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

Stel je voor dat je lichaam een hoogtechnologische orchestra is, waarbij elk instrument een specifieke noot speelt om het ritme van je leven te behouden. Soms raakt de dirigent een beetje in de war en stroomt de muziek niet helemaal goed. Een veelvoorkomende verwarring in het vrouwelijke lichaam is een aandoening genaamd Polyendocriene Metabole Ovariële Syndroom (PMOS), wat vroeger bekend stond als Polycystisch Ovarium Syndroom (PCOS). Zie dit als een foutje in de hormonale orchestra dat het lichaam moeilijk kan maken om een eitje op schema vrij te geven (ovulatie). Omdat de symptomen zo gevarieerd zijn — sommige mensen hebben ze luid en duidelijk, anderen fluisteren ze nauwelijks — wordt geschat dat tot wel 70% van de mensen met deze aandoening zelfs niet weet dat ze het hebben. Ze proberen misschien een baby te krijgen of proberen gewoon hun lichaam te begrijpen, maar ze hebben de naam van de melodie die ze spelen nog niet gekend.

Om te achterhalen of de orchestra uit de pas loopt, kijken artsen meestal naar een specifieke "thermische verschuiving". In een gezonde, regelmatige cyclus werkt de lichaamstemperatuur als een thermostaat die een stapje omhoog gaat nadat een eitje is vrijgekomen. Als die temperatuurstijging nooit plaatsvindt, is dat een sterke aanwijzing dat het eitje niet is vrijgekomen. Stel je nu voor dat je een kleine, superintelligente thermometer had die de hele nacht door naar je lichaamstemperatuur kon luisteren, elke nacht, zonder dat je iets hoefde te doen behalve slapen. Dat is het idee achter draagbare apparaten zoals smart rings of vaginale sensoren. Ze verzamelen een enorme hoeveelheid temperatuurgegevens, waardoor een unieke "thermische vingerafdruk" voor elke persoon ontstaat. De grote vraag waar wetenschappers zich mee bezighoudt is: Kunnen we een computer leren om naar deze thermische vingerafdrukken te luisteren en te zeggen: "Hé, dit ritme lijkt een beetje op PMOS," zelfs voordat de persoon ooit een dokter binnenstapt?

Dit is precies wat een team onderzoekers van de University of Bristol wilde testen. Ze wilden zien of ze machine learning — in essentie het leren van een computer om patronen te herkennen — konden gebruiken om mensen met PMOS te identificeren door enkel naar hun lichaamstemperatuurgegevens te kijken. Ze keken niet naar slechts één nacht; ze bekeken het hele verhaal van een menstruatiecyclus, wat vergelijkbaar is met een hoofdstuk in een boek. Ze verzamelden gegevens van 387 vrouwen die al een vaginale temperatuurmonitor genaamd OvuSense gebruikten. Deze vrouwen vulden ook een vragenlijst in om de onderzoekers te laten weten of ze ooit door een arts de diagnose PMOS hebben gekregen of dat ze medicatie hiervoor gebruiken.

De onderzoekers behandelden de temperatuurgegevens van elke vrouw als een complexe puzzel. Ze deelden de gegevens op twee manieren in: de "cyclusniveau" (kijken naar één maand per keer) en het "gebruikersniveau" (de volledige geschiedenis van de persoon over drie maanden). Ze bedachten een speciale "referentiecyclus", die een perfecte, geïdealiseerde versie is van een gezond temperatuurpatroon, en maten vervolgens hoeveel de werkelijke temperatuurcurve van elke vrouw afweek van die perfecte lijn. Ze gebruikten drie verschillende soorten "computerbreinen" — Logistic Regression, Support Vector Machines en Random Forests — om te proberen te raden wie PMOS had op basis van deze temperatuurafwijkingen.

De resultaten waren veelbelovend, maar niet perfect. De computermodellen waren in staat om het verschil te zien tussen vrouwen met PMOS en vrouwen zonder, maar ze waren geen supermenselijke detectives. Het beste model, een Random Forest, zat er ongeveer 70% van de tijd naast bij het kijken naar de gegevens van de hele persoon, en ongeveer 68% van de tijd bij het kijken naar slechts één cyclus. Om dit in perspectief te plaatsen: als je een munt opgooit, heb je 50% van de tijd gelijk; deze modellen presteerden beter dan een muntworp, maar ze waren niet perfect. De belangrijkste aanwijzing die de computers vonden, was de lengte van de cyclus zelf. Net zoals een langgerekt, uitgesponten liedje kan wijzen op een ander genre, waren langere menstruatiecycli een sterke aanwijzing dat een vrouw mogelijk PMOS heeft.

De studie suggereert dat het gebruik van lichaamstemperatuur via draagbare apparaten een nuttig hulpmiddel kan zijn voor het vinden van niet-gediagnosticeerde gevallen van PMOS, vooral bij mensen die niet actief op zoek zijn naar een diagnose. De auteurs waarschuwen echter dat dit nog geen wondermiddel is. De modellen waren "redelijk gekalibreerd", wat betekent dat hun voorspellingen over het algemeen betrouwbaar waren, maar de betrouwbaarheidsintervallen waren breed, zoals een weersverwachting die zegt "het kan gaan regenen" met een groot spectrum aan mogelijkheden. Ze merkten ook op dat hun gegevens afkomstig waren van vrouwen die al een specifiek apparaat gebruikten om zwanger te worden, dus de resultaten kunnen er anders uitzien als ze worden getest op het algemene publiek dat een smartwatch of een ring gebruikt.

Kortom, dit artikel suggereert dat een computer kan leren luisteren naar het nachtelijke temperatuurgezoem van je lichaam en misschien kan fluisteren: "Je zou met een arts moeten praten over PMOS." Het is een eerste stap, een bewijs van concept dat laat zien dat het potentieel aanwezig is. Maar voordat dit een standaardmethode voor het diagnosticeren van de aandoening wordt, is er meer onderzoek nodig om te zien of het voor iedereen werkt, en niet alleen voor de vrouwen in deze specifieke studie. Het doel is niet om de arts te vervangen, maar om mensen een zachte duw te geven om eerder hulp te zoeken, waardoor een lange, verwarrende mystery potentieel kan worden omgezet in een oplosbare puzzel.