📄 obstetrics and gynecology

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

本研究利用自我追踪的尿液激素数据，开发了一种能够准确映射月经周期的自回归隐马尔可夫模型，揭示了患有多内分泌代谢卵巢综合征（PMOS）女性在激素水平上的显著差异，并展示了该模型在非侵入性 PMOS 筛查及改进临床检测方案方面的潜力。

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

发布于 2026-06-04

📖 1 分钟阅读☕ 轻松阅读

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

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

把你的月经周期想象成一场复杂的、为期 28 天的公路旅行。几十年来，医生们一直试图通过根据日历日期来检查你的位置来绘制这张地图——比如通过说：“在第 14 天，你应该到达大峡谷。”但问题在于，每个人的旅程都是不同的。有些人开得快，有些人开得慢，有些人则会遇到交通拥堵。如果你只看日历，你可能会完全错过大峡谷，因为你可能在第 12 天或第 18 天就到达了那里。

这篇论文介绍了一种更聪明的方法来绘制这场旅行，它使用了一个不关心日期，而只关心你现在看到的风景（你的激素水平）的“GPS”。

以下是该研究的简单解读：

1. 问题所在：日历是一张糟糕的地图

研究人员分析了 1,100 多名女性使用家用设备（Mira 监测仪）检测尿液中三种关键激素的数据：

E13G： 一种雌激素形式（“构建”激素）。
LH： 黄体生成素（发出排卵信号的“触发器”）。
PDG： 一种孕酮形式（排卵后的“维护”激素）。

传统的方法是告诉女性：“在第 13、14 和 15 天进行测试。”但由于周期长度和时机差异巨大，这就像是告诉一名司机在下午 2:00 寻找特定的山脉。如果他们行驶在不同的路线上，他们可能会错过目标。

2. 解决方案：“智能 GPS”（arHMM）

团队构建了一个名为**自回归隐马尔可夫模型（arHMM）**的计算机模型。你可以把它想象成一个智能 GPS，它忽略时钟，只观察路标。

它是如何工作的： 模型不再问“今天是第几天？”，而是问“现在的激素水平如何？”是在上升？在下降？还是保持平稳？
六个区域： 该模型根据这些激素的变化（而非日历天数）将周期划分为六个截然不同的“区域”或阶段：
1. 早期卵泡期： 重置按钮（激素处于低水平）。
2. 晚期卵泡期： 爬升期（雌激素开始攀升）。
3. 围排卵期： 巅峰期（LH 像火箭一样激增）。
4. 早期黄体期： 直接影响期（雌激素下降，孕酮开始上升）。
5. 中期黄体期： 平台期（孕酮处于高水平）。
6. 晚期黄体期： 减速期（激素在下次月经前下降）。

因为该模型追踪的是激素曲线的形状，所以它对于周期短、周期长或周期不规律的女性都非常有效。

3. 他们的发现：PMOS 的差异

研究人员将健康周期的女性与自我报告患有 PMOS（多内分泌代谢性卵巢综合征，前称 PCOS）的女性进行了对比。他们发现这些女性的“GPS”绘图方式存在明显差异：

缺失的激增： 在健康女性中，“LH 触发器”（阶段 3）是一个巨大的、尖锐的峰值。而在 PMOS 女性中，这个峰值要弱得多，也低得多。
薄弱的维护： 在触发之后，健康女性会有强劲且稳定的孕酮上升（阶段 5）。PMOS 女性的水平要低得多，这表明在触发后，她们的“引擎”运转得不够顺畅。
漫长的等待： PMOS 女性在触发发生之前，在“爬升期”（阶段 2）停留的时间显著更长。这就像是在终于进入高速公路之前，被困在交通堵塞中了好几天。

4. 为什么这很重要（根据论文所述）

研究人员测试了两种检查激素的方法：

日历法： 在固定的日子（例如第 13-16 天）进行检查。
GPS 法： 在模型指示处于特定“LH 激增”阶段时进行检查。

结果： GPS 方法能更好地捕捉到实际的激素事件。日历法经常会完全错过峰值，因为女性的周期仅仅是提前或推迟了几天。

5. “侦探”测试

最后，研究人员利用这个 GPS 模型的数据，观察他们是否可以仅通过观察激素模式来判断一名女性是否患有 PMOS。

他们将模型发现（如“弱 LH 激增”或“长爬升时间”）输入到一个计算机分类器中。
得分： 计算机能以约 78% 的准确率正确识别出女性是患有 PMs 还是健康的。

核心结论

这篇论文并不声称能治愈 PMOS 或取代医生的诊断。相反，它展示了通过使用追踪激素运动（而非仅仅计算日历天数）的“智能 GPS”，我们可以：

更清晰地了解体内实际发生了什么。
发现 PMOS 中发生的特定“交通堵塞”和“动力不足”。
有潜力通过非侵入性的居家测试来筛查这些状况，而不必等待医生猜测正确的抽血检查日期。

它将月经周期从一个令人困惑的日历谜题，转变为一张可以阅读的、关于你身体独特节奏的地图。

技术摘要：利用女性中 PMOS（多内分泌代谢卵巢综合征）患者的激素轨迹进行周期阶段建模

问题陈述
月经相关疾病，如多内分泌代谢卵巢综合征（PMOS，前称多囊卵巢综合征），影响着约 10% 的育龄女性。早期检测和表征这些疾病的一个显著障碍是依赖于固定的周期天数临床方案（例如，在第 13–16 天或第 19–22 天进行检测）。这些方案未能考虑到个体间在周期长度和生理事件时机上的巨大差异，特别是对于周期不规律的女性。此外，基于平均周期参数的传统模型在预测不规则周期中的相位时并不准确。虽然居家尿液激素追踪技术（如 Mira Monitor）现在可以提供高分辨率的定量数据，但目前仍缺乏能够对日间激素动态进行建模，从而在不同人群中定义具有生理意义的相位的计算框架。

方法论
本研究利用了通过 Mira Monitor 收集的来自 1,100 多名个体（277 名健康对照组和 841 名自报 PMOS 患者）的自我追踪尿液生殖激素（雌酮-3-葡萄糖苷 [E13G]、促黄体生成素 [LH] 和孕二醇葡萄糖苷 [PDG]）的二次分析数据。该数据集包含超过 3,800 个月经周期。

核心方法论创新是开发了一个自回归隐马尔可夫模型（arHMM），用于将周期天数映射到潜在的生理相位。该方法涉及：

数据策展与索引： 使用一组经过筛选的健康对照周期（24–38 天）来训练模型。采用了三种索引策略来对齐数据：前向索引（第 1 天 = 出血开始）、后向索引（第 -1 天 = 周期结束）以及 LH 索引（第 0 天 = LH 峰值）。
相位定义： 基于激素的方向性轨迹（上升、下降或恒定）定义了六个不同的相位：
- 相位 1：早期卵泡期（第 1–5 天）。
- 相位 2：晚期卵泡期（LH 峰值前 10 至 2 天）。
- 相位 3：排卵周转期（LH 峰值前 2 至 0 天）。
- 相位 4：早期黄体期（LH 峰值后 0–4 天）。
- 相位 5：中期黄体期（周期结束前 9–5 天）。
- 相位 6：晚期黄体期（最后 5 天）。
模型架构： arHMM 利用一个强制执行相位 1–6 顺序推进的转移矩阵。其发射模型是自回归的，通过第 $i-1$ 天的水平 ( $X_{i-1}$ ) 和当前潜在相位 ( $Y_i$ ) 来预测第 $i$ 天的激素水平 ( $X_i$ )。这使得模型能够捕捉日间轨迹（斜率）而非绝对激素水平，从而适应个体间绝对浓度的差异。
特征提取与分类： 从模型输出中提取了个体层面的特征，包括各相位内的激素统计数据（最小值、最大值、平均值、中位数、标准差）、相位持续时间以及模型拟合得分。随后训练了一个随机森林分类器，用于区分 PMOS 个体与健康对照组。
排卵代理指标： 根据相位 5 中 PDG 水相对于相位 3 基线的阈值分析，对周期进行排卵或无排卵标记。

关键结果

模型性能： arHMM 成功重现了六个相位中预期的激素轨迹，包括晚期卵泡期/排卵周转期的 E13G 上升、排卵周转期的 LH 峰值以及黄体期的 PDG 上升。
基于相位 vs. 基于周期天的检测： 将激素水平与 arHMM 衍生的相位进行比较，并与固定的日历天数进行对比，结果显示基于相位的检测在性能上显著优于固定天数协议。具体而言，相位 3 中的最大 LH 水平和相位 5 中的平均 PDG 水平均显著高于标准临床天数（第 13–16 天和第 19–22 天； $p < 0.001$ ），这表明固定天数协议经常会错过关键的生理事件。
PMOS 表型： 在健康对照组和 PMOS 组之间识别出了明显的相位特异性差异：
- LH： PMOS 组在相位 3（排卵周转期）的 LH 水平较低。
- PDG： PMOS 组在相位 5 和相位 6（中/晚期黄体期）的 PDG 水平降低。
- E13G： PMOS 组在各相位中的 E13G 水平普遍较高，但模式具有异质性。
- 相位持续时间： 与对照组相比，PMOS 周期在相位 2（晚期卵泡期）停留的时间显著更长（ $p < 0.001$ ），这与稀发月经的特征一致。
分类准确率： 使用 arHMM 衍生的激素和相位长度特征，随机森林分类器在区分 PMOS 状态方面的准确率达到了 78.4%。纳入周期长度特征后，准确率略微提升至 79.2%。
排卵状态： 与健康对照组相比，PMOS 组的周期较难达到基于 PDG 的排卵阈值，这符合临床上对 PMOS 无排卵功能障碍的预期。

意义与主张
本文声称，arHMM 框架提供了一种全新的、具有生物学基础的方法，用于模拟月经周期动态，克服了固定天数临床协议的局限性。通过关注方向性轨迹而非绝对水平，该模型适应了周期长度和排卵时机的自然变异。

作者断言，这种方法展示了以下潜力：

无创筛查： 提供一种使用约 78% 的准确率，通过自我追踪数据筛查 PMOS 并表征生殖健康的方法。
改进临床方案： 强调了固定天数检测的局限性，并建议基于相位的定时可以产生更准确的激素评估，特别是对于周期不规律的个体。
生理洞察： 实现识别潜在的亚相位以及与 PMOS 相关的独特激素特征，例如降低的黄体期孕酮和排卵周转期 LH 缺陷。

研究结论认为，将概率建模与基于家庭的定量激素追踪相结合，代表了迈向可扩展、个性化生殖健康监测的一步，尽管作者也承认需要未来在具有超声确认排卵和明确 PMOS 表型的更大规模、更多样化队列中进行验证。