A digital health approach for identifying polyendocrine metabolic ovarian syndrome using machine learning and body temperature
Cette étude démontre la faisabilité de l'utilisation de modèles d'apprentissage automatique appliqués aux données de température corporelle portées pour prédire modérément le syndrome polyendocrinien métabolique ovarien (PMOS), suggérant un potentiel outil de dépistage numérique passif pour identifier les cas non diagnostiqués.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Imaginez que votre corps soit comme un orchestre de haute technologie, où chaque instrument joue une note spécifique pour maintenir le rythme de votre vie. Parfois, le chef d'orchestre s'emmêle un peu les pinceaux, et la musique ne coule plus très bien. Un malentendu courant dans le corps féminin est une condition appelée Syndrome Métabolique Polyendocrinien Ovarien (PMOS), autrefois connu sous le nom de Syndrome des Ovaires Polykystiques (SOPK). Voyez cela comme un bug dans l'orchestre hormonal qui peut rendre difficile la libération d'un ovule (l'ovulation) en temps voulu. Comme les symptômes sont très variés — certains sont clairs et sonores, d'autres ne sont que de simples murmures — on estime que jusqu'à 70 % des personnes atteintes de cette condition ne savent même pas qu'elles en sont porteuses. Elles essaient peut-être d'avoir un bébé ou cherchent simplement à comprendre leur corps, mais on ne leur a pas donné le nom de la mélodie qu'elles jouent.
Pour déterminer si l'orchestre est désynchronisé, les médecins cherchent généralement un « décalage thermique » spécifique. Dans un cycle régulier et sain, la température du corps agit comme un thermostat qui monte d'un cran après la libération d'un ovule. Si ce saut de température ne se produit jamais, c'est un indice fort que l'ovule n'a pas été libéré. Maintenant, imaginez que vous possédiez un thermomètre minuscule et super intelligent capable d'écouter la température de votre corps toute la nuit, chaque nuit, sans que vous n'ayez rien d'autre à faire que de dormir. C'est l'idée derrière les appareils portables comme les bagues intelligentes ou les capteurs vaginaux. Ils collectent une quantité massive de données de température, créant une « empreinte thermique » unique pour chaque personne. La grande question que se posent les scientifiques est la suivante : pouvons-nous apprendre à un ordinateur à écouter ces empreintes thermiques et à dire : « Hé, ce rythme ressemble un peu au PMOS », avant même que la personne ne se rende chez le médecin ?
C'est exactement ce qu'une équipe de chercheurs de l'Université de Bristol a entrepris de tester. Ils ont voulu voir s'ils pouvaient utiliser l'apprentissage automatique — essentiellement, apprendre à un ordinateur à repérer des modèles — pour identifier les personnes atteintes de PMOS en examinant simplement leurs données de température corporelle. Ils ne se sont pas contentés de regarder une seule nuit ; ils ont examiné toute l'histoire d'un cycle menstruel, qui est comme un chapitre d'un livre. Ils ont recueilli les données de 387 femmes qui utilisaient déjà un moniteur de température vaginale appelé OvuSense. Ces femmes ont également rempli un questionnaire pour indiquer aux chercheurs si elles avaient déjà reçu un diagnostic de PMOS par un médecin ou si elles prenaient des médicaments pour cela.
Les chercheurs ont traité les données de température de chaque femme comme un puzzle complexe. Ils ont décomposé les données de deux manières : au « niveau du cycle » (en regardant un mois à la fois) et au « niveau de l'utilisateur » (en regardant l'historique complet de la personne sur trois mois). Ils ont inventé un « cycle de référence » spécial, qui est une version parfaite et idéalisée d'un schéma de température sain, puis ont mesuré à quel point la courbe de température réelle de chaque femme s'écartait de cette ligne parfaite. Ils ont utilisé trois types de « cerveaux informatiques » différents — la Régression Logistique, les Machines à Vecteurs de Support et les Forêts Aléatoires — pour tenter de deviner qui souffrait de PMOS en se basant sur ces écarts de température.
Les résultats sont prometteurs mais pas parfaits. Les modèles informatiques ont été capables de déceler la différence entre les femmes atteintes de PMOS et celles qui ne le sont pas, mais ils n'étaient pas des détectives surhumains. Le meilleur modèle, la Forêt Aléatoire, a vu juste environ 70 % du temps en examinant les données globales de la personne, et environ 68 % du temps en ne regardant qu'un seul cycle. Pour donner une perspective, si vous lanciez une pièce de monnaie, vous auriez raison 50 % du temps ; ces modèles faisaient mieux qu'un lancer de pièce, mais ils n'étaient pas parfaits. L'indice le plus important trouvé par les ordinateurs était la durée du cycle lui-même. Tout comme une chanson longue et traînante peut signaler un genre différent, des cycles menstruels plus longs étaient un indice fort qu'une femme pourrait être atteinte de PMOS.
L'étude suggère que l'utilisation de la température corporelle provenant d'appareils portables pourrait être un outil utile pour trouver des cas non diagnostiqués de PMOS, en particulier chez les personnes qui ne recherchent pas activement un diagnostic. Cependant, les auteurs précisent avec prudence qu'il ne s'agit pas encore d'un remède miracle. Les modèles étaient « raisonnablement calibrés », ce qui signifie que leurs prédictions étaient généralement dignes de confiance, mais les intervalles de confiance étaient larges, comme une prévision météorologique qui dit « il pourrait pleuvoir » avec une grande marge de possibilités. Ils ont également noté que leurs données provenaient de femmes utilisant déjà un dispositif spécifique pour essayer de concevoir un enfant, donc les résultats pourraient être différents s'ils étaient testés sur le grand public utilisant une montre connectée ou une bague.
En résumé, cet article suggère qu'un ordinateur peut apprendre à écouter le bourdonnement nocturne de votre température et pourrait être capable de chuchoter : « Vous devriez peut-être parler à un médecin pour le PMOS ». C'est une première étape, une preuve de concept qui montre que le potentiel est là. Mais avant que cela ne devienne une méthode standard pour diagnostiquer la condition, des recherches supplémentaires sont nécessaires pour voir si cela fonctionne pour tout le monde, et pas seulement pour les femmes de cette étude spécifique. L'objectif n'est pas de remplacer le médecin, mais de donner aux gens un petit coup de pouce pour chercher de l'aide plus tôt, transformant potentiellement un mystère long et confus en un puzzle soluble.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.