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

想象一下，你的身体就像一个高科技管弦乐团，每种乐器都演奏着特定的音符，以维持你生命的节奏。有时，指挥家会变得有些困惑，导致音乐流动得不太顺畅。女性身体中一种常见的“混乱”被称为多内分泌代谢卵巢综合征（PMOS），以前被称为多囊卵巢综合征（PCOS）。你可以把它想象成激素管弦乐中的一个故障，这种故障会让身体难以按时释放卵子（排卵）。由于其症状各异——有些人表现得非常明显，而有些人则几乎只是微弱的低语——据估计，高达 70% 的患者甚至不知道自己患有这种状况。他们可能正在尝试怀孕，或者只是想了解自己的身体，但他们尚未被告知自己正在演奏的是哪一段旋律。

为了判断管弦乐团是否失去了同步，医生通常会观察一个特定的“热偏移”。在健康、规律的周期中，身体的温度就像一个调节器，在卵子释放后会向上跳升一个档位。如果这个温度跳跃从未发生，那就是一个强烈的信号，表明卵子并未释放。现在，想象一下，如果你有一个微型、超智能的温度计，可以整夜整夜地监听你的体温，而无需你做任何事情，只需睡觉即可。这就是像智能戒指或阴道传感器这类可穿戴设备背后的理念。它们收集大量的温度数据，为每个人创造出一个独特的“热指纹”。科学家们提出的重大问题是：我们能否教会一台计算机去倾听这些温度指纹，并在一个人走进医生办公室之前就说：“嘿，这个节奏看起来有点像 PMOS。”

这正是布里斯托大学的一个研究小组致力于测试的内容。他们想看看是否可以利用机器学习——本质上是教计算机识别模式——仅通过观察体温数据来识别 PMOS 患者。他们不仅观察了一个夜晚，而是观察了整个月经周期的故事，这就像书中的一个章节。他们收集了来自 387 名女性的数据，这些女性当时正在使用一种名为 OvuSense 的阴道温度监测仪。这些女性还填写了一份调查问卷，向研究人员说明她们是否曾被医生诊断为患有 PMOS，或者是否正在服用相关药物。

研究人员将每位女性的温度数据视为一个复杂的拼图。他们从两种方式来拆解数据：一是“周期层面”（观察一个月的情况），二是“用户层面”（观察一个人跨越三个月的完整历史）。他们发明了一个特殊的“参考周期”，这就像是一个完美、理想化的健康温度模式，然后测量每位女性实际的温度曲线偏离这条完美线条的程度。他们使用了三种不同类型的“计算机大脑”——逻辑回归（Logistic Regression）、支持向量机（Support Vector Machines）和随机森林（Random Forests）——试图根据这些温度波动来猜测谁患有 PMOS。

结果令人鼓舞，但并不完美。计算机模型能够识别出患有 PMOS 与未患有 PMOS 的女性之间的差异，但它们并不是超人类侦探。表现最好的模型——随机森林——在查看整个人的数据时，准确率约为 70%；在仅查看单个周期时，准确率约为 68%。为了让你理解，如果你抛硬币，你会猜对 50% 的次数；这些模型做得比抛硬币要好，但并不完美。计算机发现最重要的线索是周期本身的长度。就像一首冗长拖沓的歌曲可能会预示着不同的流派一样，较长的月经周期是暗示女性可能患有 PMOS 的一个强烈迹象。

这项研究表明，使用可穿戴设备监测体温可以作为寻找未确诊 PMOS 病例的一个有用工具，尤其是在那些并未主动寻求诊断的人群中。然而，作者谨慎地指出，这目前还不是万能灵药。这些模型是“经过合理校准的”，这意味着它们的预测通常是可靠的，但置信区间较宽，就像天气预报说“可能会下雨”但给出了很大的可能性范围。他们还注意到，其数据来自那些正在使用特定设备尝试怀孕的女性，因此如果是在使用智能手表或智能戒指的普通大众中进行测试，结果可能会有所不同。

简而言之，这篇论文表明，计算机可以学会倾听你每晚的体温嗡鸣声，并可能轻声细语地提醒你：“你可能需要就 PMOS 问题咨询医生。”这是第一步，是一个概念验证，展示了其中的潜力。但在这种方法成为标准的诊断手段之前，还需要更多的研究来验证它是否适用于所有人，而不仅仅是这项特定研究中的女性。目标不是取代医生，而是给人们一个温柔的提醒，让他们能更早地寻求帮助，从而将一个漫长且令人困惑的谜团转化为一个可以解决的拼图。