analyse: Het artikel biedt een directe methodologische vergelijking tussen een traditioneel visueel regressie-instrument (nomogram) en een klassieke ML-classifier (beslisboom) binnen dezelfde risicovolle cohort.
Ontwikkeling van een Klinische Tool: De studie vertaalde het optimale statistische model naar een functionele, webgebaseerde risicocalculator om real-time, geïndividualiseerde risicobeoordeling in de klinische praktijk te faciliteren.

Resultaten

Voorspellende Prestaties: In de trainingscohort vertoonde het nomogram een superieure discriminatie met een AUC van 0,884 (95% CI: 0,841–0,927) vergeleken met de 0,865 (95% CI: 0,814–0,916) van de beslisboom.
Validatie: Na bootstrap interne validatie behield het nomogram een robuuste AUC van 0,880, terwijl de beslisboom daalde naar 0,812. In externe validatie bereikte het nomogram een AUC van 0,874 (95% CI: 0,821–0,928), terwijl de beslisboom daalde naar 0,795 (95% CI: 0,702–0,888).
Kalibratie en Nut: Kalibratiecurves gaven aan dat het nomogram dichter bij de ideale lijn lag, en Decision Curve Analysis (DCA) toonde aan dat het nomogram een hogere netto klinische voordelen bood over een breder bereik van drempelwaarschijnlijkheden.
Tool Output: De webgebaseerde calculator schatte risicokansen succesvol in (bijv. het voorspellen van een risico van 90,3% voor een specifieke casus), wat consistent is met de visuele output van het nomogram.

Betekenis en Claims
De auteurs beweren dat het op het nomogram gebaseerde model een superieure voorspellende prestatie, reproduceerbaarheid en stabiliteit vertoont vergeleken met de beslisboombenadering voor patiënten met een hoge ovariële reserve. De studie stelt dat het integreren van dit model met de webgebaseerde calculator geïndividualiseerde risicostratificatie en precisiebeheer in klinische settings kan faciliteren. Specifiek beoogt de tool clinici te begeleiden bij het triëren van patiënten: patiënten met een laag voorspeld risico (<10%) kunnen doorgaan met routinematige behandeling, terwijl zij met een gemiddeld (10–30%) of hoog (>30%) risico verhoogde monitoring kunnen ontvangen of overwegen de cyclus te annuleren om ernstige complicaties te voorkomen. De auteurs erkennen beperkingen, waaronder het single-center retrospectieve ontwerp en het gebrek aan vergelijking met andere geavanceerde ML-algoritmen (bijv. XGBoost, Random Forest), en suggereren dat toekomstige prospectieve, multicenter studies nodig zijn om deze bevindingen verder te valideren.

Meer zoals dit