Characterization of Polycystic Ovary Syndrome Among Flo App Users Around the World
Notice bibliographique
Résumé
Abstract Background: Polycystic ovary syndrome (PCOS) is a complex and multi-faceted endocrine disorder that affects 5-20% of women. Literature is limited regarding potentially differing PCOS phenotypes among women around the world. Therefore, we used Flo app technology to understand the multifaceted characteristics of PCOS across several countries and identify contributing risk factors to the development of this condition.Methods: Flo is a widely used female health and wellbeing app with period tracking functionality that provides a globally representative and medically unbiased perspective on PCOS symptomatology. A chatbot dialog on PCOS was subsequently administered on the Flo application (app) to users from 142 countries (with at least 100 respondents) who have the app running in English during September-October 2019.Results: For analyses, we selected the five countries with the greatest number of respondents: US (n=243,238), UK (n=68,325), India (n=40,092), Philippines (n=35,131), and Australia (n=29,926). Bloating was the most frequently reported symptom among PCOS-positive women and appeared to be the main predictor of PCOS in our model (odds ratio 3·76 [95% CI 3·60-3·94]; p<0·0001). Additional top predictors of PCOS are high blood cholesterol and glucose levels. As BMI increased, the percentage of women who reported a physician-confirmed PCOS diagnosis also increased. However, women in India did not follow this trend.Conclusions: Our findings are based on the largest known PCOS dataset and indicate that symptoms are more complex than previously understood. The most frequently reported symptoms (bloating, facial hirsutism, irregular cycles, hyperpigmentation, and baldness) are broader than those included in the Rotterdam criteria. Future work should reevaluate and refine the criteria utilized in PCOS diagnosis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».