ಬೇಯೆಸಿಯನ್ ಸೈಕಲ್ ಮಾಡೆಲಿಂಗ್ ವಿವರಣೆ: ನಾವು ದಿನಾಂಕವಲ್ಲ, ಸಿಗ್ಮಾ ಏಕೆ ತೋರಿಸುತ್ತೇವೆ

ಹೆಚ್ಚಿನ ಸೈಕಲ್ app ಗಳು ನಿಮಗೆ ಒಂದು ಖಚಿತ ದಿನಾಂಕವನ್ನು ತೋರಿಸುತ್ತವೆ. "Period: March 14." ಇದು ಒಂದು ಸತ್ಯದಂತೆ ಕಾಣುತ್ತದೆ. ಆದರೆ ಇದು ಒಂದೇ ಸಂಖ್ಯೆಯ ಹಿಂದೆ ಸಂಭವನೀಯತಾ ವಿತರಣೆಯನ್ನು ಮರೆಮಾಡುವ UX ಆಯ್ಕೆ. ಬೇಯೆಸಿಯನ್ ಸೈಕಲ್ ಮಾಡೆಲಿಂಗ್ ಅದೇ ಗಣಿತವನ್ನು ಮಾಡುತ್ತದೆ, ಆದರೆ ನಿಮಗೆ ಆ ಹರಡುವಿಕೆಯನ್ನು ತೋರಿಸುತ್ತದೆ.

ಗಣಿತವು ನಿಜವಾಗಿ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ, Soulwise ಖಚಿತತೆಯ ನಟನೆ ಮಾಡುವ ಬದಲು ಸಿಗ್ಮಾವನ್ನು ಏಕೆ ಮುಂದಿಡುತ್ತದೆ, ಮತ್ತು ದೈನಂದಿನ UI ನಲ್ಲಿ ಅದು ಹೇಗೆ ಕಾಣುತ್ತದೆ ಎಂಬುದನ್ನು ಈ ಪೋಸ್ಟ್ ವಿವರಿಸುತ್ತದೆ.

ನೆನಪಿನಲ್ಲಿಡಬೇಕಾದದ್ದು

• Bayesian ಸೈಕಲ್ ಮಾಡೆಲಿಂಗ್ ಒಂದು Gaussian prior ನಿಂದ ಆರಂಭವಾಗುತ್ತದೆ, ಇದು ಸಾಮಾನ್ಯ ಋತುಚಕ್ರದ ಅವಧಿಯನ್ನು ವಿವರಿಸುತ್ತದೆ (Soulwise mu=28, sigma=5 ಬಳಸುತ್ತದೆ) ಮತ್ತು ಹೊಸದಾಗಿ ದಾಖಲಿಸಿದ ಪ್ರತಿ ಸೈಕಲ್‌ನೊಂದಿಗೆ ಆ prior ಅನ್ನು conjugate update ಮೂಲಕ ನವೀಕರಿಸುತ್ತದೆ.
• ಫಲಿತಾಂಶವು ಒಂದೇ ದಿನಾಂಕವಲ್ಲ, ಬದಲಾಗಿ ಸಂಭವನೀಯತೆಯ ವಿತರಣೆಯಾಗಿದೆ.
• Soulwise ಇದನ್ನು ಒಂದು ಸಂಭವನೀಯ ಶ್ರೇಣಿ ಜೊತೆಗೆ ಮೂರು ವಿಶ್ವಾಸ ಲೇಬಲ್‌ಗಳಲ್ಲಿ ಒಂದನ್ನು ತೋರಿಸುತ್ತದೆ: "Likely correlation," "Weak signal," ಅಥವಾ "Not enough data." Sigma ಅನ್ನು ಬಳಕೆದಾರರಿಗೆ ತೋರಿಸಲಾಗುತ್ತದೆ, ಮರೆಮಾಡಲಾಗುವುದಿಲ್ಲ.
• ಈ ಮಾಡೆಲ್ ಮಾದರಿಗಳನ್ನು ಗಮನಿಸಲು, ಕುಟುಂಬ ಯೋಜನೆ ಅಥವಾ ಗರ್ಭನಿರೋಧಕಕ್ಕಲ್ಲ.

ಇಲ್ಲಿ "Bayesian" ಎಂದರೆ ನಿಜವಾಗಿ ಏನು

Bayesian inference ಎರಡು ವಿಷಯಗಳನ್ನು ಸೇರಿಸುತ್ತದೆ:

• ಒಂದು prior: ಈ ನಿರ್ದಿಷ್ಟ ಬಳಕೆದಾರರ ಡೇಟಾ ನಿಮಗೆ ಸಿಗುವ ಮೊದಲು ಸೈಕಲ್ ಉದ್ದದ ಬಗ್ಗೆ ನಿಮ್ಮ ಆರಂಭಿಕ ನಂಬಿಕೆ.
• ಒಂದು likelihood: ಹೊಸದಾಗಿ ದಾಖಲಾದ ಪ್ರತಿ ಸೈಕಲ್ ನಿಮಗೆ ಏನು ಹೇಳುತ್ತದೆ ಎಂಬುದು.

ಇವುಗಳನ್ನು ಗುಣಿಸಿ, normalize ಮಾಡಿ, ಆಗ ನಿಮಗೆ ಸಿಗುತ್ತದೆ posterior: ನಿಮ್ಮ ನವೀಕರಿಸಿದ ನಂಬಿಕೆ. ಆ posterior ಮುಂದಿನ ಸೈಕಲ್‌ಗೆ prior ಆಗುತ್ತದೆ. ಹೆಚ್ಚು ಸೈಕಲ್‌ಗಳು ಬಂದಂತೆ ಮಾದರಿ ಹೆಚ್ಚು ನಿಖರವಾಗುತ್ತದೆ.

Soulwise mu = 28 ದಿನಗಳಲ್ಲಿ ಕೇಂದ್ರೀಕೃತವಾದ Gaussian prior ನಿಂದ ಆರಂಭಿಸುತ್ತದೆ, ಇದರ standard deviation sigma = 5 ದಿನಗಳು. ಇದು ವಿಶಾಲ ಜನಸಂಖ್ಯೆಯಾದ್ಯಂತ ಸೈಕಲ್ ಉದ್ದದ ಸ್ಥೂಲ ಆಕಾರ. ನಿಮ್ಮ ಸ್ವಂತ ಸೈಕಲ್‌ಗಳು ದಾಖಲಾದಂತೆ, ಮಾದರಿ ಕೇಂದ್ರವನ್ನು ನಿಮ್ಮ ವೈಯಕ್ತಿಕ ಸರಾಸರಿಯ ಕಡೆಗೆ ಸರಿಸುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ ವ್ಯತ್ಯಾಸದ ಆಧಾರದ ಮೇಲೆ sigma ಅನ್ನು ಬಿಗಿಗೊಳಿಸುತ್ತದೆ (ಅಥವಾ ಸಡಿಲಗೊಳಿಸುತ್ತದೆ).

ಸಂಯೋಜಿತ ಅಪ್‌ಡೇಟ್, ಒಂದು ಪ್ಯಾರಾಗ್ರಾಫ್‌ನಲ್ಲಿ

ಗಾಸಿಯನ್ ಪ್ರಯರ್ ಮತ್ತು ಗಾಸಿಯನ್ ಲೈಕ್ಲಿಹುಡ್‌ಗೆ, ಗಣಿತ ಸುಂದರವಾಗಿ ಸರಳಗೊಳ್ಳುತ್ತದೆ. ನಿಮ್ಮ ಪ್ರಯರ್ cycle ~ N(mu_0, sigma_0) ಎಂದು ಹೇಳಿದರೆ ಮತ್ತು ನೀವು x_1, x_2, ..., x_n ಸೈಕಲ್‌ಗಳನ್ನು ಗಮನಿಸಿದರೆ, ಪೋಸ್ಟೀರಿಯರ್ ಕೂಡ ಗಾಸಿಯನ್ ಆಗಿರುತ್ತದೆ:

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))

ಅರ್ಥ: ನೀವು ಎಷ್ಟು ಹೆಚ್ಚು ಸೈಕಲ್‌ಗಳನ್ನು ದಾಖಲಿಸುತ್ತೀರೋ, ಪ್ರಯರ್ ಅಷ್ಟು ಕಡಿಮೆ ಮುಖ್ಯವಾಗುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ ವೈಯಕ್ತಿಕ ಡೇಟಾ ಅಷ್ಟು ಹೆಚ್ಚು ಪ್ರಾಬಲ್ಯ ಹೊಂದುತ್ತದೆ. ಸುಮಾರು 3 ದಾಖಲಿತ ಸೈಕಲ್‌ಗಳ ನಂತರ, ಜನಸಂಖ್ಯಾ ಪ್ರಯರ್ ಒಂದು ಸಣ್ಣ ಕೊಡುಗೆದಾರ; ಸುಮಾರು 10, ನಂತರ ಅದು ನಾಯ್ಸ್ ಆಗಿರುತ್ತದೆ.

ಬಳಕೆದಾರರಿಗೆ ಏನು ಕಾಣುತ್ತದೆ

posterior ಒಂದು ವಕ್ರರೇಖೆ. UI ಒಂದು notification ನಲ್ಲಿ ವಕ್ರರೇಖೆಯನ್ನು ತೋರಿಸಲಾಗದು. ಆದ್ದರಿಂದ Soulwise ಅದನ್ನು ಎರಡು ವಿಷಯಗಳಾಗಿ ಸಂಕುಚಿಸುತ್ತದೆ:

• ಒಂದು ಸಂಭವನೀಯ ವ್ಯಾಪ್ತಿ. posterior ತನ್ನ ಹೆಚ್ಚಿನ ಭಾಗವನ್ನು ಇರಿಸುವ ವಿಂಡೋ (ಉದಾ., ಕೇಂದ್ರೀಯ 68% ಅಂತರ, ಸುಮಾರು +/- 1 ಸಿಗ್ಮಾ).
• ಒಂದು ವಿಶ್ವಾಸ ಲೇಬಲ್. ಮೂರು ಸರಳ ಆಂಗ್ಲ ಟ್ಯಾಗ್‌ಗಳಲ್ಲಿ ಒಂದು:
  • "Likely correlation" — ಸಿಗ್ಮಾ ಬಿಗಿಯಾಗಿದ್ದಾಗ ಮತ್ತು ಡೇಟಾ ಇತ್ತೀಚಿನದಾಗಿದ್ದಾಗ.
  • "Weak signal" — ಸಿಗ್ಮಾ ವಿಶಾಲವಾಗಿದ್ದಾಗ ಅಥವಾ ಡೇಟಾ ವಿರಳವಾಗಿದ್ದಾಗ.
  • "Not enough data" — ಮಾದರಿಯ ಕನಿಷ್ಠ ದಾಖಲಿತ ಆವರ್ತನಗಳಿಗಿಂತ ಕಡಿಮೆ ಲಭ್ಯವಿದ್ದಾಗ.

ಆದ್ದರಿಂದ "Period: March 14," ಎನ್ನುವ ಬದಲು ಬಳಕೆದಾರರಿಗೆ "Likely March 12-16, weak signal" ಕಾಣುತ್ತದೆ. ಅದು ಮಾದರಿಯ ನಿಜವಾದ ಔಟ್‌ಪುಟ್, UX ಅಲಂಕಾರವಲ್ಲ.

ಏಕೆ ಏನನ್ನೂ ಮುಚ್ಚಿಡಬಾರದು

ಮೂರು ಕಾರಣಗಳು.

ಪ್ರಾಮಾಣಿಕತೆ. ತನಗೆ ತಿಳಿಯದ ದಿನಾಂಕವನ್ನು ಒಂದು ಪ್ಯಾಟರ್ನ್ ಟ್ರ್ಯಾಕರ್ ಭರವಸೆ ನೀಡಲಾರದು. ಸಿಗ್ಮಾವನ್ನು ಮುಂದಿಡುವುದೇ, ಬಳಕೆದಾರರು ತಮ್ಮ ನಂಬಿಕೆಯನ್ನು ಸರಿಹೊಂದಿಸಿಕೊಳ್ಳಲು ಇರುವ ಏಕೈಕ ಮಾರ್ಗ.

ಸುರಕ್ಷತೆ. ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಕಾಣುವ ದಿನಾಂಕವು, app ಬೆಂಬಲಿಸಲಾಗದ ವಿಷಯಗಳಿಗೆ — ಗರ್ಭಧಾರಣೆ, ಗರ್ಭನಿರೋಧ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರಗಳು ಸೇರಿದಂತೆ — ಜನರು ಅದರ ಸುತ್ತ ಯೋಜನೆ ಹಾಕಿಕೊಳ್ಳುವಂತೆ ಪ್ರೋತ್ಸಾಹಿಸುತ್ತದೆ. ಕಾನ್ಫಿಡೆನ್ಸ್ ಲೇಬಲ್ "ಇದು ಒಂದು ಅಂದಾಜು" ಎಂದು ಹೇಳುತ್ತದೆ, ಮತ್ತು ಅದು ನಿಜವಾಗಿಯೂ ಅಷ್ಟೇ.

ಅನಿಯಮಿತ ಚಕ್ರಗಳಿಗೆ ಗಟ್ಟಿತನ. PCOS, ಪೆರಿಮೆನೋಪಾಸ್, ಗುಳಿಗೆ ನಿಲ್ಲಿಸಿದ ನಂತರದ ಚಕ್ರಗಳು ಮತ್ತು ಹಾರ್ಮೋನ್ ಥೆರಪಿ — ಇವೆಲ್ಲವೂ ಸಿಗ್ಮಾವನ್ನು ವಿಸ್ತರಿಸುತ್ತವೆ. ಸಾಂಪ್ರದಾಯಿಕ ಟ್ರ್ಯಾಕರ್ ಒಂದೋ ತೀರಾ ತಪ್ಪಾಗಿ ಲೆಕ್ಕ ಹಾಕುತ್ತದೆ, ಇಲ್ಲವೇ ಬಳಕೆದಾರರನ್ನು ಸದ್ದಿಲ್ಲದೆ ಕೈಬಿಡುತ್ತದೆ. ಬೇಯೆಸಿಯನ್ ಟ್ರ್ಯಾಕರ್ ಮಾತ್ರ ಆ ಅಂದಾಜನ್ನು "ದುರ್ಬಲ ಸಂಕೇತ" ಎಂದು ಲೇಬಲ್ ಮಾಡಿ ಕೆಲಸ ಮುಂದುವರಿಸುತ್ತದೆ.

ಮಾಡೆಲ್ ಏನು ಅಲ್ಲ

ಕೆಲವು ಕಠಿಣ ಮಿತಿಗಳು, ಅವು ಬದಲಾಗದಂತೆ ಬರೆದಿಡಲಾಗಿದೆ:

• ಮುಂದಿನ ಮುಟ್ಟಿನ ದಿನಾಂಕದ ವ್ಯಾಪ್ತಿಯನ್ನು ಮೀರಿದ ನಿರ್ದಿಷ್ಟ ಆವರ್ತನ ಘಟನೆಗಳನ್ನು ಇದು ಅಂದಾಜಿಸುವುದಿಲ್ಲ.
• ಇದು ಕುಟುಂಬ ಯೋಜನೆಯ ಕಾಲಾವಧಿಯನ್ನು ಒದಗಿಸುವುದಿಲ್ಲ.
• ಇದು ಗರ್ಭಧಾರಣೆ ಅಥವಾ ಗರ್ಭನಿರೋಧಕ ಬಳಕೆಯ ಸಂದರ್ಭಗಳಿಗೆ ರೂಪಿಸಲಾಗಿಲ್ಲ.
• ಇದು ಕ್ಲಿನಿಕಲ್ ಆಗಿ ಮೌಲ್ಯೀಕರಿಸಲ್ಪಟ್ಟಿಲ್ಲ ಮತ್ತು ತಪ್ಪಿದ ಮುಟ್ಟು, ಅನಿಯಮಿತ ರಕ್ತಸ್ರಾವ, ಅಥವಾ ನಿರಂತರ ರೋಗಲಕ್ಷಣಗಳಿಗೆ ಕ್ಲಿನಿಕಲ್ ಸಲಹೆಯನ್ನು ಬದಲಾಯಿಸುವುದಿಲ್ಲ.

ಈ ಮಿತಿಗಳು ಮಾಡೆಲ್ ಸಂಪ್ರದಾಯಶೀಲವಾಗಿರುವುದಲ್ಲ. ಅವು ಮಾಡೆಲ್ ಸರಿಯಾಗಿ ಅದರ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಇರುವುದನ್ನು ತೋರಿಸುತ್ತವೆ. ಮುಟ್ಟಿನ ಅಂದಾಜು ಮತ್ತು ಕುಟುಂಬ ಯೋಜನೆಯ ಅಂದಾಜು — ಇವು ಬೇರೆ ಬೇರೆ ದತ್ತಾಂಶದ ಅಗತ್ಯಗಳು ಮತ್ತು ಬೇರೆ ಬೇರೆ ನಿಯಂತ್ರಕ ಮಾನದಂಡಗಳಿರುವ ಭಿನ್ನ ಸಮಸ್ಯೆಗಳು.

ಗಣಿತವು ದೈನಂದಿನ ಆಚರಣೆಯನ್ನು ಭೇಟಿಯಾಗುವಲ್ಲಿ

Soulwise ನಲ್ಲಿ, Bayesian ಫಲಿತಾಂಶವು ದೈನಂದಿನ ಚೆಕ್-ಇನ್‌ನಲ್ಲಿ ಬಳಸುವ cycle-phase ಸಂದರ್ಭ ಕ್ಕೆ ಮಾಹಿತಿ ನೀಡುತ್ತದೆ. 20-ಸೆಕೆಂಡ್‌ಗಳ ಆಚರಣೆ ನೀವು ಹೇಗೆ ಭಾವಿಸುತ್ತೀರಿ ಎಂದು ಕೇಳುತ್ತದೆ; ಆ ಪ್ರತಿಕ್ರಿಯೆ cycle phase ಅನ್ನು ಐದು ಇನ್‌ಪುಟ್‌ಗಳಲ್ಲಿ ಒಂದಾಗಿ ಬಳಸುತ್ತದೆ. sigma ವಿಶಾಲವಾಗಿದ್ದಾಗ, ಪ್ರತಿಕ್ರಿಯೆ ಕಾರ್ಡ್ cycle phase ಗೆ ಕಡಿಮೆ ತೂಕ ನೀಡುತ್ತದೆ. sigma ಬಿಗಿಯಾಗಿದ್ದಾಗ, ಅದು cycle phase ಗೆ ಹೆಚ್ಚು ತೂಕ ನೀಡುತ್ತದೆ. ತಾನು ಎಷ್ಟು ಆತ್ಮವಿಶ್ವಾಸ ಹೊಂದಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಪ್ರಾಮಾಣಿಕವಾಗಿರುವ ಮೂಲಕ ಗಣಿತವು ತನ್ನ ತೂಕವನ್ನು ಗಳಿಸುತ್ತದೆ.

ಸಂಕ್ಷಿಪ್ತ ಆವೃತ್ತಿ: ನಿಜವಾದ Bayesian ಟ್ರ್ಯಾಕರ್ sigma ಅನ್ನು ತೋರಿಸುತ್ತದೆ. ನಿಮ್ಮ app ಒಂದೇ ಆತ್ಮವಿಶ್ವಾಸದ ದಿನಾಂಕವನ್ನು ತೋರಿಸಿದರೆ, ಒಳಗಿನ ಮಾಡೆಲ್ ಅದೇ ಆಗಿರಬಹುದು, ಆದರೆ ಆ ಮಂಡನೆಯು ಅದಕ್ಕೆ ನಿಜವಾಗಿ ಗೊತ್ತಿರುವುದನ್ನು ಮರೆಮಾಚುತ್ತಿದೆ.

ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಗಳು

ಸರಳ ಸರಾಸರಿಯ ಬದಲು ಬೇಯ್‌ಸಿಯನ್ ಮಾದರಿಯನ್ನು ಏಕೆ ಬಳಸಬೇಕು?

ಸರಳ ಸರಾಸರಿಯು ಅಂದಾಜು ಎಷ್ಟು ನಿಖರ ಎಂಬುದನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದಿಲ್ಲ. ಒಂದೇ 28-ದಿನದ ಸರಾಸರಿ ಹೊಂದಿರುವ ಇಬ್ಬರು ಬಳಕೆದಾರರ ಚಕ್ರದ ವ್ಯತ್ಯಾಸ ತುಂಬಾ ಭಿನ್ನವಾಗಿರಬಹುದು. ಬೇಯ್‌ಸಿಯನ್ ಮಾದರಿಗಳು ಕೇವಲ ಮಧ್ಯಬಿಂದುವನ್ನಲ್ಲ, ನಿಮ್ಮ ಡೇಟಾದ ಹರಡುವಿಕೆಯನ್ನೂ ಗಮನಿಸುತ್ತವೆ. ಹಾಗಾಗಿ ಅನಿಯಮಿತ ಚಕ್ರಗಳಿಗೆ ಅಂದಾಜು ವ್ಯಾಪ್ತಿ ಹಿಗ್ಗುತ್ತದೆ ಮತ್ತು ನಿಯಮಿತ ಚಕ್ರಗಳಿಗೆ ಕಿರಿದಾಗುತ್ತದೆ.

ಸಿಗ್ಮಾ ಪ್ರಾಯೋಗಿಕವಾಗಿ ನಿಜಕ್ಕೂ ಏನು ಅರ್ಥ ಕೊಡುತ್ತದೆ?

ಸಿಗ್ಮಾ ಎಂದರೆ ಚಕ್ರ-ಉದ್ದದ ವಿತರಣೆಯ ಪ್ರಮಾಣಿತ ವಿಚಲನೆ. ಚಿಕ್ಕ ಸಿಗ್ಮಾ (2 ದಿನಗಳಿಗಿಂತ ಕಡಿಮೆ) ಎಂದರೆ ನಿಮ್ಮ ಚಕ್ರಗಳು ಬಿಗಿಯಾಗಿ ಒಟ್ಟಿಗಿವೆ; ಸಂಭವನೀಯ ವ್ಯಾಪ್ತಿ ಕೆಲವೇ ದಿನಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತದೆ. ದೊಡ್ಡ ಸಿಗ್ಮಾ (5+ ದಿನಗಳು) ಎಂದರೆ ಚಕ್ರಗಳು ಒಂದು ವಾರ ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚು ಹರಡಿರುತ್ತವೆ, ಮತ್ತು app ಇದನ್ನು ಹೇಳಬೇಕು.

ಕೇವಲ ಒಂದೇ ಅಂದಾಜು ದಿನಾಂಕ ಏಕೆ ಕೊಡಬಾರದು?

ಏಕೆಂದರೆ ಮಾದರಿಗೆ ನಿಜಕ್ಕೂ ಒಂದೇ ದಿನಾಂಕ ತಿಳಿದಿಲ್ಲ. ಒಂದೇ ದಿನಾಂಕ ಎಂಬುದು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಮರೆಮಾಚುವ UX ಆಯ್ಕೆ. ವ್ಯಾಪ್ತಿಯನ್ನು ತೋರಿಸುವುದು ಹೆಚ್ಚು ಪ್ರಾಮಾಣಿಕ ಮತ್ತು ಗಣಿತ ನಿಜಕ್ಕೂ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂಬುದಕ್ಕೆ ಹೊಂದುತ್ತದೆ.

ಇದು ನಿರ್ದಿಷ್ಟ ಚಕ್ರದ ಘಟನೆಗಳನ್ನು ಅಂದಾಜಿಸುತ್ತದೆಯೇ?

ಇಲ್ಲ. ಬೇಯ್‌ಸಿಯನ್ ಚಕ್ರ ಮಾದರಿಯು ಮುಂದಿನ ಮುಟ್ಟು ಯಾವಾಗ ಸಂಭವಿಸುವ ಸಾಧ್ಯತೆ ಇದೆ ಎಂಬುದನ್ನು ಅಂದಾಜಿಸುತ್ತದೆ. ಇದು ಕುಟುಂಬ ಯೋಜನೆಯ ಸಾಧನವಲ್ಲ, ಗರ್ಭನಿರೋಧಕ ಸಾಧನವಲ್ಲ, ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಆಗಿ ಮಾನ್ಯ ಮಾಡಲಾದ ವಿಧಾನಗಳಿಗೆ ಪರ್ಯಾಯವಲ್ಲ.