CN112331340B

CN112331340B - 育龄夫妇妊娠概率的智能预测方法及系统

Info

Publication number: CN112331340B
Application number: CN202011097478.2A
Authority: CN
Inventors: 马旭; 赵君; 洪翔; 王蓓; 张宏光; 代巧云
Original assignee: Institute Of Science And Technology National Health Commission; Southeast University
Current assignee: Institute Of Science And Technology National Health Commission; Southeast University
Priority date: 2020-10-14
Filing date: 2020-10-14
Publication date: 2021-11-23
Anticipated expiration: 2040-10-14
Also published as: CN112331340A

Abstract

本发明公开了一种育龄夫妇妊娠概率的智能预测方法及系统，所述方法包括：采集影响育龄夫妇生育力的多个数据信息并进行数据标准化处理，建立育龄夫妇一年妊娠概率与影响因素的关联数据库；提取部分数据集进行训练，筛选各因素指标并与育龄夫妇一年妊娠概率构建多因素回归预测模型；将所述预测模型可视化，绘制Nomogram图，为每一个预测的风险因素计算风险评分，并根据各风险因素的评分相加得到总评分；根据总评分与结局事件发生概率之间的关系，计算出某个体发生妊娠事件的概率预测值。本发明解决了现有的育龄夫妇无法自助对妊娠概率进行较为准确的预测的问题。

Description

育龄夫妇妊娠概率的智能预测方法及系统

技术领域

本发明属于医学生殖健康领域，具体涉及一种育龄夫妇妊娠概率的智能预测方法及系统。

背景技术

育龄人群生殖健康对人口素质与经济社会发展具有深远的影响，受到国际社会的普遍关注。生育力是一个复杂的公共卫生问题，人口学家和社会学家将人群繁衍后代的能力定义为生育力，它直接对人口的增长或下降有影响。最近的一项研究报道，随着人群健康需求的提高和健康管理措施的提前，人们关注的不仅仅是能否成功受孕，更关注能否按计划和意愿有准备的受孕，过长的备孕时间会给夫妻双方带来心理压力，甚至会影响正常生活与工作节奏。目前WHO临床指南中将一对夫妻至少一年未避孕但未妊娠诊断为不育不孕。有研究报道，我国育龄夫妇的不孕不育率高达25.0％，平均为15％左右，并呈现年轻化及上升趋势。据WHO统计，不孕不育将成为仅次于心脑血管病和肿瘤等严重危害人类健康的第三大疾病。不孕不育症以及采用辅助生育技术不仅给家庭带来沉重的经济负担，也给夫妇带来心理负担，进而影响家庭生活、社会稳定。

国内外研究显示不孕不育是多重因素作用的结果，包括生理因素(卵子、精子的形成)、社会因素(经济收入、精神压力等)、生活行为因素(吸烟、饮酒等)和生物因素(药物、感染等)。目前，生育力评估主要针对不孕不育、特殊疾病(如肿瘤)、高危环境作业的人群开展，大多需要在生殖健康专科医院或综合医院的辅助生殖门诊通过专门的医学检查后由专业医师给出建议。大多数育龄夫妇认为备孕过程涉及个人隐私，备孕困难又会带来巨大的心理压力，辅助生殖门诊检查繁琐且需要多次频繁就诊，因此常常自行购买排卵试纸进行检测以确定最佳同房时间，但是却忽略了自身健康状况对生育力的影响。如何设计出一种基于综合因素考量，并适用于普通育龄夫妇自我测评且无需依赖专业医学检查的生育力预测系统变成了目前亟待解决的问题。

发明内容

基于现有技术的上述缺陷，本发明的目的在于提供一种育龄夫妇妊娠概率的智能预测方法及系统，以解决现有的育龄夫妇无法自助对妊娠概率进行较为准确的预测的问题。

为解决上述技术问题，本发明的第一方面提供了一种育龄夫妇妊娠概率的智能预测方法，该方法包括：

采集影响育龄夫妇生育力的多个数据信息并进行数据标准化处理，建立育龄夫妇一年妊娠概率与影响因素的关联数据库；

提取部分数据集进行训练，筛选各因素指标并与育龄夫妇一年妊娠概率构建多因素回归预测模型；

将所述预测模型可视化，绘制Nomogram图，为每一个预测的风险因素计算风险评分，并根据各风险因素的评分相加得到总评分；

根据总评分与结局事件发生概率之间的关系，计算出某个体发生妊娠事件的概率预测值。

进一步地，通过剩余的数据集对构建的所述多元回归模型进行内部验证和外部验证，并校准受试者工作特征曲线。

进一步地，构建多因素回归预测模型包括：采用最大似然估计法，构建样本似然函数，分别拟合妊娠概率与各因素指标的关联函数，筛选其中的变量与育龄夫妇一年妊娠概率建立Logistic多因素回归预测模型。

进一步地，从多个因素指标中筛选出通过检验统计方法计算的概率值小于预设阈值的指标纳入模型的变量中，并对纳入的所有多分类变量进行哑变量转换。

进一步地，在建立Logistic多因素回归预测模型，并计算模型所有的参数后，还对模型进行拟合优度检验。

进一步地，将各因素指标分别定义为X₁、X₂、……X_J，采用最大似然估计法，构建样本似然函数L：

其中，P_i表示第i例观察对象在暴露条件下怀孕的概率，根据实际是否怀孕，取值Y_i＝1或0；

分别拟合妊娠概率P与各因素指标的关联，如下：

……

采用迭代运算使得上述等式的最大似然函数L达到最大，估计出此时的参数β₀₁、β₀₂、……β_0J以及β₁₁、β₁₂、……β_1J，其中β₀₁、β₀₂、……β_0J等为等式的常数项参数，而β₁₁、β₁₂、……β_1J分别表示所关注的指标X₁、X₂、……X_J每增加1个单位时，logit(P)的增加幅度；

采用Wald方法检验参数β₁₁、β₁₂、……β_1J的统计学意义，分别计算

其中

为β_1j的标准差，根据计算得到的χ2值以及卡方概率密度分布，采用微积分法计算P_检验统计值，并与业界通用的统计检验水准0.05进行比较，筛选出P_检验统计<0.05的指标纳入进一步回归模型的变量；

如果X_j为多分类变量，进行虚拟变量转换，即：当X_j分类数量为h时，则转换为h-1个系列虚拟变量(X_j1、X_j2……X_j(h-1))，也可称之为哑变量，每个变量的取值为0或1，计算X_j与妊娠概率P的关联，则可构造函数：

其中α_j(h-1)表示相比于X_j为参考组的人群，X_j取值为类别(h-1)的人怀孕概率logit(P)的变化。

进一步地，将上述筛选出的变量与育龄夫妇一年妊娠概率P建立Logistic多元回归模型，重新拟合各个变量的权重β_j，模型拟合如下：

其中X₁、X₂、……X_J为上一步筛选出的P_检验统计<0.05的变量，而此处β₀为常数项参数；

在采用最大似然函数估计出所有参数以后，对模型进行拟合优度检验：

其中，y＝0，1分别表示结局变量的不同取值，h表示所有的预测因子组合数，从1到s，A_hy表示在预测因子组合为h时，未怀孕(y＝0)或发生怀孕(y＝1)的实际人数；T_hy表示预测因子组合为h时，据构建的logistic预测模型，未怀孕(y＝0)或发生怀孕(y＝1)的理论人数，通过上述公式计算所得的统计量Q_p和Q_L均满足卡方概率密度分布，应用微积分求得对应Q_p和Q_L值的P_检验。

进一步地，确定总评分与结局事件发生概率之间的关联包括：

设定一个常数B，假定β_j每增高B设定为妊娠概率增加1分，则每个影响因素Xj实际取值对应的风险评分计算方式为：

其中j为所关注的影响因素个数，取值范围为1～J，(X_j-M_Refj)*β_j为任意一个影响因素X_j与基础参考值之间的距离；

确定数据库中每个个体妊娠概率评分的总得分：

确定Z_Total与预测一年妊娠概率P_prediction的关系：

取M_Refj＝0，将模型可简化为：

其中β₀为logistic回归模型中估计得到的常数项参数。

本发明的第二方面提供了一种育龄夫妇妊娠概率的智能预测系统，该系统包括：数据采集模块、模型构建模块、可视图转化模块、分值计算模块和预测模块，其中，

所述数据采集模块，用于采集影响育龄夫妇生育力的多个数据信息进行数据标准化处理，建立育龄夫妇一年妊娠概率与影响因素的关联数据库；

所述模型构建模块，用于从数据库中提取部分数据集进行训练，筛选各因素指标并与育龄夫妇一年妊娠概率构建多因素回归预测模型；

所述可视图转化模块，用于将多因素回归预测模型可视化；

所述分值计算模块，用于为每一个预测的风险因素计算风险评分，并根据各风险因素的评分相加得到总评分；

所述预测模块，根据总评分与结局事件发生概率之间的关系，计算出某个体发生妊娠事件的概率预测值。

进一步地，还包括验证模块，验证模块通过剩余的训练集对构建的所述多元回归模型进行内部验证和外部验证，并校准受试者工作特征曲线。

与现有技术相比，本发明所公开的一种育龄夫妇妊娠概率的智能预测方法及系统，首先基于真实世界大样本妊娠队列建立育龄夫妇一年妊娠概率预测数据库，随机选取一定的样本量(比如70％)数据作为训练集，基于Logistic模型算法，建立育龄夫妇一年妊娠概率与综合影响因素的关联；基于此，通过Nomogram模型对结果进行可视化，为每一个预测因子计算风险评分；通过计算各风险评分得到总分，拟合估计育龄夫妇一年妊娠概率；并对数据集中剩余30％的样本量数据进行模型验证和评估，从而使模型可以得到更大范围内的推广应用。

附图说明

图1为本发明实施例中的育龄夫妇妊娠概率的智能预测方法的原理图。

图2为本发明实施例中的预测模型进行校正时的曲线图。

图3为本发明实施例中的育龄夫妇妊娠概率的智能预测系统的原理图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

本发明实施例所公开的一种育龄夫妇妊娠概率的智能预测方法包括如下过程：

步骤S1：采集影响育龄夫妇生育力的多个数据信息并进行数据标准化处理，建立育龄夫妇一年妊娠概率与影响因素的关联数据库；

首先，基于真实世界大样本育龄夫妇妊娠队列，筛选出有意愿且身体状况适合立即备孕的夫妇，对其基线时收集的生育力综合影响因素信息(包括夫妇基本人口学资料、孕育史、月经情况、不良生活行为史以及少量可自我监测的常规健康指标)进行数据标准化清理，例如育龄夫妇年龄(age，单位：周岁)，现有子女数(children，单位：个)，体质指数(BMI、单位：kg/m²)，高血压(BP，0＝无，1＝有)，是否吸烟(smoke，0＝否，1＝是)，饮酒频率(drink，0＝从不，1＝偶尔，2＝经常)；妻子是否曾经怀孕(pregnant，0＝否，1＝是)，月经周期是否规律(cycle，0＝否，1＝是)，月经经量(bleeding，1＝过少，2＝正常，3＝过多)，痛经程度(dysmenorrhea，0＝无，1＝轻度痛经，2＝中重度)，等等。建立育龄夫妇一年妊娠概率与综合影响因素指标的关联数据库，将这些影响因素分别定义为X₁、X₂、……X_J。

步骤S2：提取部分数据集进行训练，筛选各因素指标并与育龄夫妇一年妊娠概率构建多因素回归预测模型。

其中，构建多因素回归预测模型具体包括：

步骤S21、采用最大似然估计法，构建样本似然函数。

妊娠队列密切跟踪随访一年，将一年随访期内是否成功妊娠作为主要结局变量Y，Y＝1表示一年内成功怀孕，Y＝0表示一年内未怀孕。采用最大似然估计法，构建样本似然函数L:

其中，P_i表示第i例观察对象在暴露条件下怀孕的概率，如果实际是怀孕的，则Y_i＝1，否则Y_i＝0。根据最大似然函数原理，在一次抽样中获得现有样本的概率应该最大，即似然函数L应达到最大。

步骤S22、分别拟合妊娠概率P与各因素指标(X₁、X₂、……X_J)的关联函数。

……

采用Newton-Raphson迭代方法使得上述等式的最大似然函数L达到最大，估计出此时的参数β₀₁、β₀₂、……β_0J以及β₁₁、β₁₂、……β_1J等。其中β₀₁、β₀₂、……β_0J等为等式的常数项参数，而β₁₁、β₁₂、……β_1J分别表示所关注指标X₁、X₂、……X_J每增加1个单位时，logit(P)的增加幅度，可以反映X₁、X₂、……X_J与怀孕概率P的关联强度，|β|越大，表示二者关联越密切。

进一步采用Wald方法检验参数β₁₁、β₁₂、……β_1J的统计学意义，分别计算

其中S_β1j为β_1j的标准差。根据计算得到的χ²值以及卡方概率密度分布，采用微积分法计算P_检验统计值，并与业界通用的统计检验水准0.05进行比较，筛选出P_检验统计<0.05的指标纳入进一步多元模型的变量。当然，根据不同的精确度需求，阈值可不限定为0.05，亦可为其它值。

步骤S23、筛选其中的变量建立育龄夫妇一年妊娠概率Logistic多因素回归预测模型。

对所有多分类变量，进行虚拟变量转换，即：当X_j为多分类变量，且分类数量为h时，则转换为h-1个系列虚拟变量(X_j1、X_j2……X_j(h-1))，也可称之为哑变量，每个变量的取值为0或1。当Xj取值为参考类别h时，X_j1、X_j2、……X_(j(h-1))均取0；当X_j取值为类别1时，X_j1＝1，其余虚拟变量取值为0；当X_j取值为类别2时，X_j2＝1，其余虚拟变量取值为0；以此类推。相关的转换矩阵如下：

从表中可知，如果当某个个体原X_j变量取值为类别2时，共构建新的哑变量h-1个，其中X_j2＝1，其余哑变量均等于0。

此时，计算X_j与妊娠概率P的关联，则可构造函数：

其中，α_j2的含义即：相比于X_j为参考组类别h的人群，X_j为类别2的人群怀孕概率logit(P)的变化，其余α_j(h-1)值的含义以此类推。只要有一个哑变量X_jh的α_jh通过Wald检验且P_检验统计<0.05，则将X_j纳入到进一步多元模型中，且保留所有哑变量(X_j1、X_j2……X_j(h-1))。

将上述筛选出的变量与育龄夫妇一年妊娠概率P建立Logistic多元回归模型，重新拟合各个变量权重β_j，模型拟合如下：

其中X₁、X₂、……X_J为上一步筛选出的P_检验统计<0.05的变量，而此处β₀为常数项参数；X_j1、…、X_j(h-1)表示X_j变量在不同取值时生成的哑变量；β₁、β₂……β_J分别表示所关注指标X₁、X₂、……X_J每增加1个单位时，logit(P)的增加幅度，可以反映X₁、X₂、……X_J与怀孕概率P的关联强度，|β|越大，表示二者关联越密切。

本实施例中，采用最大似然函数估计出所有参数以后，还对模型进行拟合优度检验，以评估模型的适用性。计算检验统计量Q_p和Q_L，所用公式如下：

其中y＝0,1表示结局变量的不同取值，h表示所有的预测因子组合数，从1到s，例如(X₁＝1、X₂＝0、……X_h＝0)为一种组合，定义为h＝1。根据数学原理，s等于每一个分类变量X_j分类数的乘积。其中，A_h1表示，在预测因子组合为h时，发生怀孕(y＝1)的实际人数，而同理A_h0表示该情况下不怀孕(y＝0)的实际人数。T_hy则表示，在预测因子组合为h时，根据本发明构建的logistic预测模型，应该怀孕(y＝1)或不怀孕(y＝0)的理论人数。上述公式计算得出的统计量Q_p和Q_L均满足卡方概率密度分布。应用微积分求得对应Q_p和Q_L值的P_检验，如果P>0.05，提示模型拟合良好，最终模型通过检验。

步骤S3：将所述预测模型可视化，绘制Nomogram图，为每一个预测的风险因素计算风险评分，并根据各风险因素的评分相加得到总评分；

诺莫图(Nomogram图)是建立在多因素回归分析的基础上，将多个预测指标进行整合，然后采用带有刻度的线段，按照一定的比例绘制在同一平面上，从而用以表达预测模型中各个变量之间的相互关系。诺莫图的基本原理，就是通过构建多因素回归模型(常用的回归模型，例如Cox回归、Logistic回归等)，根据模型中各个影响因素对结局变量的贡献程度(回归系数的大小)，给每个影响因素的每个取值水平进行赋分，然后再将各个评分相加得到总评分，最后通过总评分与结局事件发生概率之间的函数转换关系，从而计算出该个体结局事件的预测值。诺莫图将复杂的回归方程，转变为了可视化的图形，使预测模型的结果更具有可读性，方便对患者进行评估。

为了确定每个影响因素指标Xj实际取值对应的妊娠风险评分。首先，确定每个因素X_j的基础参考值M_iRef。由于本模型中X_j均为分类变量，且已做哑变量处理，因此所有变量的参考值组赋值均为0，即M_Refj＝0。以β_j作为衡量每一个影响因素对结局Y的影响效应“尺度”，则任意一个影响因素X_j与基础参考值之间的距离均为(X_j-M_Refj)*β_j。

然后，设定一个常数B，假定β_j每增高B设定为妊娠概率增加1分，则每个影响因素X_j实际取值对应的风险评分计算方式为：

其中j为所关注的影响因素个数，1～J。

其次，确定数据库中每个个体妊娠概率评分的总得分

最后，确定Z_Total与预测一年妊娠概率P_prediction的关联。

由于模型中每个变量均为分类变量，M_Refj＝0，则模型可简化为：

其中，β₀为logistic回归模型中估计得到的常数项参数。

步骤S4：根据总评分与结局事件发生概率之间的关系，计算出某个体发生妊娠事件的概率预测值。

举例来说，如果育龄妇女为24岁，根据建模得到的诺莫图，得分为96分；家庭中无子女，得分52分；无妊娠史，得分5分；月经规律，得分10分；经量正常，得分9分；无痛经，得分11分；体质指数正常，得分10分；无高血压，得分10分；不吸烟，得分19分；不饮酒，得分20分；男性28岁，得分55分；体质指数正常，得分6分；无高血压，得分4分；不吸烟，得分5分；不饮酒，得分10分；总分为322分，对应的育龄夫妇一年妊娠概率就约为85.06％。

在获得预测模型后，还通过剩余的训练集对构建的多元回归模型进行内部验证和外部验证，采用多重验证方式，以提高模型的精度。

(1)内部验证

根据公式可计算出训练集数据库中所有个体的一年妊娠预测概率，与实际妊娠情况进行比对。利用受试者工作特征曲线(Receiver Operating Characteristic curve，ROC)进行准确度分析。将根据不同的妊娠预测概率作为“临界值”，对样本进行二分类(妊娠组/非妊娠组)，并将其与实际怀孕情况做比较，计算灵敏度和特异度。

可以作为“临界值”的妊娠概率，连续分布在0-1之间。将每一个临界值的灵敏度作为纵坐标，“1-特异度”作为横坐标，即可拟合成弧形曲线。通过微积分计算曲线下面积，以评估模型预测妊娠概率的效果。如图2所示，阴影部分为曲线下面积(AUC)。AUC的取值范围在0.5-1.0之间，越接近1.0，说明模型预测效果越好。

(2)外部验证

根据公式，对验证集30％的个体进行一年妊娠概率预测，并与实际妊娠情况进行对比。同样利用受试者工作特征曲线进行预测准确度评估。

此外，由于本发明根据上述公式求得每个变量的Z_j值以及P_prediction公式生成了一种育龄夫妇一年妊娠概率预测可视化工具，便于育龄夫妇随时随地输入个人信息，即时获得测评结果，有针对性地制定备孕计划，也便于更大范围内的推广应用。

参照图3所示，本发明的另一实施例还提供了一种育龄夫妇妊娠概率的智能预测系统，该系统包括：数据采集模块、模型构建模块、可视图转化模块、分值计算模块和预测模块，其中，

数据采集模块，用于采集影响育龄夫妇生育力的多个数据信息(包括夫妇基本人口学资料、孕育史、月经情况、不良生活行为史以及少量可自我监测的常规健康指标等)，将这些数据进行数据标准化处理，以便使得计算机能够识别，建立育龄夫妇一年妊娠概率与影响因素的关联数据库；

模型构建模块，用于从数据库中提取部分数据集(比如选取70％的训练集)进行训练，筛选各因素指标并与育龄夫妇一年妊娠概率构建多因素回归预测模型；

可视图转化模块，用于将多因素回归预测模型可视化，此处的可视化是通过计算机语言绘制Nomogram图。

分值计算模块，用于为每一个预测的风险因素计算风险评分，并根据各风险因素的评分相加得到总评分；不同的风险因素，其取值有差异，对结果变量的影响大小也不同。

预测模块，根据总评分与结局事件发生概率之间的关系，计算出某个体发生妊娠事件的概率预测值。这样，只需要育龄夫妇各自输入自己的基本信息后，便可通过预测模块生成发生妊娠的概率预测值。

为了评估模型的准确性，对模型进行校验，本系统还设置有验证模块，验证模块通过剩余的验证集(30％的验证集)对构建的所述多元回归模型进行内部验证和外部验证，并校准受试者工作特征曲线。

本发明基于育龄夫妇的妊娠队列，考虑了影响生育力的多方面因素，开发了一种育龄夫妇一年妊娠概率智能预测的方法及系统，能够基于育龄夫妇的基本人口学资料、孕育史、月经情况、不良生活行为史，以及可自我监测的常规健康指标，无需在生殖健康专科医院或综合医院的辅助生殖门诊进行专门的医学检查，只需通过本发明的方法及系统，即可计算得到妊娠风险评分，并实现育龄夫妇一年妊娠概率的预测。本系统具有使用非常便捷友好，在系统内输入页面分别输入夫妇个人基本信息，点击评估后瞬间输出一年妊娠概率预测结果。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种育龄夫妇妊娠概率的智能预测方法，其特征在于，该方法包括：

根据总评分与结局事件发生概率之间的关系，计算出某个体发生妊娠事件的概率预测值，其中，确定总评分与结局事件发生概率之间的关系包括：

设定一个常数B，假定影响因素X _j的权重β _j每增高B，妊娠风险评分增加1分，则每个影响因素X _j实际取值对应的风险评分计算方式为：

其中，j为所关注的影响因素编号，取值范围为1~J，(X _j-M _Refj)*β _j 为任意一个影响因素X _j 与基础参考值M _Refj 之间的距离；

确定数据库中每个个体妊娠概率评分的总得分：

确定Z _Total与预测一年妊娠概率P _prediction的关系：

；

取M_Refj=0，将模型可简化为：

，其中β ₀为logistic回归模型中估计得到的常数项参数。

2.根据权利要求1所述的智能预测方法，其特征在于，所述方法还包括，通过剩余的数据集对构建的所述多因素回归预测模型进行内部验证和外部验证，并校准受试者工作特征曲线。

3.根据权利要求1所述的智能预测方法，其特征在于，构建多因素回归预测模型包括：采用最大似然估计法，构建样本似然函数，分别拟合妊娠概率与各因素指标的关联函数，筛选其中的变量与育龄夫妇一年妊娠概率建立Logistic多因素回归预测模型。

4.根据权利要求3所述的智能预测方法，其特征在于，从多个因素指标中筛选出通过检验统计方法计算的概率值小于预设阈值的指标纳入模型的变量中，并对纳入的所有多分类变量进行哑变量转换。

5.根据权利要求3或4所述的智能预测方法，其特征在于，在建立Logistic多因素回归预测模型，并计算模型所有的参数后，还对模型进行拟合优度检验。

6.根据权利要求5所述的智能预测方法，其特征在于：

将各因素指标分别定义为X ₁、X ₂、……X _J，采用最大似然估计法，构建样本似然函数L：

，其中，P_i

表示第i例观察对象在暴露条件下怀孕的概率，根据实际是否怀孕，取值Y_i

=1或0；

分别拟合妊娠概率P与各因素指标的关联，如下：

采用迭代运算使得上述的似然函数L达到最大，估计出此时的参数β ₀₁、β ₀₂、……β _0J以及β ₁₁、β ₁₂、……β _1J，其中β ₀₁、β ₀₂、……β _0J等为等式的常数项参数，而β ₁₁、β ₁₂、……β _1J分别表示所关注的指标X ₁、X ₂、……X _J每增加1个单位时，logit(P)的增加幅度；

采用Wald方法检验参数β ₁₁、β ₁₂、……β _1J的统计学意义，分别计算：

其中，S _β1j

为β _1j的标准差，根据计算得到的χ²

值以及卡方概率密度分布，采用微积分法计算P _检验统计值，并与业界通用的统计检验水准0.05进行比较，筛选出P _检验统计 <0.05的指标纳入进一步回归模型的变量；

如果X _j为多分类变量，进行虚拟变量转换，当X _j分类数量为h时，则转换为h-1个系列虚拟变量（ X _j1、X _j2……X _j(h-1)），每个变量的取值为0或1，当X _j取值为类别1时，X _j1=1，其余虚拟变量取值为0；当X _j取值为类别2时，X _j2=1，其余虚拟变量取值为0，当X _j取值为参考类别h时， X _j1、X _j2……X _j(h-1)均为0，此时，计算X _j与妊娠概率P的关联，则可构造函数：

其中α _j(h-1)表示相比于X _j为参考类别的人群，X _j取值为(h-1)类别的人群怀孕概率logit(P)的变化。

7.根据权利要求6所述的智能预测方法，其特征在于，将上述筛选出的变量与育龄夫妇一年妊娠概率P建立Logistic多元回归模型，重新拟合各个变量的权重β_j，模型拟合如下：

其中，X ₁、X ₂、……X _J为上一步筛选出的P _检验统计 <0.05 的变量，而此处β ₀为常数项参数；

在采用最大似然函数估计出所有参数以后，对模型进行拟合优度检验，

，其中，y=0、1分别表示结局变量的不同取值，h表示所有的预测因子组合，从1到s，A_hy表示在预测因子组合为h时，未怀孕y=0或发生怀孕y=1的实际人数，T_hy表示，在预测因子组合为h时，根据构建的logistic预测模型，未怀孕y=0或发生怀孕y=1的理论人数，通过公式计算所得的统计量Q _p和Q _L均满足卡方概率密度分布，应用微积分求得对应Q _p和Q _L值的P _检验。

8.一种育龄夫妇妊娠概率的智能预测系统，其特征在于，所述系统包括，数据采集模块、模型构建模块、可视图转化模块、分值计算模块和预测模块，其中，

所述可视图转化模块，用于将多因素回归预测模型可视化；

所述预测模块，根据总评分与结局事件发生概率之间的关系，计算出某个体发生妊娠事件的概率预测值，其中，确定总评分与结局事件发生概率之间的关系包括：

设定一个常数B，假定β _j每增高B设定为妊娠概率增加1分，则每个影响因素X _j实际取值对应的风险评分计算方式为：

Figure 564907DEST_PATH_GDA0003153775190000121

其中，j为所关注的影响因素个数，取值范围为1~J，(X _j-M _Refj)*β _j 为任意一个影响因素X _j 与基础参考值M _Refj 之间的距离；

确定数据库中每个个体妊娠概率评分的总得分：

Figure 544365DEST_PATH_GDA0003153775190000122

确定Z _Total与预测一年妊娠概率P _prediction的关系：

，

取M_Refj=0，将模型可简化为：

，其中β ₀为logistic回归模型中估计得到的常数项参数。

9.根据权利要求8所述的智能预测系统，其特征在于，还包括验证模块，所述验证模块通过剩余的数据集对构建的所述多因素回归预测模型进行内部验证和外部验证，并校准受试者工作特征曲线。