📄 obstetrics and gynecology

Modeling cycle phases using hormone trajectories in women with and without polyendocrine metabolic ovarian syndrome

Diese Studie nutzt selbst erfasste Harnhormondaten, um ein autoregressives Hidden-Markov-Modell zu entwickeln, das die Phasen des Menstruationszyklus präzise abbildet, deutliche hormonelle Unterschiede bei Frauen mit polyendokrinem metabolischem Ovarsyndrom (PMOS) aufzeigt und das Potenzial des Modells für ein nicht-invasives PMOS-Screening sowie verbesserte klinische Testprotokolle demonstriert.

Ursprüngliche Autoren: Stujenske, T. M., Bouchard, T. P., Troy, A., Kelemen, S., Folino, B., Wills, T., Sugden, L. A.

Veröffentlicht 2026-06-04

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Stujenske, T. M., Bouchard, T. P., Troy, A., Kelemen, S., Folino, B., Wills, T., Sugden, L. A.

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Stellen Sie sich Ihren Menstruationszyklus als eine komplexe, 28-tägige Autofahrt vor. Jahrzehntelang haben Ärzte versucht, diese Reise zu kartografieren, indem sie Ihren Standort basierend auf dem Kalenderdatum bestimmen – so als würde man sagen: „An Tag 14 sollten Sie am Grand Canyon sein.“ Aber das Problem ist, dass jede Reise anders verläuft. Manche fahren schnell, manche langsam, und manche bleiben im Stau stecken. Wenn man nur den Kalender betrachtet, übersieht man den Grand Canyon vielleicht komplett, weil man bereits an Tag 12 oder erst an Tag 18 dort ankommt.

Dieses Paper stellt eine intelligentere Methode vor, um diese Reise zu kartografieren – mithilfe eines „GPS“, dem das Datum egal ist, das aber darauf achtet, welche Landschaft (Ihre Hormonwerte) Sie gerade sehen.

Hier ist die Aufschlüsselung der Studie in einfachen Worten:

1. Das Problem: Der Kalender ist eine schlechte Karte

Die Forscher untersuchten Daten von über 1.100 Frauen, die ein Heimgerät (den Mira-Monitor) verwendeten, um ihren Urin auf drei Schlüsselhormone zu testen:

E13G: Eine Form von Östrogen (das „Aufbau“-Hormon).
LH: Luteinisierendes Hormon (der „Auslöser“, der die Ovulation signalisiert).
PDG: Eine Form von Progesteron (das „Erhaltungs“-Hormon nach der Ovulation).

Die alte Methode besteht darin, Frauen zu sagen: „Testen Sie Ihre Hormone an Tag 13, 14 und 15.“ Da Zyklen jedoch extrem variieren können, ist dies so, als würde man einen Fahrer auffordern, um 14:00 Uhr nach einem bestimmten Berg Ausschau zu halten. Wenn er einer anderen Route folgt, verpasst er ihn vielleicht.

2. Die Lösung: Das „Smart GPS“ (arHMM)

Das Team entwickelte ein Computermodell namens autoregressives Hidden Markov Modell (arHMM). Denken Sie an dies als ein intelligentes GPS, das die Uhrzeit ignoriert und statlich nur auf die Straßenschilder achtet.

Wie es funktioniert: Anstatt zu fragen: „Welcher Tag ist heute?“, fragt das Modell: „Was macht das Hormon genau jetzt?“ Steigt es an? Fällt es ab? Bleibt es flach?
Die sechs Zonen: Das Modell unterteilt den Zyklus in sechs verschiedene „Zonen“ oder Phasen basierend auf diesen Hormonbewegungen statt nach Kalendertagen:
1. Frühe Follikelphase: Der Reset-Knopf (die Hormone sind niedrig).
2. Späte Follikelphase: Das Hochfahren (Östrogen beginnt zu steigen).
3. Periovulatorische Phase: Der Höhepunkt (LH schießt wie eine Rakete nach oben).
4. Frühe Lutealphase: Die unmittelbare Folge (Östrogen sinkt, Progesteron beginnt zu steigen).
5. Mittlere Lutealphase: Das Plateau (Progesteron ist hoch).
6. Späte Lutealphase: Das Herunterfahren (Hormone sinken vor der nächsten Periode).

Da das Modell der Form der Hormonkurve folgt, funktioniert es perfekt für Frauen mit kurzen Zyklen, langen Zklusen oder unregelmäßigen Zyklen.

3. Was sie herausfanden: Der „PMOS“-Unterschied

Die Forscher verglichen Frauen mit gesunden Zyklen mit Frauen, die selbst berichtet hatten, an PMOS (Polyendokrines Metabolisches Ovariales Syndrom, früher bekannt als PCOS) zu leiden. Sie fanden deutliche Unterschiede darin, wie das „GPS“ deren Reisen kartografierte:

Der fehlende Schub: Bei gesunden Frauen ist der „LH-Trigger“ (Phase 3) ein massiver, scharfer Anstieg. Bei Frauen mit PMOS war dieser Schub viel schwächer und niedriger.
Die schwache Erhaltung: Nach dem Trigger haben gesunde Frauen einen starken, stetigen Anstieg des Progesterons (Phase 5). Frauen mit PMOS hatten hier deutlich niedrigere Werte, was darauf hindeutet, dass ihr „Motor“ nach dem Trigger nicht so reibungslos lief.
Das lange Warten: Frauen mit PMOS verbrachten signifikant mehr Zeit in der „Hochfahrphase“ (Phase 2), bevor der Trigger überhaupt stattfand. Es ist, als säßen sie tagelang im Stau, bevor sie endlich auf die Autobahn gelangen.

4. Warum das wichtig ist (laut dem Paper)

Die Forscher testeten zwei Wege, um Hormone zu überprüfen:

Der Kalender-Weg: Überprüfung an festen Tagen (z. B. Tage 13–16).
Der GPS-Weg: Überprüfung, wenn das Modell sagt, dass man sich in der spezifischen „LH-Surge“-Phase befindet.

Das Ergebnis: Der GPS-Weg war viel besser darin, die tatsächlichen Hormonereignisse zu erfassen. Der Kalender-Weg verpasste den Höhepunkt oft komplett, weil der Zyklus der Frau nur wenige Tage vom Zeitplan abwich.

5. Der „Detektiv“-Test

Schließlich nutzten die Forscher die Daten aus diesem GPS-Modell, um zu sehen, ob sie allein durch das Betrachten der Hormonmuster feststellen konnten, ob eine Frau PMOS hat.

Sie fütterten die Ergebnisse des Modells (wie „schwacher LH-Schub“ oder „lange Hochfahrzeit“) in einen Computer-Klassifizierer.
Das Ergebnis: Der Computer konnte korrekt identifizieren, ob eine Frau PMOS hatte oder gesund war, und zwar in etwa 78 % der Fälle.

Das Fazit

Dieses Paper behauptet nicht, PMOS zu heilen oder eine ärztliche Diagnose zu ersetzen. Es zeigt vielmehr, dass wir durch die Verwendung eines „smarten GPS“, das Hormon-Bewegungen statt nur Kalendertage verfolgt, folgendes erreichen können:

Ein viel klareres Bild davon zu bekommen, was tatsächlich im Körper passiert.
Die spezifischen „Staus“ und „schwachen Motoren“ zu erkennen, die bei PMOS auftreten.
Potenzial für das Screening dieser Zustände mittels nicht-invasiver Heimtests zu bieten, anstatt darauf zu warten, dass ein Arzt den richtigen Tag für eine Blutuntersuchung errät.

Es verwandelt den Menstruationszyklus von einem verwirrenden Kalender-Rätsel in eine lesbare Karte des einzigartigen Rhythmus Ihres Körpers.

Technische Zusammenfassung: Modellierung von Zyklusphasen mittels Hormontrajektorien bei Frauen mit und ohne polyendokrines metabolisches Ovarsyndrom (PMOS)

Problemstellung
Menstruationsbedingte Störungen wie das polyendokrine metabolische Ovarsyndrom (PMOS, ehemals polyzystisches Ovarsyndrom) betreffen etwa 10 % der Frauen im reproduktiven Alter. Eine wesentliche Barriere für die Früherkennung und Charakterisierung dieser Störungen ist die Abhängigkeit von klinischen Protokollen mit festen Zyklustagen (z. B. Tests an den Tagen 13–16 oder 19–22). Diese Protokolle berücksichtigen nicht die erhebliche interindividuelle Variabilität in der Zykluslänge und dem Timing physiologischer Ereignisse, insbesondere bei Frauen mit unregelmäßigen Zyklen. Darüber hinaus sind traditionelle Modelle, die auf durchschnittlichen Zyklusparametern basieren, für die Vorhersage von Phasen bei unregelmäßigen Zyklen ungenau. Obwohl Technologien zur häuslichen Urin-Hormonverfolgung (z. B. der Mira Monitor) nun hochauflösende quantitative Daten liefern, mangelt es an computergestützten Frameworks, die in der Lage sind, die täglichen Hormondynamiken zu modellieren, um physiologisch bedeutsame Phasen über diverse Populationen hinweg zu definieren.

Methodik
Diese Studie nutzte eine Sekundäranalyse von selbst erfassten urinen Reproduktionshormon-Daten (Estron-3-Glucuronid [E13G], Luteinisierendes Hormon [LH] und Pregnanediol-Glucuronid [PDG]), die von über 1.100 Personen (277 gesunde Kontrollen und 841 mit selbstberichtetem PMOS) via Mira Monitor gesammelt wurden. Der Datensatz umfasste über 3.800 Menstruationszyklen.

Die zentrale methodische Innovation war die Entwicklung eines autoregressiven Hidden Markov Modells (arHMM), um Zyklustage auf latente physiologische Phasen abzubilden. Der Ansatz umfasste:

Datenkuratierung und Indizierung: Ein kuratierter Satz gesunder Kontrollzyklen (24–38 Tage) wurde verwendet, um das Modell zu trainieren. Es wurden drei Indizierungsstrategien angewandt, um die Daten auszurichten: Vorwärts-Indizierung (Tag 1 = Beginn der Blutung), Rückwärts-Indizierung (Tag -1 = Zyklusende) und LH-Indizierung (Tag 0 = Peak des LH-Surges).
Phasendefinition: Sechs distinkte Phasen wurden basierend auf der gerichteten Trajektorie der Hormone (steigend, fallend oder konstant) definiert:
- Phase 1: Frühe Follikelphase (Tage 1–5).
- Phase 2: Späte Follikelphase (10 bis 2 Tage vor dem LH-Surge).
- Phase 3: Periovulatorische Phase (2 bis 0 Tage vor dem LH-Surge).
- Phase 4: Frühe Lutealphase (0–4 Tage nach dem LH-Surge).
- Phase 5: Mittlere Lutealphase (9–5 Tage vor dem Zyklusende).
- Phase 6: Späte Lutealphase (letzte 5 Tage).
Modellarchitektur: Das arHMM nutzte eine Übergangsmatrix, die die sequentielle Progression durch die Phasen 1–6 erzwingt. Das Emissionsmodell war autoregressiv und sagte den Hormonwert an Tag $i$ ( $X_i$ ) basierend auf dem Wert an Tag $i-1$ ( $X_{i-1}$ ) und der aktuellen latenten Phase ( $Y_i$ ) voraus. Dies ermöglichte es, tägliche Trajektorien (Steigungen) statt absoluter Hormonkonzentrationen zu erfassen, wodurch die Variabilität der absoluten Konzentrationen zwischen Individuen kompensiert wurde.
Merkmalsextraktion und Klassifizierung: Individuelle Merkmale wurden aus dem Modellausgang extrahiert, einschließlich Hormonstatistiken (Min, Max, Mittelwert, Median, SD) innerhalb jeder Phase, Phasendauern und Modell-Fit-Scores. Ein Random-Forest-Klassifikator wurde auf diesen Merkmalen trainiert, um zwischen Individuen mit PMOS und gesunden Kontrollen zu unterscheiden.
Ovulationsproxy: Zyklen wurden basierend auf einer Schwellenwertanalyse der PDG-Werte in Phase 5 im Verhältnis zu den Baselines in Phase 3 als ovulatorisch oder anovulatorisch klassifiziert.

Kernergebnisse

Modellleistung: Das arHMM konnte die erwarteten Hormontrajektorien über die sechs Phasen hinweg erfolgreich reproduzieren, einschließlich des E13G-Anstiegs in der späten Follikel-/periovulatorischen Phase, der LH-Surges in der periovulatorischen Phase und der PDG-Anstiege in der Lutealphase.
Phasenbasierte vs. Kalendertages-Tests: Im Vergleich der Hormonwerte in arHMM-abgeleiteten Phasen gegenüber festen Kalendertagen zeigte die phasenbasierte Testung eine signifikant bessere Leistung als die festen Tagesprotokolle. Insbesondere waren die maximalen LH-Werte in Phase 3 und die mittleren PDG-Werte in Phase 5 signifikant höher als die durch Standard-Kalendertage (13–16 bzw. 19–22) erfassten Werte ( $p < 0,001$ ); dies deutet darauf hin, dass feste Tagesprotokolle physiologische Spitzenereignisse oft verpassen.
PMOS-Phänotypisierung: Distinkte phasspezifische Unterschiede wurden zwischen gesunden Kontrollen und der PMOS-Gruppe identifiziert:
- LH: Niedrigere LH-Werte in Phase 3 (periovulatorisch) für die PMOS-Gruppe.
- PDG: Reduzierte PDG-Werte in den Phasen 5 und 6 (mittlere und späte Lutealphase) für die PMOS-Gruppe.
- E13G: Generell höhere E13G-Werte über die Phasen hinweg in der PMOS-Gruppe, wenngleich die Muster heterogen waren.
- Phasendauer: PMOS-Zyklen verbrachten signifikant mehr Zeit in Phase 2 (späte Follikelphase) im Vergleich zu den Kontrollen ( $p < 0,001$ ), was konsistent mit Oligomenorrhö ist.
Klassifizierungsgenauigkeit: Unter Verwendung der arHMM-abgeleiteten Hormon- und Phasendauer-Merkmale erreichte der Random-Forest-Klassifikator eine Genauigkeit von 78,4 % bei der Unterscheidung des PMOS-Status. Die Einbeziehung von Zykluslängen-Merkmalen verbesserte die Genauigkeit leicht auf 79,2 %.
Ovulatorischer Status: Zyklen in der PMOS-Gruppe erfüllten seltener die PDG-basierten Schwellenwerte für Ovulation im Vergleich zu gesunden Kontrollen, was mit den klinischen Erwartungen an anovulatorische Dysfunktionen bei PMOS übereinstimmt.

Bedeutung und Ansprüche
Das Paper behauptet, dass das arHMM-Framework einen neuartigen, biologisch fundierten Ansatz zur Modellierung der Menstruationszyklusdynamik bietet, der die Einschränkungen fester klinischer Tagesprotokolle überwindet. Durch die Fokussierung auf gerichtete Trajektorien statt absoluter Werte kann das Modell die natürliche Variabilität der Zykluslänge und des Ovulationszeitpunkts berücksichtigen.

Die Autoren führen aus, dass dieser Ansatz das Potenzial zeigt, für:

Nicht-invasive Screening-Verfahren: Eine Methode zur Untersuchung von PMOS und zur Charakterisierung der reproduktiven Gesundheit unter Verwendung von Selbst-Tracking-Daten mit einer Genauigkeit von ~78 % bereitzustellen.
Verbesserte klinische Protokolle: Die Limitationen der festen Tages-Testung aufzuzeigen und eine phasenbasierte zeitliche Abstimmung vorzuschlagen, die insbesondere für Personen mit unregelmäßigen Zyklen genauere hormonelle Beurteilungen ermöglichen könnte.
Physiologische Erkenntnisse: Die Identifizierung latenter Sub-Phasen und distinkter Hormonsignaturen im Zusammenhang mit PMOS zu ermöglichen, wie etwa reduziertes luteales Progesteron und periovulatorische LH-Defizite.

Die Studie schließt mit dem Schluss, dass die Integration von probabilistischer Modellierung mit häuslicher quantitativer Hormonverfolgung einen Schritt in Richtung skalierbarer, personalisierter reproduktiver Gesundheitsüberwachung darstellt, räumt jedoch ein, dass eine zukünftige Validierung in größeren, diverseren Kohorten mit Ultraschall-bestätigter Ovulation und wohldefinierten PMOS-Phänotypen erforderlich ist.