📄 obstetrics and gynecology

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

Deze studie maakt gebruik van zelf-gevolgde urinaire hormoongegevens om een autoregressief Hidden Markov-model te ontwikkelen dat menstruatiecycli nauwkeurig in kaart brengt, waarbij duidelijke hormonale verschillen worden onthuld bij vrouwen met het polyendocrien metabool ovarieel syndroom (PMOS) en het potentieel van het model voor niet-invasieve PMOS-screening en verbeterde klinische testprotocollen wordt aangetoond.

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

Gepubliceerd 2026-06-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je je menstruatiecyclus voor als een complexe roadtrip van 28 dagen. Decennialang hebben artsen geprobeerd deze reis in kaart te brengen door je locatie te controleren op basis van de kalenderdatum — alsof je zegt: "Op dag 14 moet je bij de Grand Canyon zijn." Maar het probleem is dat de reis van iedereen anders is. Sommigen rijden snel, anderen rijden langzaam, en sommigen staan in de file. Als je alleen de kalender gebruikt, mis je de Grand Canyon misschien volledig omdat je er op dag 12 of dag 18 al bent.

Dit artikel introduceert een slimmere manier om die reis in kaart te brengen met behulp van een "GPS" die niet om de datum geeft, maar om het landschap (je hormoonspiegels) dat je op dit moment ziet.

Hier is de uitsplitsing van hun studie in eenvoudige termen:

1. Het Probleen: De kalender is een slechte kaart

De onderzoekers bekeken gegevens van meer dan 1.100 vrouwen die een thuistoestel gebruikten (de Mira-monitor) om hun urine te testen op drie belangrijke hormonen:

E13G: Een vorm van oestrogeen (het "bouw"-hormoon).
LH: Luteïniserend hormoon (de "trigger" die de ovulatie signaleert).
PDG: Een vorm van progesteron (het "onderhouds"-hormoon na de ovulatie).

De oude manier van doen is om vrouwen te vertellen: "Test je hormonen op dag 13, 14 en 15." Maar omdat cycli enorm variëren in lengte en timing, is dit alsof je een bestuurder vertelt dat hij om 14:00 uur naar een specifieke berg moet kijken. Als ze een andere route rijden, missen ze de berg misschien.

2. De Oplossing: De "Slimme GPS" (arHMM)

Het team bouwde een computermodel genaamd een autoregressief Hidden Markov Model (arHMM). Denk aan dit als een slimme GPS die de klok negeert en alleen naar de verkeersborden kijt.

Hoe het werkt: In plaats van te vragen "Welke dag is het?", vraagt het model: "Wat doet het hormoon op dit moment?" Is het aan het stijgen? Is het aan het dalen? Blijft het vlak?
De Zes Zones: Het model verdeelt de cyclus in zes duidelijke "zones" of fasen op basis van deze hormoonbewegingen, in plaats van kalenderdagen:
1. Vroege folliculaire fase: De resetknop (hormonen zijn laag).
2. Late folliculaire fase: De opbouw (oestrogeen begint te klimmen).
3. Periovulatoire fase: De piek (LH schiet omhoog als een raket).
4. Vroege luteale fase: De directe nasleep (oestrogeen daalt, progesteron begint te stijgen).
5. Mid-luteale fase: Het plateau (progesteron is hoog).
6. Late luteale fase: De afbouw (hormonen dalen voor de volgende menstruatie).

Omdat het model het verloop van de hormooncurve volgt, werkt het perfect voor vrouwen met korte cycli, lange cycli of onregelmatige cycli.

3. Wat Ze Vonden: Het "PMOS"-verschil

De onderzoekers vergeleken vrouwen met gezonde cycli met vrouwen die zelf rapporteerden last te hebben van PMOS (Polyendocrine Metabolic Ovarian Syndrome, voorheen bekend als PCOS). Ze vonden duidelijke verschillen in hoe de "GPS" hun reizen in kaart bracht:

De ontbrekende piek: Bij gezonde vrouwen is de "LH-trigger" (Fase 3) een enorme, scherpe piek. Bij vrouwen met PMOS was deze piek veel zwakker en lager.
Het zwakke onderhoud: Na de trigger hebben gezonde vrouwen een sterke, stabiele stijging van progesteron (Fase 5). Vrouwen met PMOS hadden hier veel lagere niveaus, wat suggereert dat hun "motor" niet zo soepel liep na de trigger.
Het lange wachten: Vrouwen met PMOS brachten aanzienlijk meer tijd door in de "opbouw"-fase (Fase 2) voordat de trigger daadwerkelijk plaatsvond. Het is alsof ze dagenlang in de file stonden voordat ze eindelijk de snelweg op konden.

4. Waarom Dit Belangrijk Is (Volgens het Papier)

De studie testte twee manieren om hormonen te controleren:

De Kalendermethode: Controleren op vaste dagen (bijv. dagen 13–16).
De GPS-methode: Controleren wanneer het model aangeeft dat je in de specifieke "LH-piek"-fase zit.

Het resultaat: De GPS-methode was veel beter in het opvangen van de werkelijke hormoongebeurtenissen. De kalendermethode miste de piek vaak volledig omdat de cyclus van de vrouw slechts een paar dagen uit het schema liep.

5. De "Detective"-test

Ten slotte gebruikten de onderzoekers de gegevens van dit GPS-model om te zien of ze konden bepalen of een vrouw PMOS had door enkel naar haar hormoonpatronen te kijken.

Ze voerden de bevindingen van het model (zoals "zwakke LH-piek" of "lange opbouwtijd") in een computerclassificator.
De score: De computer kon correct identificeren of een vrouw PMOS had of gezond was in ongeveer 78% van de gevallen.

De Kern van het Verhaal

Dit artikel beweert niet PMOS te genezen of een diagnose van een arts te vervangen. In plaats daarvan laat het zien dat door een "slimme GPS" te gebruiken om hormoonbewegingen te volgen in plaats van alleen kalenderdagen te tellen, we:

Een veel duidelijker beeld krijgen van wat er daadwerkelijk in het lichaam gebeurt.
De specifieke "files" en "zwakke motoren" kunnen opsporen die bij PMOS voorkomen.
Potentieel voor deze aandoeningen kunnen screenen via niet-invasieve thuistests, in plaats van te moeten wachten tot een arts de juiste dag raadt om een bloedtest uit te voeren.

Het verandert de menstruatiecyclus van een verwarrende kalenderpuzzel in een leesbare kaart van jouw unieke lichaamsritme.

Technische Samenvatting: Het modelleren van cyclusfasen met behulp van hormoon-trajecten bij vrouwen met en zonder Polyendocrien Metabool Ovariëel Syndroom (PMOS)

Probleemstelling
Menstruatiegerelateerde stoornissen, zoals polyendocrien metabool ovariëel syndroom (PMOS, voorheen polycystisch ovarium syndroom), treffen ongeveer 10% van de vrouwen in de reproductieve leeftijd. Een belangrijke barrière voor vroege detectie en karakterisering van deze stoornissen is de afhankelijkheid van klinische protocollen gebaseerd op vaste cyclusdagen (bijv. testen op dagen 13–16 of 19–22). Deze protocollen houden geen rekening met de aanzienlijke inter-individuele variabiliteit in cycluslengte en de timing van fysiologische gebeurtenissen, met name bij vrouwen met onregelmatige cycli. Bovendien zijn traditionele modellen gebaseerd op gemiddelde cyclusparameters onnauwkeurig voor het voorspellen van fasen in onregelmatige cycli. Hoewel technologieën voor het thuis bijhouden van urinaire hormoonwaarden (bijv. de Mira Monitor) nu hoog-resolutie kwantitatieve gegevens bieden, is er een gebrek aan computationele kaders die in staat zijn om dagelijkse hormoondynamiek te modelleren om fysiologisch betekenisvolle fasen te definiëren voor diverse populaties.

Methodologie
Deze studie maakte gebruik van een secundaire analyse van zelf-gevolde data van urinaire reproductieve hormonen (Estrone-3-glucuronide [E13G], Luteïniserend Hormoon [LH] en Pregnanediol Glucuronide [PDG]) verzameld van meer dan 1.100 individuen (277 gezonde controles en 841 met zelfgerapporteerde PMOS) via de Mira Monitor. De dataset bestond uit meer dan 3.800 menstruatiecycli.

De kern van de methodologische innovatie was de ontwikkeling van een autoregressief Hidden Markov Model (arHMM) om cyclusdagen in kaart te brengen naar latente fysiologische fasen. De aanpak omvatte:

Data Curatie en Indexering: Een gecureerde set gezonde controlecycli (24–38 dagen) werd gebruikt om het model te trainen. Drie indexeringsstrategieën werden toegepast om de data uit te lijnen: voorwaartse indexering (Dag 1 = start bloeding), achterwaartse indexering (Dag -1 = einde cyclus) en LH-indexering (Dag 0 = piek van de LH-piek).
Fase-definitie: Zes onderscheidende fasen werden gedefinieerd op basis van de directionele trajecten van hormonen (stijgend, dalend of constant):
- Fase 1: Vroege folliculaire fase (Dagen 1–5).
- Fase 2: Late folliculaire fase (10 tot 2 dagen voorafgaand aan de LH-piek).
- Fase 3: Periovulatoire fase (2 tot 0 dagen voorafgaand aan de LH-piek).
- Fase 4: Vroege luteale fase (0–4 dagen na de LH-piek).
- Fase 5: Mid-luteale fase (9–5 dagen voor het einde van de cyclus).
- Fase 6: Late luteale fase (Laatste 5 dagen).
Modelarchitectuur: Het arHMM gebruikte een transitiematrix die een sequentiële progressie door fasen 1–6 afdwong. Het emissiemodel was autoregressief en voorspelde het hormoonniveau op dag $i$ ( $X_i$ ) op basis van het niveau op dag $i-1$ ( $X_{i-1}$ ) en de huidige latente fase ( $Y_i$ ). Dit stelde het model in staat om dagelijkse trajecten (hellingen) te vangen in plaats van absolute hormoonconcentraties, waardoor variabiliteit in absolute concentraties tussen individuen werd opgevangen.
Kenmerkextractie en Classificatie: Kenmerken op individueel niveau werden geëxtraheerd uit de modeloutput, waaronder hormoonstatistieken (min, max, gemiddelde, mediaan, SD) binnen elke fase, fase-duur en model-fit scores. Een Random Forest-classifier werd getraind op deze kenmerken om onderscheid te maken tussen individuen met PMOS en gezonde controles.
Ovulatie-proxy: Cycli werden gelabeld als ovulatorisch of anovulatorisch op basis van een drempelwaarde-analyse van PDG-niveaus in Fase 5 ten opzichte van de Fase 3-baselines.

Belangrijkste Resultaten

Modelprestaties: Het arHMM reproduceerde succesvol de verwachte hormoon-trajecten over de zes fasen, inclus�els de stijging van E13G in de late folliculaire/periovulatoire fasen, LH-pieken in de periovulatoire fase en de stijging van PDG in de luteale fase.
Fase-gebaseerd vs. Cyclusdag-testen: Bij het vergelijken van hormoonwaarden in arHMM-afgeleide fasen met vaste kalenderdagen, presteerden fase-gebaseerde testen significant beter dan vaste-dag protocollen. Specifiek waren de maximale LH-niveaus in Fase 3 en de gemiddelde PDG-niveaus in Fase 5 significant hoger dan de niveaus die werden vastgelegd op standaard klinische dagen (13–16 en 19–22 respectievelijk; $p < 0,001$ ), wat suggereert dat vaste-dag protocollen vaak pieken in fysiologische gebeurtenissen missen.
PMOS Fenotypering: Er werden duidelijke fase-specifieke verschillen geïdentificeerd tussen gezonde controles en de PMOS-groep:
- LH: Lagere LH-niveaus in Fase 3 (periovulatoir) voor de PMOS-groep.
- PDG: Verminderde PDG-niveaus in Fasen 5 en 6 (mid- en late-luteaal) voor de PMOS-groep.
- E13G: Over het algemeen hogere E13G-niveaus over de fasen heen in de PMOS-groep, hoewel de patronen heterogeen waren.
- Faseduur: PMOS-cycli brachten significant meer tijd door in Fase 2 (late folliculaire fase) vergeleken met controles ( $p < 0,001$ ), wat consistent is met oligomenorroe.
Classificatienauwkeurigheid: Met behulp van arHMM-afgeleide hormoon- en faselengte-kenmerken bereikte de Random Forest-classifier een nauwkeurigheid van 78,4% bij het onderscheiden van de PMOS-status. Het opnemen van cycluslengte-kenmerken verbeterde de nauwkeurigheid licht naar 79,2%.
Ovulatiestatus: Cycli in de PMOS-groep hadden minder kans om aan de PDG-gebaseerde drempelwaarden voor ovulatie te voldoen vergeleken met gezonde controles, wat overeenkomt met de klinische verwachtingen van anovulatoire dysfunctie bij PMOS.

Betekenis en Claims
Het artikel beweert dat het arHMM-kader een nieuw, biologisch gefundeerd model biedt voor het modelleren van menstruatiecyclusdynamiek dat de beperkingen van vaste-dag klinische protocollen overwint. Door de focus te leggen op directionele trajecten in plaats van absolute niveaus, accommodeert het model de natuurlijke variabiliteit in cycluslengte en ovulatietiming.

De auteurs stellen dat deze aanpak aantoont dat er potentieel is voor:

Niet-invasieve Screening: Het bieden van een methode om te screenen op PMOS en de reproductieve gezondheid te karakteriseren met behulp van zelf-gevolgde gegevens met een nauwkeurigheid van ~78%.
Verbeterde Klinische Protocollen: Het benadrukken van de beperkingen van vaste-dag testen en het suggereren dat fase-gebaseerde timing meer accurate hormoonbeoordelingen kan opleveren, met name voor individuen met onregelmatige cycli.
Fysiologisch Inzicht: Het mogelijk maken van de identificatie van latente sub-fasen en onderscheidende hormonale signatures geassocieerd met PMOS, zoals verminderde luteale progesteron en periovulatoire LH-tekorten.

De studie concludeert dat de integratie van probabilistisch modelleren met thuis-gebaseerde kwantitatieve hormoon-tracking een stap voorwaarts vertegenwoordigt naar schaalbare, gepersonaliseerde monitoring van de reproductieve gezondheid, hoewel zij erkent dat verdere validatie in grotere, diverse cohorten met echografisch bevestigde ovulatie en goed gedefinieerde PMOS-fenotypes noodzakelijk is.