Self-Reported Symptoms Enable Four-Phase Menstrual Cycle Classification with Hormonally Validated Labels

Dit onderzoek toont aan dat een hybride model, dat zelfgerapporteerde symptomen combineert met een Hidden Semi-Markov-model, de vier fasen van de menstruatiecyclus met hormonale validatie kan classificeren en zo een draagbaar, apparaatvrij alternatief biedt voor het monitoren van menstruele gezondheid.

De kern

De menstruatiecyclus als een mysterieus verhaal: Hoe je eigen gevoelens de hoofdpunten kunnen onthullen

Stel je voor dat je lichaam een boek schrijft dat elke maand opnieuw begint. Dit boek heeft vier hoofdstukken: Menstruatie (de start), Folliculair (de opbouw), Vruchtbaarheid (het hoogtepunt) en Luteaal (de afsluiting). Normaal gesproken weten we precies waar we in dit verhaal zitten door naar hormonen te kijken in het bloed of urine – dat is als het lezen van de echte tekst van de auteur.

Maar wat als we die "tekst" niet kunnen lezen? Wat als we alleen de samenvattingen hebben die de hoofdpersoon (jijzelf) elke dag opschrijft in een dagboek? Schrijven mensen: "Ik ben moe", "Ik heb hoofdpijn" of "Ik heb trek in chocolade".

Deze studie vraagt zich af: Kunnen we, puur op basis van die dagboekaantekeningen, precies vertellen welk hoofdstuk we aan het lezen zijn? En het verrassende antwoord is: Ja, dat kan!

Hier is hoe de onderzoekers dit deden, vertaald naar een eenvoudig verhaal:

1. De Twee Delen van het Team

De onderzoekers bouwden een slim computerprogramma dat werkt als een duo van twee detectives:

• Detective A (De Snelheidsjager): Dit is een AI die elke dag naar je dagboek kijkt. Hij zegt: "Op basis van je vermoeidheid en buikpijn van vandaag, denk ik dat we in het 'Vruchtbaar'-hoofdstuk zitten." Hij is heel goed in het zien van patronen in de woorden die je gebruikt.
• Detective B (De Logica-Meester): Deze detective kijkt niet alleen naar vandaag, maar naar het hele verhaal. Hij weet dat het verhaal een vaste volgorde heeft: je kunt niet plotseling van "Vruchtbaar" naar "Menstruatie" springen zonder eerst "Luteaal" te hebben gehad. Hij corrigeert Detective A als die een onlogische sprong maakt.

Samen vormen ze een team dat niet alleen naar de woorden kijkt, maar ook naar de structuur van het verhaal.

2. Het Grote Geheim: Het is niet wat je voelt, maar hoe het verandert

Het meest interessante ontdekking van dit onderzoek is een verrassend detail. Je zou denken dat het programma kijkt naar hoe slecht of goed je je voelt (bijvoorbeeld: "Ik heb een 8/10 pijn").

Maar nee! Het programma is veel slimmer. Het kijkt naar de schommelingen.

• Analogie: Stel je voor dat je op een boot zit.
  • Als de boot altijd rustig ligt, is dat saai.
  • Als de boot plotseling begint te wiebelen, te rollen en te stuiteren, is dat een teken dat er iets verandert (een storm komt opzetten).
• Het programma merkt op dat het niet belangrijk is of je "een beetje" of "heel erg" moe bent. Het is belangrijk dat je moeheid plotseling verandert of dat je stemming van stabiel naar onstabiel gaat. Die veranderingen (de wiebelingen) zijn de echte aanwijzingen dat je van het ene hoofdstuk naar het andere gaat.

3. De Resultaten: Hoe goed werkt het?

De onderzoekers testten dit systeem op 41 vrouwen. Ze lieten het programma de cyclus voorspellen zonder dat het de hormoonwaarden kende (alleen de dagboekaantekeningen).

• Het resultaat: Het programma had het in 67,6% van de gevallen goed.
• Vergelijking: Dat is veel beter dan een simpele kalender die alleen kijkt naar "hoeveel dagen zijn er verstreken sinds de laatste menstruatie" (die slechts ongeveer 63% goed had).
• Het zwakke punt: Het programma had het het moeilijkst met het Vruchtbaarheids-hoofdstuk. Dit hoofdstuk is heel kort (slechts een paar dagen) en de signalen zijn subtiel. Het is alsof je probeert een flitsende bliksem te zien in een donkere kamer; het is lastig te vangen.

4. Waarom is dit belangrijk?

Dit onderzoek is een doorbraak voor drie redenen:

1. Geen dure apparatuur nodig: Je hoeft geen dure horloges of sensoren te dragen die je lichaam meten. Je kunt je cyclus volgen met alleen je telefoon en je eigen gevoelens. Dit is geweldig voor mensen die geen toegang hebben tot dure technologie.
2. Het verhaal van de verandering: Het leert ons dat we in de gezondheidszorg minder moeten kijken naar "hoe erg" iemand zich voelt, en meer naar hoe de gevoelens veranderen. Een plotselinge verschuiving in je dagelijkse routine is vaak een krachtiger signaal dan de absolute waarde.
3. Toekomstige toepassingen: Het bewijst dat "subjectieve" data (wat jij voelt) waardevol is. In de toekomst kunnen apps misschien minder vragen stellen, maar wel slimmer vragen, om precies te weten waar je in je cyclus zit.

Conclusie

Deze studie toont aan dat je eigen dagboek vol zit met geheime codes die je cyclus onthullen. Door te kijken naar de veranderingen in je gevoelens en door een slimme "logica-detective" toe te voegen, kunnen we de vier fasen van de menstruatiecyclus redelijk nauwkeurig voorspellen zonder dat we naar het laboratorium hoeven. Het is een stap in de richting van een wereld waar menstruatie-gezondheid voor iedereen toegankelijk is, ongeacht of ze een smartwatch hebben of niet.

Technische samenvatting

Probleemstelling

De nauwkeurige inferentie van de fysiologische toestand tijdens de menstruatiecyclus is cruciaal voor reproductieve gezondheid en het begrijpen van symptoomdynamiek. Bestaande niet-hormonale benaderingen vertrouwen echter vaak op draagbare sensoren (zoals temperatuur- of hartslagmonitoren) of op kalendersystemen die slechts op basis van cycluslengte voorspellen.

• De uitdaging: Het is onduidelijk of alleen zelfgerapporteerde symptomen voldoende fysiologisch signaal bevatten om de vier cyclusfasen (menstruatie, folliculair, vruchtbaarheid, luteaal) prospectief en cross-subject te classificeren.
• Beperkingen van huidige methoden: Kalendermethoden hebben een lage nauwkeurigheid (maximaal 21% voor ovulatie). Draagbare sensoren presteren beter (tot 88-90%), maar vereisen dure hardware en zijn minder toegankelijk. Bestaande studies op zelfgerapporteerde data zijn vaak retrospectief of per gebruiker gefit, wat de generaliseerbaarheid beperkt.
• Specifieke moeilijkheid: De data is subjectief, bevat herinneringsbias, ontbreekt willekeurig en vertoont hoge inter-individuele variatie. De vruchtbaarheidsfase (ovulatie) is vooral lastig omdat deze kort duurt en subtiele symptoomveranderingen heeft.

Methodologie

De auteurs introduceren een hybride modelleringframework dat een discriminatieve classifier combineert met een generatief temporeel model.

1. Dataset:

• Gebruik van het mcPHASES-dataset (41 deelnemers, 18-29 jaar, Canada).
• Ground Truth: Fasen zijn gelabeld op basis van dagelijkse hormonale assays (LH, oestrogeen, progesteron).
• Input: Dagelijkse zelfrapportage van 14 variabelen (bloedstroomvolume, kleur, en 12 symptoomschalen zoals vermoeidheid, stemmingswisselingen, krampen, etc.).
• Data-filtering: Cycles met >5 dagen aaneengesloten missing data werden verwijderd. Een "warm-up" periode van 14 dagen werd uitgesloten voor het berekenen van rolling statistieken.

2. Feature Engineering:
Er werden 97 features afgeleid, geclusterd in vier categorieën:

• Cycluspositie (13 features): Aantal dagen sinds de laatste bloeding, lineaire voortgang, en cyclische encoding (sin/cos) om de overgang van dag 28 naar dag 1 te modelleren.
• Rolling standaardafwijkingen (42 features): Variabiliteit van symptomen over 5-, 7- en 14-dagen vensters. Dit is de kern van de studie: het meten van fluctuatie in plaats van absolute niveaus.
• Rolling gemiddelden (28 features): Medium- tot langetermijntrends.
• Rauwe waarden (14 features): De directe dagelijkse symptoomscores.

3. Modellering Architectuur:

• Stap 1: CatBoost Classifier: Een gradient-boosted decision tree algoritme dat per dag de waarschijnlijkheid van een fase voorspelt op basis van de 83 geselecteerde features. CatBoost werd gekozen vanwege zijn omgang met ontbrekende waarden en ordered boosting.
• Stap 2: Hidden Semi-Markov Model (HSMM): Een temporeel model dat de output van CatBoost verwerkt om biologische constraints op te leggen:
  • Cyclische volgorde: Menstruatie → Folliculair → Vruchtbaarheid → Luteaal → Menstruatie.
  • Duur-priors: Gaussische verdelingen voor de duur van elke fase (gebaseerd op trainingsdata) om onrealistische fasen (bijv. een luteale fase van 1 dag) te voorkomen.
  • Viterbi-algoritme: Optimaliseert de volledige sequentie van fasen om de totale score te maximaliseren.

4. Evaluatie:

• Leave-One-Subject-Out (LOSO): Het model wordt getraind op 40 deelnemers en getest op de 41e. Dit voorkomt data-lekkage en test de generaliseerbaarheid tussen verschillende individuen.
• Baselines: Vergelijking met meerderheids-classificatie, alleen bloeding, kalender-only, logistieke regressie en Random Forest.

Belangrijkste Resultaten

• Algemene Prestatie: Het hybride CatBoost+HSMM-model bereikte 67,6% nauwkeurigheid en een macro F1-score van 0,662. Dit is significant beter dan alle baselines (o.a. Calendar-only: 63,0%, Random Forest: 65,3%).
• Impact van HSMM: De toevoeging van het HSMM verbeterde de nauwkeurigheid met 2,4 procentpunten en de F1-score met 3,2 punten ten opzichte van CatBoost alleen. De verbetering was statistisch significant (p=0,001).
• Fase-specifieke resultaten:
  • Menstruatie: Hoge prestatie (F1 0,774).
  • Luteaal: Goede prestatie (F1 0,750).
  • Folliculair: Redelijke prestatie (F1 0,661).
  • Vruchtbaarheid (Fertility): De zwakste fase met een F1 van 0,462. Dit komt door de korte duur en subtiele symptoomveranderingen; 57% van deze dagen werd verkeerd geclassificeerd als folliculair of luteaal.
• Feature Importance:
  • Rolling standaardafwijkingen (variabiliteit) bleken de belangrijkste voorspellers, niet de absolute symptoomniveaus. Dit suggereert dat veranderingen in symptoomstabiliteit een robuuster signaal zijn dan de intensiteit zelf.
  • Cycluspositie-features (dagen sinds bloeding) waren ook cruciaal.

Bijdragen en Significantie

1. Feasibility van device-vrije monitoring: Het bewijst dat zelfgerapporteerde symptomen, ondanks subjectiviteit, voldoende informatie bevatten om de cyclusfasen te onderscheiden zonder dure hardware. Dit maakt monitoring toegankelijk in hulpbronnen-arme settings.
2. Variabiliteit als biomarker: De studie identificeert dat symptoomvariabiliteit (within-person fluctuatie) een generaliseerbaarder signaal is dan absolute symptoomintensiteit. Dit heeft implicaties voor het ontwerp van toekomstige vragenlijsten en digitale biomerkers.
3. Hybride Architectuur: Het succes van de combinatie van een krachtige classifier (CatBoost) met biologische constraints (HSMM) toont aan dat temporele coherentie essentieel is voor fysiologische cyclusclassificatie.
4. Eerste Cross-Subject Benchmark: Dit is, voor zover bekend, de eerste studie die prospectieve, cross-subject classificatie van vier fasen uitvoert met hormonale ground truth op puur zelfgerapporteerde data.

Beperkingen en Toekomstperspectief

• Vruchtbaarheidsfase: De lage nauwkeurigheid voor de vruchtbaarheidsfase beperkt de directe klinische toepasbaarheid voor vruchtbaarheidsplanning.
• Afhankelijkheid van bloeding: Het model is sterk afhankelijk van het rapporteren van bloeding voor de cycluspositie. Gebruikers die dit niet consistent doen, zullen slechtere resultaten behalen.
• Steekproef: De dataset is klein (41 personen) en homogeen (jonge volwassenen, voornamelijk Canadees). Validatie in diverse populaties (verschillende BMI, etniciteit, hormonale voorbehoedmiddelen) is nodig.
• Toekomst: De auteurs pleiten voor multimodale fusie (symptomen + draagbare sensoren zoals temperatuur) om de vruchtbaarheidsfase te verbeteren, en voor personalisatie van modellen per gebruiker.

Conclusie:
De studie demonstreert dat lage-burden, device-vrije menstruatie-monitoring technisch haalbaar is. Hoewel de huidige prestaties nog niet perfect zijn (vooral voor de vruchtbaarheidsfase), biedt het een solide wetenschappelijke basis voor het ontwikkelen van schaalbare, digitale biomerkers die toegankelijk zijn voor een breder publiek dan huidige draagbare technologieën.