研究背景早发性卵巢功能不全（Premature OvarianInsufficiency,POI）是女性40岁前出现卵巢功能障碍（卵泡枯竭、内分泌功能和生殖机能衰退或丧失）的临床综合征。流行病学证据显示,POI的患病率从1986年的1%增加至2019年的3.7%,33年里增加了近3倍。POI严重影响女性生理、心理、及生殖健康,并危害女性绝经后的长期健康。随着人们对POI的认识及关注度逐渐提高,如何评价POI的疾病状态和疾病进展,并且选择合适的治疗手段来改善POI患者卵巢功能、生育结局和生存质量成为了国内外生殖及妇科学界日益关注的问题。目前对于POI的治疗仍缺乏最佳干预策略,中医药尤其是针灸用于POI的治疗日益受到关注,针灸疗法已广泛应用于多种卵巢功能障碍性疾病。然而,针灸治疗POI多体现在短期（3～6个月）对卵巢功能和生活质量的改善,缺乏影响针灸疗效因素、长期随访和妊娠结局的证据。POI患者的妊娠结局较差,自发妊娠率为4.4%,辅助生殖技术干预后的活产率为5.8%。由于POI患者相对年轻,大部分患者仍有生育要求,相对于雌激素低下带来的围绝经期症状,POI患者更迫切的是如何尽快获得妊娠。因此,对POI患者的临床疗效判定和妊娠结局预测尤为重要。POI病情复杂、危害多样、随访周期长,通过开展真实世界研究或建立POI注册登记数据库,充分连续的收集POI相关的诊疗信息,能够动态全面准确的对其进行健康管理,解决临床面临的各种复杂挑战。真实世界临床诊疗记录产生巨大的数据体量,借助人工智能技术（Artificial Intelligence,AI）可深入挖掘医疗数据间关联性,对医疗信息进行解析,可建立疾病发生、诊断和预后评估的模型,辅助临床决策。研究目的本研究拟通过国际针灸病例注册登记研究平台（International Patient Registry Platform of Acupuncture-Moxibustion,IPRPAM）开展多中心、大样本、前瞻性真实世界研究,收集真实世界中针灸治疗POI的临床诊疗数据,借助数据挖掘和机器学习的方法,分析POI患者的临床特征和确定POI进展的卵巢功能生物标志物阈值,形成疾病进展状态评估和临床疗效判定标准;探索针灸治疗POI的妊娠结局、远期疗效、获益人群及临床疗效影响因素;并构建预测妊娠可能性、妊娠时间和临床疗效的机器学习预测模型。研究方法本研究为基于中国人群的大样本、多中心针灸治疗POI的临床特征、影响因素和妊娠预测研究,以期为POI的临床诊疗提供可靠、详细的循证医学证据。1 早发性卵巢功能不全患者临床特征分析。基于多中心病例注册登记真实世界数据的队列研究。按照暴露因素FSH水平分为2个队列:亚临床期POI（15 IU/L＜FSH≤25 IU/L）和 POI（25 IU/L＜FSH≤40 IU/L）,比较亚临床期 POI患者和POI患者的临床特征差异。采用关联规则和复杂网络分析形成核心症状群;构建局部加权回归（lowess）平滑曲线拟合年龄与卵巢功能指标的变化趋势;采用基于Cox回归模型的限制性立方样条（Restricted cubic spline,RCS）划分卵巢功能相关指标的截断值,采用ROC曲线比较不同卵巢功能相关指标联合判定时的准确性,形成POI进展评估的最佳指标组合。2 针灸对早发性卵巢功能不全患者妊娠和疗效的影响因素分析。基于多中心病例注册登记真实世界数据的队列研究,按照暴露因素是否联合药物分为2个队列:针灸组和针药联合组。主要疗效指标为临床妊娠率,次要疗效指标为活产率、流产率、月经恢复率、卵巢功能指标有效率、临床有效率和患者报告结局。以疗效指标为目标事件、疗效指标评估时间点为时间变量,所有影响因素为自变量构建单因素Cox比例风险模型（Cox Proportional-Hazards Model,Cox回归）,以P＜0.1筛选影响因素,纳入多因素Cox回归分析。计算风险比（Hazard Ratio,HR）和 95%可信区间（Confidence Interval,CI）,采用 log-rank test 比较不同Kaplan-Meier survival曲线的差异,以P＜0.05为具有显著性差异。以针刺次数（≤24次和＞24次）、FSH水平（≤40IU/L和＞40IU/L）和月经情况（闭经和非闭经）进行分层分析。采用稳健逆概率加权（Stabilized Inverse Probability of Treatment Weighting,IPTW）调整混杂因素。3 基于机器学习的针灸治疗早发性卵巢功能不全妊娠预测模型构建。采用有监督机器学习算法,构建妊娠预测模型、妊娠时间预测模型和临床疗效预测模型。通过相关性分析、特征工程方法和R语言mlr3fselect包中“FSelectorSequential”功能3种方法综合筛选最佳的预测特征组合。应用8种机器学习分类算法（逻辑回归、随机森林、朴素贝叶斯、多项式对数线性神经网络、支持向量机、极端梯度提升、K最邻近法和线性判别分析）和6种回归算法（线性回归、随机森林、克里金回归、支持向量机、极端梯度提升、K最邻近法）开发不同的机器学习模型。按照7:3分为训练集（Train）和验证集（Test）,采用留一法交叉验证训练模型,采用ROC曲线下的面积（Area Under Curve,AUC）、准确率（Accuracy,ACC）、Fβ、Logloss、均方误差（Mean Square Error,MSE）评估模型性能,并绘制 ROC 曲线（Receiver Operating Characteristic Curve,ROC）和 P-R 曲线（Precision-Recall,P-R）以确定性能和准确性最优的机器学习算法模型,并评估模型的个体化应用。研究结果1 早发性卵巢功能不全患者临床特征分析（1）病因和临床症状特征亚临床期POI患者和POI患者的年龄比较具有显著性统计学差异（33.8±4.0 岁 vs32.6±4.6 岁,P=0.033）。69%（378/548）的 POI 患者仍是不明原因,医源性因素占18.7%（103/548）,精神心理因素占6.2%（34/548）,生活方式因素占2.4%（13/548）。频次排名前十的POI患者症状为:潮热占62%、乏力占50%、易疲劳占48%、情绪低落占47%、睡眠障碍占47%、畏寒占44%、盗汗占42%、不孕占40%、性欲低下占27%、阴道干涩占26%。（2）月经特征亚临床期POI患者与POI患者的月经异常年龄和确诊年龄比较均具有显著性统计学差异（30.8±5.1 vs29.4±5.4 岁,P=0.014;33.6±4.1 vs32.1±4.9 岁,P=0.003）。亚临床期POI患者和POI患者的生育期比较具有显著性统计差异（18[14,22]年vs 16[12,20]年,P=0.011）。亚临床期POI患者和POI患者的闭经率和月经周期比较均具有显著性统计学差异（27%vs51%,P＜0.001;30[28,43]天 vs 50[30,60]天,P＜0.001）。（3）卵巢功能特征和临床预期一样,随着POI疾病进展,FSH和LH升高,E2、AMH和AFC降低;和临床预期不同的是,随着POI进展,FSH/LH 比值降低。亚临床期POI患者与POI患者比较,在FSH、LH、FSH/LH 比值、E2、AMH和AFC方面均具有统计学差异（21[19,23]IU/L vs 55[35,87]IU/L,P＜0.001;6[4,9]IU/L vs 27[12,45]IU/L,P＜0.001;3.45[2.40,4.61]vs 2.32[1.71,3.12],P＜0.001;29[18,46]pg/ml vs 23[12,39]pg/ml,P＜0.001;0.27[0.12,0.58]ng/ml vs 0.06[0.02,0.15]ng/ml,P＜0.001;3.5[2,5]个 vs 1[0,2]个,P＜0.001）。（4）卵巢功能相关指标截断值FSH/LH 比值＜2.5、AMH＞0.05 ng/ml、AFC≥ 2 个、LH＞17.5 IU/L 和 E2＞25 pg/ml 时,POI 进展风险降低;FSH/LH 比值＞2.5、AMH＜0.05 ng/ml、AFC≤ 1 个、LH＜17.5 IU/L 和 E2＜25 pg/ml 时,POI 进展风险增加。FSH/LH+LH+AMH+AFC+E2五个指标联合判定POI进展具有最高的AUC:0.869[95%CI:0.834,0.904]。2针灸对早发性卵巢功能不全患者妊娠和疗效的影响因素分析在13个省市28家医院共招募36名医生参与研究。共503例符合ESHRE诊断标准的POI患者纳入分析,针灸组394例（78.3%）,针药联合组109例（21.7%）。（1）基线特征纳入分析的503例POI患者,平均年龄32.6±4.6岁,教育程度在大学及以上占67%（336/503）,平均月经异常年龄为29.4±5.4岁,中位病程24[12,49]月,闭经患者占50%（251/503）,有中药治疗史占50%（249/503）,有HRT治疗史占 42%（211/503）,有手术史占 31%（155/503）,有家族史占 3%（15/503）,FSH 水平为 56[35,87]IU/L,LH 水平为 28[12,45]IU/L,FSH/LH 比值为 2.29[1.68,3.12],E2 水平为 22[12,40]pg/ml,AMH 水平为 0.06[0.01,0.15]ng/ml,AFC为1[0,2]个。在教育程度、月经情况、中药治疗史、HRT治疗史、FSH 水平、LH水平和AMH水平,针灸组和针药联合组比较,具有显著性统计学差异（P＜0.05）。（2）干预情况503例POI患者共计14474次针灸治疗,中位针灸时长85天,中位针灸频次7次/月,中位累计针灸次数20次,中位针灸总次数21次,58%（292/503）的患者针灸时间为30分钟/次,92%（463/503）的患者采用调经促孕穴位治疗,32%（163/503）的患者联合艾灸治疗,7.4%（37/503）的患者联合耳穴压豆。针药联合组在针灸频次和累计针灸次数均高于针灸组,具有显著性统计学差异（P＜0.05）。109例针药联合组的POI患者,87人（79.8%）使用西药和46人（42.2%）使用中药。（3）临床妊娠率、活产率和流产率503例POI患者,有生育需求者464例。临床妊娠率为12.28%（57/464）,其中自然妊娠率5.39%（25/464）、试管妊娠率6.89%（32/464）。活产率为10.78%（50/464）,其中自然活产率4.53%（21/464）、试管活产率6.25%（29/464）。流产率为12.28%（7/57）,其中自然妊娠流产率7.02%（4/57）、试管妊娠流产率5.26%（3/57）。针灸组临床妊娠率为12.26%（45/367）、活产率为11.17%（41/367）和流产率为8.89%（4/45）;针药联合组临床妊娠率为12.37%（12/97）、活产率为9.28%（9/97）和流产率为 25%（3/12）。在随访的60个月内,针灸组和针药联合组的临床妊娠率比较,无显著性统计学差异（Log-rank P=0.94）;AFC≥ 2个患者的临床妊娠率显著高于AFC≤1个患者（Log-rank P=0.01）;FSH≤40IU/L患者的临床妊娠率显著高于FSH＞40 IU/L 患者（Log-rank P＜0.0001）。经稳健 IPTW 调整后,与 FSH＞40 IU/L患者比较,FSH≤40IU/L的临床妊娠可能性显著增加（HR=3.60,95%CI:[1.68,7.68],P＜0.001）;与基线FSH/LH 比值＞2.5的患者比较,基线FSH/LH 比值≤2.5的患者临床妊娠可能性显著降低（HR=0.42,95%CI:[0.20,0.87],P=0.019）;与基线AFC≥2个的患者比较,基线AFC≤1个的患者临床妊娠可能性显著降低（HR=0.36,95%CI:[0.17,0.75],P=0.006）。（4）闭经率503例POI患者,闭经率从针灸干预前的47%降至16%,降低了 31%,在随访第9个月时已经降至16%,随后一直维持至30个月。总体上针灸组和针药联合组月经恢复率无显著性差异（Log-rank P=0.36）,经过亚组分层后发现,针刺次数＜24次时,针灸组的月经恢复率显著高于针药联合组（Log-rank P=0.038）;针刺次数＞24次时,针药联合组的月经恢复率显著高于针灸组（Log-rank P=0.027）。（5）卵巢功能相关指标有效率在随访12个月后,FSH＞40 IU/L的患者比例从58%降至38%;25 IU/L＜FSH≤40 IU/L的患者比率比例从28%降低至23%;15 IU/L＜FSH≤25 IU/L的患者比例从14%增加至19%;10＜FSH≤15IU/L的患者比例从0%增加至10%;FSH≤10 IU/L的患者比例从0%增加至9.6%。经稳健IPTW调整后,与针灸相比,针药联合的FSH恢复率显著提高（HR=2.28,95%CI:[1.22,4.25],P=0.01）;与针灸次数＞24次相比,针灸次数≤24次的FSH恢复率降低57%（HR=0.43,95%CI:[0.22,0.84],P=0.013）;与基线 LH＞17.5 IU/L 相比,基线 LH≤ 17.5 IU/L患者的FSH恢复率显著增加（HR=3.14,95%CI:[1.33,7.39],P=0.009）;与基线AMH＞0.05 ng/ml相比,基线AMH≤0.05 ng/ml患者的FSH恢复率降低82%（HR=0.18,95%CI:[0.07,0.42],P＜0.001）。在随访 12 个月后,2＜FSH≤17.5 IU/L患者的比例43%增加至55%。针灸或针药联合对FSH/LH 比值无明显影响,针灸干预后6个月后的FSH/LH的正常率仅增加了 5%,此后一直保持稳定。针药联合在随访3个月内对E2增加较明显,总体上针药联合增加E2的优势高于针灸;在随访12个月后,低雌素（E2＜25pg/ml）患者的比例从55%降至44%。针药联合在增加AMH水平优于针灸（针灸组AMH＜0.05 ng/ml的患者比例从干预前的33%增加至随访12个月后的64%;针药联合组,AMH＜0.05 ng/ml的患者比例从干预前的65%降低至随访12个月后的45%）。针灸和针药联合在随访3个月内均对AFC增加较明显,在随访12个月后针药联合增加AFC的优势显著高于针灸（P=0.022）。针灸和针灸联合在增加AFC方面出现了显著差异（Log-rank P=0.005）。按照亚组干预次数分层分析后,当针刺次数≤24次时,针灸增加AFC的可能性显著高于针药联合;当针刺次数＞24次时,针灸和针药联合的作用相当,表明针灸在增加AFC的作用体现在短期疗效上。经稳健IPTW调整后,与针灸次数＞24次相比,针灸次数≤24次的AFC增加可能性显著提高（HR=2.05,95%CI:[1.38,3.02],P＜0.001）;与无分娩史者相比,有分娩史患者的AFC增加的可能性显著提高（HR=2.48,95%CI:[1.23,5.02],P=0.011）;与基线AFC≥2个者相比,基线AFC≤1个患者的AFC增加可能性降低 49%（HR=0.51,95%CI:[0.32,0.82],P=0.005）。（6）临床有效率以临床妊娠为参照,月经恢复和AMH有效联合具有最高的准确性（AUC[95%CI]=0.67[0.62,0.72]）。以月经恢复且AMH＞0.05 ng/ml或临床妊娠作为临床疗效的判定标准,结果显示针灸干预后的临床有效率为51.5%。经稳健IPTW调整后,与无HRT治疗史相比,有HRT治疗史的患者临床疗效降低30%（HR=0.70,95%CI:[0.52,0.94],P=0.018）;与基线 LH＞17.5 IU/L 相比,基线LH≤ 17.5 IU/L患者的临床有效率显著提高（HR=1.70,95%CI:[1.16,2.47],P=0.006）;与FSH/LH比值无效者相比,FSH/LH 比值有效患者的临床有效率显著提高（HR=6.7,95%CI:[4.81,9.37],P＜0.001）。3 基于机器学习的针灸治疗早发性卵巢功能不全妊娠预测模型构建针灸治疗POI的数据集包括3个预测目标、68个预测特征变量和503个观测值,分别构建妊娠预测、妊娠时间预测和临床疗效预测的3个机器学习模型。（1）最佳预测特征组合通过3种特征筛选方法,综合ACC值、AUC值和Fβ值最终形成包含医生医院（Hospital）-患者特征（Patient）-针灸干预（Acupuncture）-进展预后（Progression）的最佳HPAP预测特征组合。HPAP-临床妊娠（Pregnancy）纳入15个最佳预测特征组合,构建HPAPP模型;HPAP-妊娠时间（Time）纳入12个最佳预测特征组合,构建HP APT模型;HPAP-临床疗效（Effectiveness）纳入18个最佳预测特征变量,构建HP APE模型。（2）机器学习妊娠预测模型（HPAPP模型）综合8种算法和4种模型评估参数发现预测临床妊娠的最优机器学习算法为随机森林（AUC=0.75,ACC=0.86,Fβ=0.61,Logloss=0.35）,故采用随机森林算法构建HPAPP模型。15个预测特征变量的特征重要性排序结果显示AMH有效对HPAPP模型的贡献度最大,其次是针灸总次数和针灸治疗后AFC有效,另外月经异常年龄、医生年龄、生育期和针灸时长对HPAPP模型也产生了较大的贡献度。（3）机器学习妊娠时间预测模型（HPAPT模型）纳入12个预测特征变量的6种回归算法的机器学习模型,随机森林算法的均方误差最低,故采用随机森林算法构建HPAPT模型预测妊娠时间。在训练队列和验证队列中均是针灸时长对模型的影响最大,其次是患者年龄和生育期。（4）机器学习临床疗效预测模型（HPAPE模型）综合8种算法和4种模型评估参数发现预测临床疗效的最优机器学习算法为逻辑回归和多项式对数线性神经网络（AUC=0.84,ACC=0.75,Fβ=0.75,Logloss=0.50）,因逻辑回归算法的解释性较好,故采用逻辑回归算法构建HPAPE模型。18个预测特征变量的特征重要性排序结果显示月经异常年龄对HPAPP模型的贡献度最大,其次是年龄、病程、基线AMH、基线LH和针灸治疗后的FSH/LH 比值有效,另外生育期、医生执业年限、AFC有效和医生年龄对HPAPE模型也产生了较大的贡献度。研究结论1 POI的核心关联症状群为:潮热-乏力-易疲劳-情绪低落-睡眠障碍-盗汗-畏寒-不孕-闭经-月经稀发-阴道干涩-性交不适-性欲低下。2基于大样本POI人群的真实世界数据确定卵巢功能衰退的截断值:FSH/LH 为 2.5,AMH 为 0.05 ng/ml,AFC 为 1 个,LH 为 17.5 IU/L,E2 为 25 pg/ml。3针灸或针药联合干预POI能够提高临床妊娠率和活产率,降低流产率,延缓POI的进展,降低卵巢功能衰退速度;针灸具有短期疗效有优势,针药联合具有长期疗效优势。4客观可靠的“经-孕-生殖激素”临床疗效判定标准为临床妊娠或月经恢复且AMH有效。针灸治疗POI的妊娠和疗效主要影响因素为:针灸次数、FSH、FSH/LH 比值、LH、AMH和AFC。针灸治疗POI的获益人群为FSH≤40IU/L、AMH＞0.05 ng/ml 和 AFC ≥2 个。5构建的机器学习妊娠预测模型、妊娠时间预测模型和临床疗效预测模型,均具有较高的准确性和区分能力,有较好的临床实用性和应用前景。可视化机器学习模型可对POI患者进行个体化、实时动态预测。