A digital health approach for identifying polyendocrine metabolic ovarian syndrome using machine learning and body temperature

Stellen Sie sich vor, Ihr Körper wäre wie ein hochtechnologisches Orchester, bei dem jedes Instrument eine spezifische Note spielt, um den Rhythmus Ihres Lebens aufrechtzuerhalten. Manchmal gerät der Dirigent ein wenig durcheinander, und die Musik fließt nicht ganz richtig. Eine häufige Verwechslung im weiblichen Körper ist ein Zustand namens Polyendokrines Metabolisches Ovarial-Syndrom (PMOS), das früher als Polyzystisches Ovarial-Syndrom (PCOS) bekannt war. Betrachten Sie es als einen Fehler im hormonellen Orchester, der es schwierig machen kann, ein Ei (Ovulation) pünktlich freizusetzen. Da die Symptome so vielfältig sind – manche werden laut und deutlich artikuliert, andere flüstern sie kaum –, wird geschätzt, dass bis zu 70 % der Menschen mit diesem Zustand gar nicht wissen, dass sie ihn haben. Sie versuchen vielleicht, ein Baby zu bekommen oder einfach nur, ihren Körper zu verstehen, aber man hat ihnen noch nicht den Namen der Melodie verraten, die sie gerade spielen.

Um herauszufinden, ob das Orchester aus dem Takt geraten ist, schauen Ärzte normalerweise auf eine spezifische „thermische Verschiebung“. In einem gesunden, regelmäßigen Zyklus wirkt die Körpertemperatur wie ein Thermostat, der nach der Freisetzung eines Eies eine Stufe höher dreht. Wenn dieser Temperatursprung niemals stattfindet, ist das ein starker Hinweis darauf, dass das Ei nicht freigesetzt wurde. Stellen Sie sich nun vor, Sie hätten ein winziges, superintelligentes Thermometer, das die ganze Nacht lang, jede Nacht, Ihre Körpertemperatur beobachten könnte, ohne dass Sie etwas tun müssen, außer zu schlafen. Das ist die Idee hinter tragbaren Geräten wie Smart Rings oder vaginalen Sensoren. Sie sammeln eine enorme Menge an Temperaturdaten und erstellen so einen einzigartigen „thermischen Fingerabdruck“ für jede Person. Die große Frage, die sich Wissenschaftler stellen, lautet: Können wir einen Computer lehren, auf diese thermischen Fingerabdrücke zu hören und zu sagen: „Hey, dieser Rhythmus sieht ein bisschen nach PMOS aus“, noch bevor die Person überhaupt eine Arztpraxis betritt?

Genau das wollte ein Team von Forschern der University of Bristol testen. Sie wollten sehen, ob sie maschinelles Lernen – im Wesentlichen das Lehren eines Computers, Muster zu erkennen – verwenden können, um Menschen mit PMOS allein durch das Betrachten ihrer Körpertemperaturdaten zu identifizieren. Sie betrachteten nicht nur eine einzige Nacht; sie betrachteten die ganze Geschichte eines Menstruationszyklus, der wie ein Kapitel in einem Buch ist. Sie sammelten Daten von 387 Frauen, die bereits einen vaginalen Temperaturmonitor namens OvuSense verwendeten. Diese Frauen füllten zudem einen Fragebogen aus, um den Forschern mitzuteilen, ob sie jemals von einem Arzt eine PMOS-Diagnose erhalten hatten oder ob sie Medikamente dafür einnahmen.

Die Forscher behandelten die Temperaturdaten jeder Frau wie ein komplexes Puzzle. Sie brachen die Daten auf zwei Arten der Betrachtung herunter: auf der „Zyklusebene“ (Betrachtung eines Monats nach dem anderen) und auf der „Nutzerebene“ (die gesamte Geschichte einer Person über drei Monate hinweg). Sie erfanden einen speziellen „Referenzzyklus“, der wie eine perfekte, idealisierte Version eines gesunden Temperaturmusters ist, und maßen dann, wie sehr die tatsächliche Temperaturkurve jeder Frau von dieser perfekten Linie abwich. Sie nutzten drei verschiedene Arten von „Computergehirnen“ – Logistische Regression, Support Vector Machines und Random Forests –, um zu versuchen, wer basierend auf diesen thermischen Schwankungen PMOS hatte.

Die Ergebnisse waren vielversprechend, aber nicht perfekt. Die Computermodelle konnten den Unterschied zwischen Frauen mit PMOS und solchen ohne erkennen, aber sie waren keine übermenschlichen Detektive. Das beste Modell, ein Random Forest, lag etwa 70 % der Zeit richtig, wenn es die Daten der gesamten Person betrachtete, und etwa 68 % der Zeit, wenn es nur einen einzelnen Zyklus betrachtete. Um dies einzuordnen: Wenn man eine Münze warf, läge man 50 % der Zeit richtig; diese Modelle machten das besser als ein Münzwurf, aber sie waren nicht perfekt. Der wichtigste Hinweis, den die Computer fanden, war die Länge des Zyklus selbst. Genau wie ein langes, in die Länge gezogenes Lied auf ein anderes Genre hindeuten kann, waren längere Menstruationszyklen ein starker Hinweis darauf, dass eine Frau möglicherweise PMOS hat.

Die Studie legt nahe, dass die Nutzung der Körpertemperatur durch Wearables ein hilfreiches Werkzeug zur Identifizierung nicht diagnostizierter PMOS-Fälle sein könnte, insbesondere bei Menschen, die nicht aktiv nach einer Diagnose suchen. Die Autoren mahnen jedoch zur Vorsicht und sagen, dass dies noch kein magisches Allheilmittel ist. Die Modelle waren „angemessen kalibriert“, was bedeutet, dass ihre Vorhersagen im Allgemeinen vertrauenswürdig waren, aber die Konfidenzintervalle waren breit, wie eine Wettervorhersage, die sagt: „Es könnte regnen“, mit einem großen Bereich an Möglichkeiten. Sie merkten auch an, dass ihre Daten von Frauen stammten, die bereits ein bestimmtes Gerät nutzten, um schwanger zu werden, sodass die Ergebnisse anders aussehen könnten, wenn sie an der Allgemeinheit getestet würden, die eine Smartwatch oder einen Ring verwendet.

Kurz gesagt deutet diese Arbeit darauf hin, dass ein Computer lernen kann, auf das nächtliche Temperatur-Summen Ihres Körpers zu hören und vielleicht flüstern kann: „Du solltest vielleicht mit einem Arzt über PMOS sprechen.“ Es ist ein erster Schritt, ein „Proof of Concept“, der zeigt, dass das Potenzial vorhanden ist. Aber bevor dies zu einer Standardmethode zur Diagnose des Zustands wird, ist weitere Forschung nötig, um zu sehen, ob es für alle funktioniert, nicht nur für die Frauen in dieser speziellen Studie. Das Ziel ist nicht, den Arzt zu ersetzen, sondern den Menschen einen sanften Anstoß zu geben, früher Hilfe zu suchen und so ein langes, verwirrendes Rätsel in ein lösbares Puzzle zu verwandeln.