Kan AI endometriose diagnosticeren aan de hand van onregelmatigheden in de menstruatiecyclus die worden gedetecteerd in gegevens van een menstruatie-tracking-app ?

Endometriose verstoort hormonale cycli en veroorzaakt vaak onregelmatige bloedingspatronen. Een AI-systeem dat app-gegenoteerde symptomen analyseert, zou atypische cycli die verband houden met de ziekte kunnen identificeren. Vroegtijdige detectie kan de vertraging in diagnose, die momenteel gemiddeld 7–10 jaar bedraagt, verkorten. De kwaliteit van de data en bias in door gebruikers gerapporteerde gegevens blijven belangrijke uitdagingen. Deze aanpak benut crowdsourced gezondheidspatronen op grote schaal.

Background

Endometriosis frequently disrupts menstrual cycles, producing erratic bleeding and symptom records that may differ from typical patterns. A 2023 study demonstrated that machine-learning models analyzing self-reported app data can achieve moderate accuracy in distinguishing probable endometriosis from control groups, yet they still incur high false-positive rates and lack confirmatory imaging or surgical validation—components considered essential for reliable diagnosis.

Because definitive diagnosis currently requires laparoscopic surgery or MRI, AI output based solely on menstrual irregularities is best treated as a preliminary signal rather than a conclusive verdict. Data quality issues, including user-reporting biases and incomplete logs, further complicate the approach. Present systems remain experimental and are not approved for stand-alone diagnostic use; any app-generated alert should prompt consultation with a qualified healthcare provider for appropriate testing.

— Enriched May 12, 2026 · Source: BMJ