Ipinaliwanag ang Bayesian Cycle Modeling: Bakit Sigma ang Ipinapakita Namin, Hindi Petsa

Karamihan sa mga cycle app ay nagpapakita sa iyo ng tiyak na petsa. "Period: March 14." Mukha itong katotohanan. Pero isa lang itong piniling UX na nagtatago ng probability distribution sa likod ng iisang numero. Ang Bayesian cycle modeling ay gumagamit ng parehong matematika ngunit ipinapakita sa iyo ang spread.

Ipinapaliwanag ng post na ito kung paano talaga gumagana ang matematika, bakit inilalantad ng Soulwise ang sigma sa halip na magpanggap na sigurado, at kung ano ang itsura nito sa pang-araw-araw na UI.

Ano ba talaga ang ibig sabihin ng "Bayesian" dito

Pinagsasama ng Bayesian inference ang dalawang bagay:

• Isang prior: ang panimula mong paniniwala tungkol sa haba ng cycle bago ka magkaroon ng data mula sa partikular na user na ito.
• Isang likelihood: kung ano ang sinasabi sa iyo ng bawat bagong na-log na cycle.

I-multiply ang mga ito, i-normalize, at makukuha mo ang posterior: ang na-update mong paniniwala. Ang posterior na iyon ang magiging prior para sa susunod na cycle. Mas tumatalas ang modelo habang dumarating ang mas maraming cycle.

Nagsisimula ang Soulwise sa Gaussian prior na nakasentro sa mu = 28 na araw na may standard deviation na sigma = 5 na araw. Iyon ang magaspang na hugis ng haba ng cycle sa mas malawak na populasyon. Habang nila-log ang iyong sariling mga cycle, inililipat ng modelo ang sentro papunta sa personal mong mean at hinihigpitan (o pinaluluwag) ang sigma batay sa iyong variability.

Ang conjugate update, sa isang talata

Para sa Gaussian prior at Gaussian likelihood, maayos na nagsisimplify ang matematika. Kung sinasabi ng iyong prior na cycle ~ N(mu_0, sigma_0) at nakakaobserba ka ng mga cycle x_1, x_2, ..., x_n, Gaussian din ang posterior:

posterior_mean = (mu_0 / sigma_0^2 + sum(x_i) / sigma_observed^2) / (1 / sigma_0^2 + n / sigma_observed^2)
posterior_sigma = sqrt(1 / (1 / sigma_0^2 + n / sigma_observed^2))

Pagpapaliwanag: kung mas maraming cycle ang itinatala mo, mas bumababa ang halaga ng prior at mas nangingibabaw ang iyong personal na datos. Pagkatapos ng ~3 na naitalang cycle, maliit na lang ang ambag ng population prior; pagkatapos ng ~10, ito ay ingay na lamang.

Ang nakikita ng user

Ang posterior ay isang kurba. Hindi maipapakita ng UI ang isang kurba sa loob ng notification. Kaya pinagsasama ito ng Soulwise sa dalawang bagay:

• Isang malamang na saklaw. Ang window kung saan inilalagay ng posterior ang halos lahat ng mass nito (hal., ang gitnang 68% na interval, humigit-kumulang +/- 1 sigma).
• Isang confidence label. Isa sa tatlong simpleng tag:
  • "Malamang na correlation" kapag masikip ang sigma at bago ang datos.
  • "Mahinang signal" kapag malawak ang sigma o kakaunti ang datos.
  • "Kulang ang datos" kapag mas kakaunti kaysa sa minimum na logged cycles ng modelo ang available.

Kaya sa halip na "Period: March 14,," ang nakikita ng user ay "Malamang March 12-16, mahinang signal." Iyan ang aktwal na output ng modelo, hindi isang dekorasyon lang sa UX.

Bakit walang itinatago

Tatlong dahilan.

Katapatan. Hindi maipapangako ng isang pattern tracker ang isang petsa na hindi nito alam. Ang paglalahad ng sigma ang tanging paraan para makapag-kalibrate ng tiwala ang user.

Kaligtasan. Ang isang petsang mukhang siguradong-sigurado ay nagtutulak sa mga tao na magplano batay rito para sa mga bagay na hindi kayang suportahan ng app, kabilang ang paglilihi, pagpigil sa pagbubuntis, at mga klinikal na desisyon. Ang isang confidence label ay nagsasabing "isa itong tantiya," na siya ngang totoo.

Tibay sa irregular na siklo. Ang PCOS, perimenopause, mga siklo pagkatapos ng pill, at hormone therapy ay nagpapalawak lahat ng sigma. Ang tradisyonal na tracker ay malayong-malayo sa tama o tahimik na iniiwan ang user. Ang isang Bayesian tracker ay nilalagyan lang ng label na "mahinang signal" ang tantiya at patuloy na gumagana.

Ang hindi ginagawa ng modelo

Ilang matitigas na limitasyon, isinulat para hindi ito maligaw:

• Hindi nito tinatantiya ang mga tiyak na pangyayari sa cycle lampas sa susunod na hanay ng petsa ng regla.
• Hindi nito ipinapakita ang isang family-planning window.
• Hindi ito idinisenyo para sa paggamit sa pagbubuntis o pagpipigil sa pagbubuntis.
• Hindi ito clinically validated at hindi nito pinapalitan ang payo mula sa doktor para sa mga nalampasang regla, hindi regular na pagdurugo, o tumatagal na sintomas.

Ang mga limitasyong ito ay hindi dahil maingat ang modelo. Ito ay dahil tama ang saklaw ng modelo. Ang pagtantiya ng regla at ang pagtantiya para sa family planning ay magkaibang suliranin na may magkaibang pangangailangan sa datos at magkaibang pamantayan sa regulasyon.

Kung saan nagtatagpo ang matematika at ang pang-araw-araw na ritwal

Sa Soulwise, ang Bayesian output ay nagbibigay ng cycle-phase context na ginagamit sa daily check-in. Ang 20-segundong ritwal ay nagtatanong kung ano ang nararamdaman mo; ginagamit ng tugon ang cycle phase bilang isa sa limang input. Kapag malawak ang sigma, mas kaunti ang bigat na ibinibigay ng response card sa cycle phase. Kapag makitid ang sigma, mas malaki ang bigat na ibinibigay nito sa cycle phase. Pinapatunayan ng matematika ang halaga nito sa pamamagitan ng pagiging tapat tungkol sa kung gaano ito katiyak.

Ang mas maikling bersyon: ang totoong Bayesian tracker ay nagpapakita ng sigma. Kung iisang tiyak na petsa lang ang ipinapakita ng app mo, maaaring pareho lang ang modelong nasa likod, pero itinatago ng framing kung ano talaga ang alam nito.