自己追跡型モバイルヘルスデータを用いた月経周期の生理的・症状的変動の特徴付け

Characterizing physiological and symptomatic variation in menstrual cycles using self-tracked mobile-health data.

• Kathy Li
• Iñigo Urteaga
• Chris H Wiggins
• Anna Druet
• Amanda Shea
• Virginia J Vitzthum
• Noémie Elhadad

抄録

月経周期は、生殖年齢の高い女性の健康全般を示す重要な指標である。これまで月経は主に調査結果から研究されていましたが、月経を追跡するモバイルアプリの普及に伴い、月経の健康体験や行動に関する膨大で豊富な情報源を提供するようになりました。BioWink GmbHが提供する37万8000人以上のユーザーと490万回の自然周期を持つClueアプリのユーザー追跡観測のデータベースを調査することで、自己申告による月経トラッカーのデータが、一人あたりの周期の長さの変動と自己申告による質的症状との間に統計的に有意な関係を明らかにすることを示した。自己記録データの懸念点は、生理的な行動だけでなく、アプリユーザーのエンゲージメント・ダイナミクスも反映していることです。このような潜在的なアーチファクトを軽減するために、ユーザーのエンゲージメントを欠いた周期を除外する手順を開発し、トラッキングの異常と真の月経パターンをよりよく区別できるようにしました。月経変動スペクトルの異なる端に位置する女性は、周期長統計の一貫性に基づいて、周期の特徴と症状の追跡パターンに統計的に有意な違いがあることを明らかにした。また、周期と生理期間の長さの統計は、アプリの使用タイムライン上で、変動スペクトル全体にわたって定常的であることがわかりました。我々がタイミングデータと統計的に有意な関連を示した症状は、臨床医やユーザーが症状から周期の変動性を予測したり、子宮内膜症のような状態の潜在的な健康指標として有用であることがわかりました。我々の発見は、月経と女性の健康全体の理解を向上させるために、縦断的で高解像度の自己追跡データの可能性を示している。

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 GmbH 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.

© The Author(s) 2020.