[論文レビュー] Characterizing physiological and symptomatic variation in menstrual cycles using self-tracked mobile health data

Kathy Li, Iñigo Urteaga+5 more|arXiv (Cornell University)|Sep 24, 2019

Evolutionary Psychology and Human Behavior参考文献 61被引用数 10

ひとこと要約

本研究では、378,000人以上のClueアプリ利用者の匿名化され自己追跡されたモバイルヘルスデータを活用し、月経周期にわたる生理的および症状のばらつきを特徴づけた。低参加度のサイクルを除外することで、周期長が常に一定の女性と著しく変動する女性の間で、症状追跡パターンに統計的に有意な差が生じることを特定した。その結果、症状報告が周期長のばらつきと関連しており、子宮内膜症などの疾患の臨床的指標として機能する可能性があることが示された。

ABSTRACT

The menstrual cycle is a key indicator of overall health for women of reproductive age. Previously, menstruation was primarily studied through survey results; however, as menstrual tracking mobile apps become more widely adopted, they provide an increasingly large, content-rich source of menstrual health experiences and behaviors over time. By exploring a database of user-tracked observations from the Clue app by BioWink of over 378,000 users and 4.9 million natural cycles, we show that self-reported menstrual tracker data can reveal statistically significant relationships between per-person cycle length variability and self-reported qualitative symptoms. A concern for self-tracked data is that they reflect not only physiological behaviors, but also the engagement dynamics of app users. To mitigate such potential artifacts, we develop a procedure to exclude cycles lacking user engagement, thereby allowing us to better distinguish true menstrual patterns from tracking anomalies. We uncover that women located at different ends of the menstrual variability spectrum, based on the consistency of their cycle length statistics, exhibit statistically significant differences in their cycle characteristics and symptom tracking patterns. We also find that cycle and period length statistics are stationary over the app usage timeline across the variability spectrum. The symptoms that we identify as showing statistically significant association with timing data can be useful to clinicians and users for predicting cycle variability from symptoms or as potential health indicators for conditions like endometriosis. Our findings showcase the potential of longitudinal, high-resolution self-tracked data to improve understanding of menstruation and women's health as a whole.

研究の動機と目的

• 生理的周期長のばらつきが月経周期における自己報告症状とどのように関連するかを理解すること。
• 低参加度のサイクルを除外することで、自己追跡モバイルヘルスデータに潜在するバイアスを是正し、真の生理的パターンを特定すること。
• 周期長のばらつきの異なるレベルに関連する統計的に有意な症状追跡パターンを同定すること。
• 周期長および生理期間の統計が、ばらつきのスケール全体にわたって時間経過とともに安定しているかを評価すること。
• 症状追跡が、子宮内膜症のような潜在的な生殖器疾患の代理指標としての可能性を評価すること。

提案手法

• Clueアプリから得られた匿名化され、縦断的自己追跡データを用い、378,000人のユーザーから490万件の自然周期のデータを分析した。
• 各ユーザーごとの周期長の変動係数（CV）を用いて周期長のばらつきを定義し、常に著しく変動しないグループと常に著しく変動するグループにユーザーを分類した。
• 低追跡活動のサイクルを除外するユーザー参加度フィルタを適用し、データ品質を向上させ、アーチファクトを低減した。
• 2標本Kolmogorov–Smirnov（KS）検定を用いて、ばらつきグループ間での症状報告率の経験的累積分布関数を比較した。
• 極端な症状報告率（p(λs > 0.95) および p(λs < 0.05)）のオッズ比を計算し、一貫したまたはまれな症状追跡の違いを評価した。
• KS検定統計量の95％信頼区間を推定するために、ブートストラップリサンプリング（100,000回の反復）を用いた。

実験結果

リサーチクエスチョン

• RQ1 周期長のばらつきは、月経周期における自己報告症状の追跡パターンとどのように相関するか？
• RQ2 症状報告パターンは、常に周期が一定の女性と著しく変動する女性を区別できるか？
• RQ3 周期長および生理期間の統計は、周期のばらつきの異なるレベルにおいて時間経過とともに安定しているか？
• RQ4 自己追跡された症状パターンは、追跡アーチファクトではなく、真の生理的変動を反映しているのか、どの程度の割合で反映しているか？
• RQ5 どの症状が周期長のばらつきと統計的に有意に関連し、潜在的な健康指標として機能する可能性があるか？

主な発見

• 常に著しく変動する周期の女性は、常に周期が一定の女性と比較して、症状追跡パターンに統計的に有意な差を示しており、Kolmogorov–Smirnov検定の結果（複数の症状についてp < 0.05）で裏付けられた。
• けいれん、頭痛、気分変動などの症状は、周期長のばらつきと統計的に有意に関連しており、オッズ比から著しく変動するユーザーにおいて一貫した報告がより高い可能性があると示された。
• 症状追跡の割合（λs）は、ばらつきグループ間で有意義な差を示しており、一部の症状は著しく変動するユーザーにおいてほぼすべてのサイクルで報告されやすい傾向にあった。
• 周期長および生理期間の統計は、全範囲のばらつきスケールにおいて時間経過とともに安定しており、長期的なパターンが安定していることを示した。
• 症状報告パターンはランダムなアーチファクトではなく、周期のばらつきと関連する真の生理的および行動的差を反映している。
• 本研究は、適切にユーザー参加度をフィルタリングした高分解能の自己追跡モバイルヘルスデータが、適切に処理されれば、女性の健康における臨床的に関連するパターンを信頼性高く明らかにできることを示した。