IVF (체외 수정) 임신율은 통상적으로 환자 수준의 변수들을 사용하여 모델링되지만, 고해상도 실험실 환경 데이터는 여전히 충분히 활용되지 못하고 있습니다. 우리는 이것이 놓쳐진 기회임을 보여줍니다. 가공되지 않은 센서 평균값에 의존하는 대신, 우리는 인큐베이터 미세 환경의 역학을 포착하는 이동 열 안정성 (rolling thermal stability), 온도-습도 동시 준수 (simultaneous temperature-humidity adherence), 피크 스트레스 지속 시간 (peak stress duration), 스트레스 후 회복 속도 (post-stress recovery speed)를 포함한 55개의 문맥 인식 시계열 특징 (context-aware temporal features)을 설계했습니다. 아시아 IVF 클리닉의 61주간 데이터를 대상으로 한 결과, 이러한 특징들은 교차 검증 예측 오차를 가공되지 않은 평균값의 3~5%와 비교하여 1.27%로 감소시켰습니다. 그런 다음 우리는 부분 풀링 (partial pooling)을 통해 아시아와 북유럽 클리닉 간의 환경 효과를 공유하면서도, 사이트별 기준선 (site-specific baselines)을 보존하는 계층적 베이지안 베타 회귀 (hierarchical Bayesian Beta regression) 모델을 학습시켰습니다. 북유럽 클리닉의 홀드아웃 (held-out) 데이터에서 이 모델은 $R^2 = 0.86$을 달성하였으며, 단순 기준선 (naive baseline) 대비 35-39세 연령층에서 64%의 오차 감소를 보여줌으로써, 구조화된 환경 모니터링이 임상적으로 의미 있고 전이 가능한 신호를 포함하고 있음을 입증했습니다.