XiaoMi-AI文件搜索系统
World File Search System排卵日
建立定量月经周期监测的黄金标准
Abstract: Background and Objectives : The Quantum Menstrual Health Monitoring Study will mea- sure four key reproductive hormones in the urine (follicle-stimulating hormone, FSH; estrone-3- glucuronide, E 1 3G; luteinizing hormone, LH; and pregnanediol glucuronide, PDG) to characterize patterns that predict and confirm ovulation, referenced to正常循环的参与者，血清激素和超声排卵日的金标准。这些正常周期将提供参考，以与多囊卵巢综合征（PCOS）和运动员的受试者中的不规则周期进行比较。材料和方法：参与者将跟踪其月经周期3个月，并配备一个家庭尿激素监测仪（MIRA监测器）以预测排卵。排卵的日子将与社区诊所完成的连续超声一起确认。尿液结果将与血清激素值进行比较。将使用自定义应用程序确定月经健康的其他标记，例如出血模式和温度变化。将招募三个小组。第1组将包括具有一致的常规循环长度（在24-38天之间）的那些，并将与两组不规则循环长度（周期长度变化增加且周期更长）进行比较。第2组将包括患有多囊卵巢综合征（PCOS）的患有不规则周期和第3组的人，将包括参加不规则循环的高水平运动的人。结论：预计对月经周期的精确监测会影响想要提高月经健康素养的个人，并指导有关生育能力的决策。假设：MIRA监测的定量尿激素模式将与血清激素水平准确相关，并将在具有常规循环以及不规则循环的患者中预测（使用LH）和构造（带有PDG）（带有PDG）的超声排卵日。理由：一旦超声验证完成，具有定制应用程序的MIRA监视器之类的工具可能会成为对月经周期的远程和远程临床监测的新标准，而无需使用劳动力密集型滤泡超声超声或遵循血清激素的变化。
人工智能在自然周期宫内授精和定时性交中的应用
目的：开发一种机器学习模型，用于预测自然周期中宫内授精或定时性交 (TI) 的排卵时间和最佳受精窗口。设计：一项回顾性队列研究。地点：一家大型体外受精单位。患者：2018 年至 2022 年间接受 2,467 次自然周期 - 冷冻胚胎移植周期的患者。干预措施：无。主要结果测量：预测实施授精或 TI 的最佳日期的准确性。结果：数据集被分成一个包括 1,864 个周期的训练集和 2 个测试集。在测试集中，排卵是通过专家意见或由 2 名独立的生育专家确定排卵日（“专家”）（496 个周期）或根据连续 2 天的超声检查之间主要卵泡的消失来确定的（“确定排卵”）（107 个周期）。训练了两种算法：一种是 NGBoost 机器学习模型，用于估计每个周期发生排卵的概率；一种是治疗管理算法，使用学习模型来确定最佳授精日或是否应进行另一次血液测试。最后一次测试的雌二醇孕酮和黄体生成素水平是该模型使用的最具影响力的特征。“确定排卵”和“专家”测试集的平均测试次数分别为 2.78 和 2.85。在“专家”组中，92.9% 的病例中，该算法正确预测了排卵并建议在第 1 天或第 2 天进行授精。在 2.9% 的病例中，该算法预测为“失误”，这意味着上次测试日已经是排卵日或以后，建议避免进行授精。在 4.2% 的病例中，该算法预测为“错误”，建议进行授精，但事实上应该在非最佳日期（0 或 3）进行。“确定排卵”组也有类似的结果。结论：据我们所知，这是第一项仅基于血液测试实施机器学习模型以高精度安排授精或 TI 的研究，这归因于算法能够整合多种因素而不是仅仅依赖黄体生成素激增。引入该模型的功能可能会提高排卵预测的准确性和效率，并增加受孕的机会。临床试验注册号：HMC-0008-21。（Fertil Steril 2023；120：1004 – 2023 年 12 月，美国生殖医学会。）本文最后提供西班牙语版本。