Bayesiansk cyklusforudsigelse

De fleste cyklus-apps tager udgangspunkt i en antagelse om 28 dage og enten ignorerer variationen eller korrigerer bagefter. Soulwise bruger i stedet bayesiansk forudsigelse — en statistisk metode, hvor estimatet af "hvilken fase er du i i dag" er det posteriore resultat af to ting: din historiske cykluslængde (prioren) og de daglige check-ins, du har registreret i denne cyklus (evidensen).

Hvorfor bayesiansk og ikke fast

En fast cyklus på 28 dage er selvsikkert forkert for de fleste. Det normale kliniske interval er 21 til 35 dage, den individuelle variation fra måned til måned er stor, og livets begivenheder (stress, rejser, søvn, træningsmængde) ændrer cykluslængden mere, end de fleste forventer. En estimator med fast længde giver dig en præcis faseangivelse, selv når den underliggende usikkerhed er høj.

Bayesiansk estimering giver dig en faseangivelse med et usikkerhedsinterval. Når intervallet er bredt (tidligt i dine data eller efter en cyklus, der trak ud), siger Soulwise det på fasekortet. Når intervallet er smalt (efter flere stabile cyklusser), er faseangivelsen til at stole på.

Hvad der indgår i din prior

• Længden på dine seneste seks cyklusser, hvis de er tilgængelige.
• En svagt informativ start-prior (28 ± 5), før der findes data.
• En drift-grænse, så ældre cyklusser vægter mindre end de nye.

Hvad indgår i grundlaget

• Dine daglige tjek-ind-chips og energiskala.
• Eventuel registreret blødning eller pletblødning.
• Valgfrie symptommarkeringer (hovedpine, kramper), hvis du logger dem.

Systemet bruger ikke:

• Basal kropstemperatur (vi er ikke en fertilitetsapp).
• Symptombaserede gæt om ægløsning (uden for vores område).
• Rapporter om cervixslim (uden for vores område).

Hvad det ikke gør

Det forudsiger ikke ægløsning til hverken prævention eller befrugtning. Se non-medical-cycle-tracking for den fulde holdning til, hvad vi ikke hævder.

Det udpeger ikke en enkelt dag, når usikkerheden er stor. Fasekortet viser et vindue på 2 til 4 dage med konfidensskygning.

Det lærer ikke af andres data. Hver bruger har sin egen Bayesianske model, der kører på enheden mod brugerens egen krypterede historik.

Hvor det dukker op

I fasekortet i den daglige ritual, i opsummeringsbrevet og som input til cycle-weather — den kortsigtede udsving-aflæsning sammenlignet med din stabile baseline.