Menstrual Cycle Heat Maps: Visualising menstrual cycle variability using hormone heat map arrays referenced to the ultrasound day of ovulation
Notice bibliographique
Résumé
Objective: There is considerable individual day-to-day variation within the menstrual cycle and between cycles in women. Average hormone curves inadequately describe the individual hormone patterns experienced by women. The present study applies a novel application of a statistical array (heat map) to demonstrate both individual and group menstrual cycle hormone variability. Design: Using pre-existing datasets, two cohorts of women were analysed using a statistical method to visualise quantitative hormonal variation. Subjects: In one cohort, 107 women contributed a total of 283 menstrual cycles and in the second cohort, 21 women contributed a total of 62 menstrual cycles. Exposure: Women collected first morning urine samples for analysis of estrone-3-glucuronide (E1G) and luteinizing hormone (LH) in both datasets. In the larger dataset, pregnanediol-3-alpha-glucuronide (PDG) and follicle-stimulating hormone (FSH) were also collected. Serial ultrasounds identified the precise day of ovulation in the larger dataset. In the smaller dataset, peak LH was used to identify the estimated day of ovulation. Outcome measure: The main outcome measure was identifying hormonal variability using hormone array heat maps. Conclusion: Heat maps were able to quickly show clustering of hormone patterns in the fertile window and on the day of ovulation. Individual differences were identified in rows on the heat map relative to the day of ovulation. This new tool to visually represent hormonal changes with heat maps identifies both individual and group variability of menstrual cycle hormones.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».