Skip to main content
NCBI home page
Revista da Escola de Enfermagem da USP logoLink to Revista da Escola de Enfermagem da USP
. 2025 Oct 13;59:e20240454. doi: 10.1590/1980-220X-REEUSP-2024-0454en
View full-text in Spanish

Effectiveness of menstruation and fertility tracking technology in childbearing women: a scoping review

Eficácia da tecnologia de acompanhamento da menstruação e fertilidade em mulheres em idade reprodutiva: uma revisão de alcance

Yi Li 1, Yuhui Fang 2, Shuiqin Gu 2
PMCID: PMC12519949  PMID: 41085255

ABSTRACT

Objective:

To investigate standardized temperature measurement protocols and intelligent data processing methods to improve ovulation prediction accuracy.

Method:

Based on Arksey and O'Malley's scoping review reporting framework, relevant publications from August 15, 2014, to August 15, 2024, were retrieved from the MEDLINE, EMBASE, SCOPUS, and Web of Science databases. The publications were screened, summarized, and evaluated according to the Critical Appraisal Skills Programme to assess their rigor.

Results:

A total of 21 publications reporting studies from 9 countries involving 26,044 participants were included. Fertility tracking system measurement devices based on basal body temperature (BBT) included wearable devices and basal body thermometers. The application functions included menstrual assessment, fertility prediction, contraception, and pregnancy management. The applications were evaluated in terms of functionality and user experience.

Conclusion:

Research into the application of fertility tracking based on BBT remains in the preliminary stage. The findings of this study provide a valuable reference for the development of personalized and convenient applications, which requires high-quality prospective cohort research.

DESCRIPTORS: Ovulation Detection, Fertility Window, Menstruation, Pregnancy, Scoping Review

INTRODUCTION

Basal body temperature (BBT) can be used as a sign of fertility and is commonly utilized to estimate the fertility window through consistent monitoring, including digital tracking in health applications (apps)(1). The principle behind monitoring is that BBT presents a biphasic pattern due to the thermogenic effect of progesterone, a hormone that increases after ovulation(2). Currently, approximately 68% of fertility tracking applications rely on self-reporting BBT and menstrual cycle data to predict menstrual tracking and fertility, as it is a cost-effective, easy-to-use, and non-invasive method(3,4). These applications often encompass various functions, such as tracking menstrual cycles, recording symptoms, contraception and family planning, and pregnancy monitoring(5). However, despite their popularity, these applications have been criticized for potential harm due to concerns about their accuracy and the lack of robust evidence supporting their efficacy, which may lead to potential risks such as unintended pregnancies or delayed diagnosis of infertility(6,7). Therefore, there is an urgent need to enhance the predictive accuracy of these applications and strengthen the relevant evidence.

With the development of wearable devices and advancements in machine learning algorithms, precise prediction of the fertility window is becoming feasible. When worn at night on various parts of the body, such as the wrist or distal areas, wearable devices can provide continuous and detailed skin temperature data(8,9). Multiple studies have confirmed the consistency between nighttime skin temperature and BBT(8,10). At the same time, innovative machine-learning algorithms have been developed to analyze extensive time-series data to improve the accuracy of ovulation day prediction(8,11).

Despite these advances, no systematic review has evaluated the current status of measurement devices, the function of intelligent algorithms, or the effectiveness of fertility tracking applications based on BBT. To address this gap, a scoping review was proposed that could identify research progress in specific thematic areas more rapidly than traditional reviews while providing an overview that could drive updates in knowledge systems within this field(12). Based on this proposition, the present study aimed to conduct a systematic scoping review based on Arksey and O’Malley’s scoping review framework to evaluate the accuracy, functionalities, and user experience of fertility tracking applications that use intelligent algorithms and are based on BBT. The findings provide a reference and foundation for future research on fertility tracking applications based on BBT among women of childbearing age.

METHOD

Study Design

This scoping review followed the methodological framework of the Joanna Briggs Institute (JBI), which aims to provide answers to a well-defined research question. Including research of various designs, this framework describes the extent, range, and nature of research and identifies lacunae in the existing literature. It consists of five steps: scoping, searching, screening, data extraction, and data analysis(13). Reporting of the methods and findings was guided by the Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA) criteria(14). Data for this review were publicly available, so approval by the institution’s ethics committee was unnecessary.

Research Questions

This scoping review addresses the following research questions: (1) What are the monitoring devices for BBT, and how can confounding factors be controlled? (2) What is the specific content of menstrual and fertility tracking applications? (3) What are the effects of applying menstrual and fertility tracking applications?

Research Strategy

The eligibility of the studies was assessed based on the population, concept, and context (PCC) framework suggested by the JBI(15,16). Table 1 provides an overview of the PCC criteria and the types of evidence considered in this scoping review. The MEDLINE, EMBASE, SCOPUS, and Web of Science databases were searched for all English-language articles published between August 15, 2014, and August 15, 2024. The detailed strategy on PubMed was use of the following Medical Subject Headings (MeSH): ((women AND (humans[Filter]) AND (“Basal Body Temperature”[Title/Abstract] OR “BBT”[Title/Abstract] OR “Skin Temperature”[Title/Abstract] OR “WST”[Title/Abstract] OR “core body temperature”[Title/Abstract] OR “thermal method”[Title/Abstract] OR “Symptothermal method”[Title/Abstract] OR “temperature Sensor”[Title/Abstract]) AND (“system*”[Title/Abstract] OR “device”[Title/Abstract] OR “app*”[Title/Abstract] OR “computers”[MeSH])) AND (2014:2024[pdat])). Another database search strategy that was devised by investigators and complied with the Peer Review of Electronic Search Strategies checklist was also used (Additional File 1).

Table 1. Inclusion and exclusion criteria based on the population, concept, and context framework.

Inclusion criteria Exclusion criteria
Population Women of childbearing age Pregnant or lactating women
Concept Tracking applications for predicting menstruation and fertility window Focus only on the user experience and usability of the application
Context Different menstruation and fertility tracking system applications based on basal body temperature Not applicable
Types of Evidence RCTs; quasi-RCTs; and qualitative, quantitative, and mixed methods studies Reviews, meta-analyses, animal experiments, and articles without full text
Open in a new tab

RCTs: randomized controlled trials.

Data Extraction

Concurrent with screening, a data extraction table was developed to collect information on each study’s authors, publication year, country, research design, research objective, method of measuring BBT, confounding factors, data processing and modeling, and application usage and effectiveness. Two investigators independently verified the accuracy of the data in the table.

Study Screening

Three investigators establish a shared understanding of the content and effectiveness of the menstrual and fertility tracking applications. Two investigators independently screened the titles and abstracts of 1357 records and compared and discussed the findings of the selected articles that met the inclusion criteria, which were considered eligible for full-text screening. The investigators sought advice from a third person in case of disagreement.

Quality Appraisal

Quality analysis of the literature included in the scoping review was performed to assess its strengths and limitations. The 2024 Critical Appraisal Skills Programme (CASP) tool was applied to facilitate a systematic assessment of the key methodological components, including study design, validity, rigor, and relevance to the research question(17). Two investigators independently performed the quality assessment and subsequently reached a consensus regarding the methodological quality of the studies. The assessment classified the studies into three categories: no concerns (answered “Yes” to all criteria), minor concerns (answered “Yes” to all except one criterion, to which was answered “No” or “Can’t Tell”), and major concerns (answered “No” or “Can’t Tell” to more than one criterion). Any disagreements were resolved through discussion.

Data Analysis

Data synthesis and analysis were conducted by two reviewers after they reached consensus through discussion. Initial categories were developed through eventual agreement, with the extracted data examined, discussed, compared, and collated. Categories were refined and adjusted through discussion and re-assessment of the extracted data, with final categories named and presented in a tabular format.

RESULTS

Search Results

A total of 1547 studies were initially identified, and 190 were removed as duplicates. Review of the titles and abstracts excluded 1294 articles, leaving 63 full-text articles to be screened. Of these, 42 articles were excluded; 13 because they were review articles, 11 because they were not consistent with the BBT’s definition, and 18 because they did not report tracking applications, leaving a total of 21 studies eligible for review (Figure 1). The details of these studies are shown in Table 2.

Figure 1. PRISMA study selection flowchart.

Figure 1

Open in a new tab

Table 2. Data extracted from the 21 included studies.

Author Publication year Country Research design Research participants Content and method of measurement Confounding variables Study data processing Application functionality Application effectiveness outcomes
Zhu
et al.(8) 		2021 Switzerland Prospective cohort study 57 healthy women aged 18–45 years, included 193 cycles 1. Nocturnal wrist skin temperature: Ava Fertility Tracker bracelet, a wearable device
2. BBT: Lady-Comp, a digital thermometer
3. Reference standard for ovulation: ClearBlue Digital Ovulation Test, a home-based urine LH test		 Age, weight, height, race, and time since stopping hormonal contraception 1. Data processing: Three-over-six rule
2. Modeling method: A linear mixed effects model		 Ava app, a computerized fertility tracker
1. Data transmission: Anonymously synchronize data
2. Usage: Detect ovulation		 Wrist skin temperature vs. BBT
Detecting ovulation
1. Sensitivity
2. Specificity
3. Probability that ovulation was detected
4. Negative predictive values
5. Repeated measures correlation coefficient
6. Range of temperature increase
Yu et al.(18) 2022 China Prospective cohort study 114 nonpregnant women aged 18–45 years, included
382 cycles		 1. Heart rate: Huawei Band 5, a wearable device
2. BBT: Braun IRT6520, an ear thermometer
3. Reference standard for ovulation: Ovarian ultrasound and serum hormone levels		 Age, weight, height, marital status, educational attainment, occupation, age at menarche, smoking status, and alcohol consumption 1. Data correction: Bonferroni method
2. Data analyses and visualizations: R software
3. Modeling method: Linear mixed model		 Huawei app
1. Data transmission: Synchronize data
2. Usage: Detect fertile window and menses		 Regular vs. irregular menstruators
Fertile window and menses
Accuracy
Sensitivity Specificity
Area under the curve
Scherwitzl et al.(19) 2015 Switzerland Retrospective study 317 women aged 18–39 years, included 1501 cycles 1. BBT: Basal thermometer
2. Reference standard for ovulation: LH tests
3. Date of menstruation		 Age, cycle length, cycle variation, sexual activity, pregnancy plans, pregnancy status, BMI, smoking status, past use of hormonal contraception 1. Data analyses: None
2. Modeling method: Underlying technology algorithm		 Natural Cycles app
1. Data transmission: Anonymously enter data
2. Usage: Identify ovulation day and fertile window		 Detect ovulation
1. Mean delay from ovulation day
2. Length of luteal phase
3. False-positive rate
Ecochard et al.(20) 2015 Canada Observational study 107 women aged 19–45 years, included
326 cycles		 1. BBT: Basal thermometer
2. Cervical mucus: Self-record sensation, appearance, and consistency
3. Hormonal assays: Estrone-3-glucuronide (E1-3-G), pregnanediol-3a-glucuronide (PDG), LH, and FSH levels
4. Reference standard for ovulation: Ultrasound investigations		 Stress, illness, insomnia, disturbed sleep 1. Three-over-six rule
2. Data analyses and visualizations: R software
3. Modeling method: Last fertile sign algorithm		 Diagram
1. Data transmission: Manual drawing
2. Usage: Identify fertile window		 Fertile window
Cervical mucus
1. Sensitivity
2. Specificity
Goodale et al.(21) 2019 Switzerland Prospective observational Study 237 women mean
33 years, included 708 quilted cycles		 1. Nocturnal wrist skin temperature: Ava bracelet,
a wearable device
2. Physiological parameters (heart rate, HRV, respiratory rate, and skin perfusion): Ava bracelet
3. Sleep quality: Ava bracelet
4. Reference standard for ovulation: ClearBlue Digital Ovulation Test, a home-based urine LH test		 In the 3 hours preceding sleep, had sexual intercourse, exercised heavily, eaten, drank coffee, or consumed alcohol 1. Data correction: Bonferroni method
2. Data processing and analysis: R software
3. Modeling method: Machine learning algorithm		 Corresponding smartphone app
1. Data transmission: Synchronize data
2. Usage: Detect fertile window		 Fertile window
Accuracy
Scherwitzl et al.(22) 2016 Switzerland Retrospective study 6,944 women mean aged 29 years, included 272,204 cycles 1. BBT: Basal thermometer
2. Reference standard for ovulation: LH tests
3. Date of menstruation		 Sexual activity and personal notes Modeling method: Underlying technology algorithm Natural Cycles app
1. Data transmission: Anonymously enter data
2. Usage: Prevent pregnancy		 1. Kaplan-Meier life table
2. Perfect-use Pearl Index
3. 13-cycle typical-use failure rate
4. 13-cycle typical-discontinuation rate
5. Discontinuation rate
Demian‘czyk and Michaluk(23) 2016 Poland Retrospective study 361 women, included 17,322 cycles (age not stated) 1. BBT: Temperature sensor
2. Cervical mucus: Self-record the sensation
3. Date of menstruation		 Contraceptive method
Use of condoms, coitus interruptus, Creighton Model, contraceptive pill, thermometer, or contraceptive inserts and observation of mucus		 1. Data processing and analysis: R software
2. Modeling method: Lady-Comp models		 Lady-Comp, Pearly, and Daysy cycle computers
1. Data transmission: Anonymously enter data
2. Usage: Indicate fertile and infertile phases of menstrual cycle for contraception		 2010 Pearl Index
2016 Pearl Index
Percentage of planned pregnancies in women
Manhart
and
Duane(24) 		2022 USA Prospective cohort study 20 women aged < 40
years, included
240 cycles		 1. BBT: Basal thermometer
2. Reference standard for ovulation: Peak mucus
(2 days before and after)		 None 1. Missing data: Missing data in a cycle were not entered
2. Modeling method: Natural Cycles algorithm		 Natural Cycles app
CycleProGo app
1. Data transmission: Anonymously enter data
2. Usage: Define fertile window		 Equivalent
1. Fertile-window start and end day
Natural Cycles app vs CycleProGo app
2. Mean overall fertile-window length
3. Cycles with a fertile-window start
4. Cycles with a fertile-window end
Fukaya et al.(25) 2017 Japan Prospective cohort study 20 women, included 27 cycles (age not stated) 1. BBT: Conventional thermometer or wearable sensor
2. Date of menstruation
Accuracy of the sequential prediction
1. Conventional calendar calculation method
2. Sequential predictive method		 None 1. Conditional distributions of the phase: Sequential Bayesian filtering techniques
2. Missing data:
Akaike information criterion (AIC) model
3. Modeling method: State-space model		 Ran’s story website, a novel statistical framework
1. Data transmission: Entered data
2. Usage: Estimate menstrual cycle		 Prediction accuracy
State estimation and calculation of log-likelihood
1. Root mean square error (RMSE)
2. Mean absolute error (MAE)
Kawamori et al.(10) 2019 Japan Retrospective study 3533 women aged 15–54 years, included 25,622 cycles 1. BBT: Conventional thermometer or a wearable sensor
2. Date of menstruation		 Age
Classified each menstrual cycle into eight age groups		 1. Conditional distributions of the phase: Sequential Bayesian filtering techniques Identification of stages of the cycle
2. Modeling method: Self-excited threshold autoregressive state–space model		 Ran’s story website
1. Data transmission: Enter data
2. Usage: Estimate menstrual cycle		 State estimation and calculation of log-likelihood
RMSE
Freundl et al.(26) 2014 Germany Retrospective study 51 women aged 24–35 years, included 364 cycles 1. BBT: Conventional thermometer or wearable sensor
2. Date of menstruation		 Mistakes or variations in the measurement method, measurements at different times, short or disturbed sleep, retiring late, unaccustomed amounts of alcohol, and emotional strain 1. Missing data: Missing data in a cycle were not entered
2. Modeling method: Tracking signal algorithm
3. Conventional method: Sensiplan® symptothermal method		 Trigg’s tracking system (TtS)
1. Data transmission: Enter data
2. Usage: Define fertile window		 TtS transition day and Sensiplan® initial day
van de Roemer et al.(27) 2021 Switzerland Retrospective study 5328 women mean age 30 years, included 107,020 cycles 1. BBT: Basal thermometer
2. Date of menstruation		 Age, BMI, cycle length, measurement skipping, high vs. low average temperature, and temperature steps 1. Missing data: Missing data in a cycle were not entered
2. Data processing and analysis: VE Analyzer
3. Modeling method: Fertility Tracker algorithm		 Daysy, a fertility tracking device
1. Data transmission: Enter the data
2. Usage: Define the fertile window		 Sensitivity analysis
1. Mean cycle length reported
2. Utilization rate
3. Fertility device identified on average
Stanford et al.(28) 2020 USA Prospective cohort study 8363 women aged 21–45 years, included 200,712 cycles 1. BBT: Basal thermometer
2. Cervical fluid or cervix position: Self-record the sensation
3. Reference standard for ovulation: Urine LH test		 Age, race/ethnicity, prior pregnancy, BMI, income, current smoking, education, partner education, caffeine intake, and use of hormonal contraceptives 1. Missing data: Use multiple imputation for imputing missing data Mobile computing apps: Clue, Fertility Friend, Glow, Kindara, and
Ovia-selected apps
1. Data transmission: Questionnaire survey
2. Usage: Track menstrual cycle and fertile window		 1. Utilization rate
2. Fecundability ratios (FRs)
(1) Increased fecundability
3. Time to pregnancy (TTP)
Shilaih
et al.(29) 		2018 Switzerland Observational clinical study 136 women aged 20–40 years, included 437 cycles 1. Wrist-skin temperature (WST): Ava bracelet (wearable device) while sleeping
2. Reference standard for ovulation: ClearBlue Digital Ovulation Test, a home-based urine LH test		 Consuming meals, drinking coffee, drinking alcohol, and engaging in sexual intercourse or heavy exercise Principle: Three-over-six rule.
1. Data preprocessing: LOESS used to smooth temperature data
2. Data analyses
and visualizations: R software
3. Modeling method: Linear mixed effects models		 Ava app, a computerized fertility tracker
1. Data transmission: Synchronize data
2. Usage: Detect ovulation		 1. Temperature shift rate
2. Temperature shift time
3. Temperature shift
Alzueta et al.(9) 2022 USA Prospective observational study 26 women aged 18–35 years, included
416 cycles		 1. Nocturnal distal skin temperature: Oura Ring, a multi-sensor wearable device
2. Physiological parameters (HR, HRV, and sleep): Oura Ring
3. Sleep quality: Subjective daily diary
4. Date of menstruation
5. Reference standard for ovulation: Urine LH test		 Sleep quality, mood, readiness, and physical symptoms 1. Estimating menstrual cycle: Schmalenberge method
2. Modeling method: Hierarchical linear regression models		 Oura apps
1. Data transmission: Anonymously synchronize data
2. Usage: Estimate menstrual cycle		 Different phase: Menses, ovulation, mid-luteal, and late-luteal
1. Distal skin temperature
2. Correlation coefficient
Luo et al.(30) 2020 China Prospective cohort study 34 women aged 22–42 years, included 125 cycles 1. Nocturnal ear inside temperature: Earpiece, an in-ear and non-invasive wearable device
2. BBT: Basal thermometer		 Phlogistic illness and environmental situations 1. Data preprocessing: A data-cleaning protocol
2. Algorithm: An effective and flexible statistical learning algorithm
3. Modeling method: Hidden Markov Model (HMM)		 Smartphone applications
1. Data transmission: Enter data
2. Usage: Detect ovulation		 Earpiece vs. traditional method
1. Detection accuracy
2. Prediction power
Maijala et al.(31) 2019 Finland Prospective cohort study 22 women aged 21–49 years, included
66 cycles		 1. Nocturnal distal skin temperature: Oura Ring, a multi-sensor wearable device
2. BBT: Basal thermometer
3. Reference standard for ovulation: Urine LH test		 Sleep quality 1. Data preprocessing: MATLAB script
2. Algorithm:
HALF _ LOCS
MENSES predict ovulation for middle day
HALF PEAKS predict ovulation for first day		 Oura apps
1. Data transmission: Synchronize data
2. Usage: Predict menstruation and ovulation cycles		 1. Range of temperature increase in the luteal phase
2. Correlation between skin and oral temperatures
3. Sensitivity for menstruation
4. Length of fertile window
Gombert-Labedens et al.(32) 2024 USA Prospective observational study 120 women aged 18–52 years, included
120 cycles		 1. Nocturnal distal skin temperature: Oura Ring, a multi-sensor wearable device
2. Reference standard for ovulation: Urine LH test		 Ambient temperature and humidity, basal metabolic rate, muscle activity, digestion, sleep, posture, and hormonal fluctuations 1. Data preprocessing: MATLAB script
2. Data analyses and visualizations: R software
3. Modeling method: Cosinor models		 Oura apps
1. Data transmission: Anonymously synchronize data
2. Usage: Estimate menstrual cycle		 Fit quality (r2)
Menstrual cycle distal skin temperature data
Hurst
et al.(33) 		2022 USA Prospective cohort study 80 women with ovulatory dysfunction aged 22–46 years, included 205 cycles 1. Overnight vaginal temperature: Vaginal sensor (VS)
2. Nocturnal WST: Skin-worn sensor
3. Reference standard for ovulation: Ultrasound ovarian follicle measurements and urine LH test		 None 1. Principle: Three-over-six rule.
2. Algorithm: SWS and VS algorithm
3. Data processing and analysis: Days Difference Method and a threshold method		 Smartphone applications
1. Data transmission: Anonymously synchronize data
2. Usage: Predict ovulation and conception		 SWS vs VS
1. Accurate
2. Fertile window
3. Trying to conceive (TTC) time
Regidor et al.(34) 2018 Germany Prospective cohort study 158 women aged 18–45 years, included
470 cycles		 1. Circadian and circamensual core body temperature: Ovula Ring, a vaginal sensor
2. Hormonal assays: LH, follicle-stimulating hormone, estradiol, and progesterone levels
3. Vaginal ultrasound		 None 1. Data expressed in form of a Cyclo Fertilo gram (CFG).
2. Mathematical algorithm based on circadian and circamensual core body temperature rhythm analysis		 Smartphone applications
1. Data transmission: Synchronize data
2. Usage: Estimate menstrual cycle		 1. Validation error due to software errors
2. Accuracy for detection of ovulation
3. Usage rate
Wark
et al.(35) 		2015 Australia Comparative Observational Study 16 women aged 18–25 years, included
8 cycles		 1. Upper arm temperature: BodyMedia SenseWear (BMSW) (Armband device)
2. BBT: Digital oral thermometer		 None 1. Date visually and quantitatively: MTM
2. Data analyses and visualizations: Bland-Altman (BA) plot		 WomanLog Pro app
1. Data transmission: Enter data
2. Usage: Monitor ovulation		 1. Range of temperatures of thermometer
2. Acceptability of both devices
Open in a new tab

Study Characteristics

The studies published from 2014 to 2024 were conducted in nine countries, including six in Switzerland; five in the United States, two each in China, Japan, and Germany; and one each in Canada, Poland, Finland, and Australia. The research participants were healthy childbearing women aged 18 and 45 years. Only one study focused on women with ovulatory dysfunction, who were studied to estimate the menstrual cycle and detect the fertile window and ovulation day. Regarding the research design, most studies were prospective cohort (n = 12, 57.1%) or retrospective (n = 6, 28.6%) studies, with the observation duration four to seven cycles per participant; five studies were large-scale studies, and three studies involved questionnaire surveys.

Quality Assessment

Based on the 2024 CASP checklist assessment of the 21 included studies, this scoping review identified a tripartite stratification in methodological quality. Five studies (23.8%) raised major concerns, primarily due to incomplete confounding factor adjustments (Q5-Q6), as observed in Gombert-Labedens et al.(32) and Hurst et al.(33), which lacked clarity in addressing variables, as well as Manhart and Duane(24) and Fukaya et al.(25), which failed to account for these factors, coupled with issues such as unclear recruitment processes (Q2) in Hurst et al.(33) or insufficient follow-up duration/completeness (Q7-Q8) in Manhart and Duane(24). Three studies (14.3%) exhibited minor concerns, including those related to inconsistent outcome measurement methods (Q4) in Freundl et al.(26), partial reporting of precision estimates (Q10) in van de Roemer et al.(27), and uncertainties about local applicability (Q12) in Shilaih et al.(29) and Freundl et al.(26), with the latter and Regidor et al.(34) additionally neglecting to conduct stratification/multivariate analyses for confounding controls. Thirteen studies (61.9%) demonstrated no concerns in adhering to robust standards, particularly in defining research questions (Q1: 100% compliance), measuring outcomes (Q4: 81% compliance), and presenting results (Q9–Q11: 76–100% compliance). However, pervasive gaps persisted, quantified in Table 3 as suboptimal confounding control compliance (Q5–Q6: 61.9%, with 8 studies deficient), follow-up completeness limitations (Q7–Q8: 71.4% compliance), and insufficient local applicability validation (Q12: 47.6% compliance), collectively underscoring the necessity for future research to prioritize prespecified confounding adjustments, extended follow-up ≥ 6 menstrual cycles, and diversified population sampling to enhance evidence reliability and clinical utility. The overall assessment of each study is presented in Table 3.

Table 3. CASP checklist summary of included studies.

Zhu et al.(8) Yu et al.(18) Scherwitzl
et al.(19) 		Ecochard et al.(20) Goodale et al.(21) Scherwitzl et al.(22) Demianczyk and Michaluk(23)
Q1 Yes Yes Yes Yes Yes Yes Yes
Q2 Yes Yes Can’t Tell Yes Yes No Can’t Tell
Q3 Yes Yes Yes Yes Yes Can’t Tell Yes
Q4 Yes Yes Yes Yes Yes No yes
Q5 Yes Yes No No Yes No No
Q6 No Yes No No Yes No No
Q7 Can’t Tell Yes No No Yes No Yes
Q8 Yes Yes No Yes Yes No Yes
Q9 Yes Yes Yes Yes Yes Yes Yes
Q10 Yes Yes Can’t Tell Yes Yes Yes Can’t Tell
Q11 Yes Yes Yes Yes Yes Can’t Tell Yes
Q12 No Can’t Tell Can’t Tell Yes Can’t Tell No Can’t Tell
Q13 Yes Yes Yes Yes Yes Yes Yes
Q14 Yes Yes Yes Yes Yes Can’t Tell Yes
Manhart and Duane (24) Fukaya et al. (25) Kawamor (10) Freundl et al. (26) van de Roemer et al. (27) Stanford et al. (28) Shilaih et al. (29)
Q1 Yes Yes Yes Yes Yes Yes Yes
Q2 Yes Yes Can’t Tell Yes Yes Yes Yes
Q3 Can’t Tell Can’t Tell Yes Yes Yes Can’t Tell Yes
Q4 Yes Yes Yes Can’t Tell Yes Yes Yes
Q5 No No No No No Yes Yes
Q6 No No Can’t Tell No No Yes Yes
Q7 Yes Yes Can’t Tell Yes Yes Yes Can’t Tell
Q8 Yes Yes Yes Yes Yes Yes Yes
Q9 Yes Yes Yes Yes Yes Yes Yes
Q10 Yes Yes Yes Yes Yes Yes Yes
Q11 Yes Yes Yes Yes Yes Yes Yes
Q12 Can’t Tell No Can’t Tell Can’t Tell Can’t Tell No Yes
Q13 Yes Can’t Tell Yes Yes Yes Yes Yes
Q14 Yes Yes Yes Yes Yes Yes Yes
Alzueta et al. (9) Luo et al. (30) Maijala et al. (31) Gombert-Labedens et al. (32) Hurst et al. (33) Regidor et al. (34) Wark et al. (35)
Q1 Yes Yes Yes Yes Yes Yes Yes
Q2 Yes Can’t Tell Can’t Tell Yes No Can’t Tell Can’t Tell
Q3 Yes Yes Yes Yes Yes Yes Yes
Q4 Yes Can’t Tell Yes Can’t Tell Yes Yes Yes
Q5 No No Yes No Yes No No
Q6 Can’t Tell Yes Can’t Tell No Yes No No
Q7 Yes Yes Yes Yes No Yes Yes
Q8 Yes Yes Yes No Yes Yes Yes
Q9 Yes Yes Yes Yes Yes Yes Yes
Q10 Yes Yes Yes Can’t Tell Yes Can’t Tell Can’t Tell
Q11 Yes Can’t Tell Yes Yes Yes Yes Yes
Q12 Yes Can’t Tell Can’t Tell Can’t Tell Can’t Tell Can’t Tell Can’t Tell
Q13 Yes Yes Yes Yes Yes Yes Yes
Q14 Yes Yes Yes Yes Yes Yes Yes
Open in a new tab

1. Did the study address a clearly focused issue?

2. Was the cohort recruited in an acceptable way?

3. Was the exposure accurately measured to minimize bias?

4. Was the outcome accurately measured to minimize bias?

5. Have the authors identified all important confounding factors?

6. Have they taken account of the confounding factors in the design and/or analysis?

7. Was the follow up of subjects complete enough?

8. Was the follow up of subjects long enough?

9. What are the results of this study?

10. How precise are the results?

11. Do you believe the results?

12. Can the results be applied to the local population?

13. Do the results of this study fit with other available evidence?

14. What are the implications of this study for practice?

Measurement Content and Methods

Nine studies analyzed the use of wearable devices, including bracelet, ring, vaginal, ear, and armband devices, for measuring body temperature (Table 4). These novel wearable devices continuously and automatically measure skin temperature during sleep to define BBT, with data collected from the middle phase of the night to avoid disturbances from the falling asleep and waking up phases(8). Furthermore, 16 studies considered some confounding factors that influence BBT, including individual factors (e.g., age, weight, illness, and medications), psychosocial factors (e.g., stress, insomnia, and climate change), and lifestyle factors (e.g., sexual activity, smoking status, and alcohol and coffee consumption). Furthermore, Yu et al.(18) and Alzueta et al.(9) used multi-sensor wearable devices (the Huawei Band and Oura Ring) to measure physiological parameters (heart rate [HR], HR variability [HRV], and sleep) to enhance prediction accuracy. Other studies used a basal thermometer to discuss how to improve the prediction accuracy by updating the algorithm.

Table 4. Wearable device characteristics and functions.

Type of device Bracelet device Ring device Vaginal device Ear device Armband device
Product Name Ava bracelet Oura Ring Ovula Earpiece BodyMedia SenseWear
Measurement Wrist skin temperature (WST) Distal skin temperature (DST) Core body temperature (CBT) Ear inside temperature (EIT) Upper armband temperature (UAT)
Characteristics 1. Recording frequency: Every 10 s throughout night
2. At least 4 hours of uninterrupted sleep		 1. Recording frequency: Every 30 s throughout night
2. Every 30 s of sleep monitoring throughout night		 1. Recording frequency: Every 5 min throughout entire cycle
2. Circadian and circamensual intravaginal exact measurement		 1. Recording frequency: Every 5 min throughout night
2. At least delete initial 20–30 min of data to stabilize		 1. Recording frequency: Every 5 min throughout night
2. Delete 60 min of data before waking
Research Content 1. Prediction of the fertile window
2. Tracking the menstrual cycle		 Tracking the menstrual cycle Prediction of fertile window and ovulation Prediction of ovulation Prediction of ovulation
Open in a new tab

User Experience of Wearable Devices

In the current technological landscape of fertility monitoring wearable devices, five categories (bracelets, rings, vaginal sensors, ear-worn devices, and armbands) demonstrate distinct performance variations and user-specific adaptability. Bracelets enable unobtrusive continuous tracking through wrist skin temperature monitoring with strong resistance to environmental interference, yet require daily charging and pose potential wrist movement restrictions. Nevertheless, they are suitable for women planning pregnancy who prioritize convenience, although sleep-related discomfort may compromise compliance(8,21,29). Featuring waterproof capabilities (up to 50 meters water resistant and sauna compatible), high data integrity (> 97%), and 3-day battery life, rings cater to women with irregular schedules, but strict size constraints and manual synchronization dependencies risk operational oversights(9,31,32). Vaginal sensors provide precise core body temperature measurements without urine sampling, ideal for cross-time zone or shift workers, yet their invasive design, which is associated with menstrual discomfort and psychological barriers, and requirement for monthly replacement limit their usage primarily to patients with infertility requiring high-precision data(34). Ear-worn devices attract tech-savvy users through stable ear canal temperature monitoring and fully automated artificial intelligence analysis, although their tendency to detach during sleep and risk of ear canal irritation may lead to nocturnal data gaps(18,30). With their 7-day battery life, minimal skin irritation, and multi-parameter monitoring, armbands serve clinical trial contexts but face practical limitations due to a 35% missed measurement rate and reliance on expert data interpretation(35).

Overall, device selection necessitates balancing accuracy (optimal in vaginal sensors) and compliance (better in bracelets and rings), alongside considerations of psychological acceptability (higher for non-invasive devices) and scenario-specific demands (medical-grade monitoring often sacrifices convenience). Future research should prioritize technical optimizations (e.g., extended battery life and reduced invasiveness) and personalized adaptations (based on occupational or physiological tolerance) to enhance long-term reliability and user adherence. These considerations for wearable devices are presented in Table 5.

Table 5. User experience considerations for wearable devices.

Device type Advantages Disadvantages Target users Negative experiences
Bracelet 1. Unobtrusive continuous monitoring (wrist skin temperature)
2. Strong resistance to environmental interference
3. Automatic data sync with app		 1. Daily charging required
2. Potential wrist movement restrictions		 Women seeking convenient fertility tracking Discomfort while wearing during sleep
Ring 1. Waterproof (50 m depth) and sauna compatible
2. > 97% data availability
3. 3-day battery life		 1. Daily manual data sync required
2. Strict finger size requirements		 Women with jobs with irregular schedules Risk of forgetting synchronization routines
Vaginal 1. Most accurate core temperature measurement
2. No urine sampling needed
3. Adaptable to shift workers/time zone travelers		 1. Potential menstrual discomfort
2. Monthly replacement required
3. Psychological resistance		 Infertility patients needing precision Psychological barriers to insertion
Ear 1. High ear canal temperature stability
2. Fully automated monitoring
3. AI-powered app analysis		 1. Easy detachment during sleep
2. Irritation risk for sensitive users		 Early tech adopters Data gaps from nighttime movement
Armband 1. Long battery life (7 days)
2. Low skin irritation
3. Multi-parameter monitoring		 1. Low compliance (35% missed measurements)
2. Requires expert data interpretation		 Clinical trial participants Restricted arm movement perception
Open in a new tab

Long-Term Monitoring Analysis and Clinical Implications

The existing literature indicates that temperature monitoring using wearable technology presents considerable advantages and research opportunities for the management of menstrual cycles over extended periods. The Ava bracelet, in particular, demonstrated significant fluctuations in wrist skin temperature (WST), heart rate, and respiratory rate across a year of continuous monitoring. This investigation confirmed that machine learning algorithms can achieve an accuracy rate of 90% in predicting the fertile window by synthesizing multi-parametric data, thereby highlighting the importance of long-term data for the optimization of these algorithms(21).

The study examining the Daysy device emphasized the critical importance of user compliance; specifically, when the frequency of measurements surpassed 80%, the accuracy of the algorithm’s outputs improved significantly, with 42.4% of “green days” accurately identified within fertile windows. Furthermore, the stability of the luteal phase length was maintained (mean of 12.7 ± 1.4 days), underscoring the necessity of consistent monitoring for the effectiveness of natural contraception methods(27). WST monitoring further validated its potential as an alternative to oral BBT measurement by exhibiting a biphasic pattern that correlated with oral BBT (r = 0.563) and a 0.30°C elevation during the luteal phase compared with follicular phase temperatures, although challenges related to environmental interference persisted(29). Additionally, the application of cosine modeling to long-term BBT data successfully identified 82% of biphasic cycles by quantifying rhythmic features such as median, amplitude, and peak phase, while also flagging abnormal cycles through deviations in these parameters, thus providing a quantitative tool for assessing menstrual health(32). In summary, long-term monitoring not only clarifies the dynamic stability of physiological parameters, such as the consistency of luteal phase temperature and length, but also reveals technical limitations, including device variability and environmental confounders.

Complex Data Processing and Analysis

Nine studies collected data simultaneously via Bluetooth synchronization, while the others relied on manual data entry by the participants, which may have led to input errors. To protect patient privacy and masking of subgroup differences, the data were collected in an anonymous form in seven studies. Due to the dense and complex nature of the temperature data, some studies conducted data preprocessing. For example, according to a data-cleaning protocol, the data were cleaned and organized to ensure accuracy, consistency, and completeness(30), and a MATLAB script was developed to manage it(31). In addition, each parameter underwent locally estimated scatterplot smoothing (LOESS) before statistical analysis(19). Regarding missing data, five studies excluded it, and one study used multiple imputations for imputing the missing data(28). In terms of data analysis, some research presented data in the form of graphs and charts to better analyze it(34,35). Four studies explained how BBT predicted ovulation based on the “three over six” rule, which means that three temperatures are required to be 0.2°F above the highest point of the previous six temperatures, with at least one of the higher temperatures being 0.4°F above the lower ones(2). Freundl et al.(26) used Sensiplan® symptom-thermal methods to further enrich the rule. Additionally, 33.3% of studies used R software for data analyses and visualizations, 23.8% constructed linear mixed effects models, and 76.2% adopted innovative algorithms and models for prediction. Further exploration is needed to improve the accuracy of the predictions.

Functionality and Effectiveness of the Applications

The main functions of the applications include four aspects: menstrual cycle estimation (8 applications), fertility prediction (14 applications), contraception indication (2 applications), and pregnancy monitoring (1 application). Currently available applications include Ava, Natural Cycles, and Oura, WomanLog Pro, as well as the Ran’s Story website, and Pearly and Daysy Cycle computers. Stanford et al.(28) evaluated the fecundability of five applications (Clue, Fertility Friend, Glow, Kindara, and Ovia) and reported them as effective, but the findings lacked evidence. The evaluation metrics for application effectiveness were temperature shift; fertility window length; and model performance, including accuracy, sensitivity, specificity, root mean square error (RMSE) mean absolute error (MAE), correlation coefficient, fertility index (Pearl Index, fecundability ratios, and time to pregnancy), and app availability (utilization and discontinuation rates).

DISCUSSION

The majority of studies examined in this review demonstrated that BBT can predict ovulation, and BBT is recognized as an indicator of fertility(36). However, traditional BBT measurement requires fixed timing and location, typically every morning before arising, which involves manually entering data into an application and measuring body temperature to track menstruation and ovulation(37,38). This daily routine can be tedious and subject to reporting errors(36,39). In this scoping review, 42% of the research was found to focus on using wearable devices to predict menstrual cycles and ovulation, driven by advancements in portable sensors and wearable technology that allow for continuous and dynamic collection of health information throughout the day(40,41). The results of this study confirm that wearable devices that continuously measure skin temperature and automatically synchronize data appear to be highly suitable for addressing the current limitations of traditional and BBT-based tracking apps(22). These devices can be worn on various parts of the body—the wrist, finger, upper arm, inside the vagina, or in the ear—and enable more extensive longitudinal tracking of physiological parameters, allowing users to observe personalized patterns in the evolving data(22,42). Moreover, these devices can also assess overall physical condition by measuring physiological changes, such as changes in HR, HRV, respiratory rate, skin perfusion, and sleep quality(9,19,22). Overall, compared to conventional devices, wearable devices have the potential to enhance BBT tracking by continuously measuring multiple physiological parameters, leading to a more precise estimation of ovulation. Further research is needed to validate these advancements. The main conclusions and clinical implications by device type are listed in Table 6.

Table 6. Clinical significance of different device types.

Device type Clinical significance Key conclusions
Bracelet 1. Continuous, unobtrusive tracking of ovulatory BBT trends
2. Anti-interference design enhances reliability of basic fertility assessment		 Pros: Universal applicability for daily fertility management prioritizes convenience
Cons: Sleep discomfort causes 23% attrition
Indication: Primary screening tool for general trying to conceive populations
Ring 1. Waterproof design enables data capture in special environments (e.g., when swimming, in sauna)
2. High data integrity improves cycle prediction accuracy		 Pros: Extended battery and waterproof features suit high-stress occupational groups
Cons: Size limitations exclude 5–15% of women (finger circumference mismatch)
Indication: Long-term monitoring for populations with irregular schedules
Vaginal 1. Core body temperature precision (±0.05°C, gold-standard level)
2. Eliminates morning urine sampling errors		 Pros: Provides medical-grade data for Assisted Reproductive Technology interventions
Cons: > 40% attrition due to psychological barriers, especially for first-time users
Indication: Essential for precision monitoring in ART cycles
Ear 1. Ear canal temperature stability exceeds skin surface by 0.1–0.3°C
AI algorithms increase abnormal ovulation detection rates		 Pros: Automated analysis reduces user cognitive burden
Cons: Nighttime dislodgement causes critical data loss (~30%)
Indication: Personalized fertility management for tech-engaged users
Armband 1. Multiparameter analysis (temperature + heart rate variability)
2. Extended battery supports chronic fertility disorder research		 Pros: Superior skin biocompatibility (< 2% hypersensitivity)
Cons: High data loss rates limit clinical utility
Indication: Physiological mechanism exploration in research settings
Open in a new tab

The fusion of wearable sensor technology with machine learning algorithms has significantly advanced the development of intelligent fertility tracking applications(43). This integration has the potential to enable patient comprehensive characterization and optimized clinical interventions(44). Critical to realizing this vision is an accurate estimation of BBT time-series data, and several scholars have tried to remedy any deficiencies. For example, Fukaya et al.(25) and Kawamori et al.(10) developed a state space model that includes the menstrual phase as a latent state variable to explain daily fluctuations in BBT and the menstruation cycle length. The state space model relies on sequential Bayesian filtering techniques to map data to a state space to capture long-term dependency relationships and is commonly employed for describing and analyzing the behavior of dynamic systems in academic research(45). Similarly, Luo et al.(30) used a hidden Markov model to describe the probabilistic relationship between observation and hidden state sequences to predict future observation results or classify a sequence according to the potential hidden process of generated data. To further analyze the skin temperature circadian rhythm, some studies applied the cosinor model to facilitate the evaluation of menstrual cycle effects on physiological parameters and in clinical settings, using the characteristics of menstrual cycles as health markers or to facilitate menstrual chronotherapy(46). Some presented data analysis results in a visual format, helping users better understand the findings(22). The underlying technology algorithm was based on data entered each day, and the results were presented as either a red (risk) or green (no risk) icon to indicate risk of pregnancy(22). Machine learning algorithms will continue to offer more possibilities for improving the accuracy of fertility tracking applications in the future.

A web-based pilot survey found that approximately a quarter of respondents reported using fertility tracking applications, and 63% of users agreed that the applications were science-based and successful in determining the fertile window(47). However, the sensitivity of fertility tracking applications varies widely, from 62% for wrist-worn sensors to 28% for ear-worn devices(30,48). Moglia et al.(49) used the APPLICATIONS scoring system to assess menstrual cycle tracking applications and found that most free smartphone applications were inaccurate(50). Many fertility-related apps may be less accurate and less likely to publish their data in peer-reviewed journals. Therefore, reliance on these applications may lead to unintended pregnancies or delay in identifying infertility issues, causing indelible consequences(7,39,47). Further exploration of the user experience also revealed that users had concerns regarding inaccurate forecast dates, cost, and data privacy, as well as anxiety and frustration over unreliable prediction of the menstrual cycle(8,51). As application usage was observed to gradually decrease over time, the means of enhancing adherence while improving prediction accuracy are issues worth studying.

Women using these applications expect to receive scientific and comprehensive reproductive health information as well as emotional support and advice on contraceptive decisions, sexual health, and postoperative care(47). However, one review found that not all available applications are evidence-based(37), and only 17% provide information on contraception(49). Therefore, application designers should consider the diverse and evolving needs of users, catering to a wider range of purposes such as contraception and fertility tracking while observing the response to medication, monitoring reproductive diseases, and reaching out to a more diverse audience(5,7). To obtain more accurate fertility information, it is crucial to provide preliminary training on measurement methods and application operating steps. For example, personalized symptothermal method training can be obtained through the International Couple to Couple League (https://ccli.org/)(52).

STUDY LIMITATIONS

The current body of evidence on BBT-based fertility tracking technology, while promising, exhibits significant heterogeneity and methodological limitations that necessitate cautious interpretation. As identified through the CASP quality assessment, key concerns impacting the rigor and comparability of findings include the fact that a substantial proportion of studies inadequately addressed or reported on confounding factors known to influence BBT (e.g., illness, medication, significant lifestyle changes, and sleep disturbances). This omission introduces bias and limits the ability to isolate the true effects of the tracking technology itself on outcomes such as ovulation prediction accuracy and contraceptive efficacy. Another limitation was that the study included diverse populations from different countries (e.g., Switzerland, the United States, China, and Japan) of varying age ranges who were both healthy and who had health conditions (e.g., ovulatory dysfunction). Although this reflects real-world diversity, it also contributes to heterogeneity in results. Baseline fertility status, cycle regularity, cultural factors influencing compliance, and access to technology varied considerably. A third limitation was that the studies utilized different wearable devices (wristbands, rings, vaginal sensors, and earpieces) and traditional thermometers, each with inherent measurement variability. Crucially, the reference standards for confirming ovulation also differed (urine LH tests, ultrasound, serum hormone level, and cervical mucus assessment), each with varying sensitivity and specificity. This heterogeneity makes direct comparison of application and device performance across studies challenging. Finally, although use of prospective cohorts was common, several key studies relied on retrospective designs or lacked sufficient follow-up duration or completeness, raising concerns about selection bias and attrition bias, with only five studies conducted on a large scale. These limitations highlight the need for high-quality, prospective studies utilizing standardized protocols to control confounding factors while employing robust reference standards (such as serial ultrasound and serum progesterone measurement), clearly reporting algorithm methodologies (or making them open-source), and including diverse populations representative of intended users.

CONCLUSION

This review revealed several areas that require further research and upon which recommendations can be provided. First, wearable devices should collect data in a manner that avoids confounding the data with other factors and further improves the accuracy of the data. Second, innovative machine learning algorithms should process large sample time-series data and explore the best algorithm. Third, personalized, comprehensive, and scientific fertility information should be provided to women trying to conceive or prevent pregnancy. Fourth, focus should be placed on the user experience, interaction, and privacy. Fifth, the training and evaluation system of fertility tracking applications should be improved. Conducting further research is needed to apply these recommendations and enhance the value of fertility tracking based on BBT while promoting its further development.

Funding Statement

Financial support Support agency: Jiaxing Municipal Bureau of Science and Technology – Process number: 2023AY40009.

Footnotes

Financial support: Support agency: Jiaxing Municipal Bureau of Science and Technology – Process number: 2023AY40009.

DATA AVAILABILITY

The entire dataset supporting the results of this study was published in the article and in the “Supplementary Materials” section.

REFERENCES

  • 1.Gibbons T, Reavey J, Georgiou EX, Becker CM. Timed intercourse for couples trying to conceive. Cochrane Database Syst Rev. 2023;2023(9):CD011345. doi: 10.1002/14651858.CD011345.pub3. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 2.Su HW, Yi YC, Wei TY, Chang TC, Cheng CM. Detection of ovulation, a review of currently available methods. Bioeng Transl Med. 2017;2(3):238–46. doi: 10.1002/btm2.10058. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 3.Hutcherson TC, Cieri-Hutcherson NE, Donnelly PJ, Jr, Feneziani ML, Grisanti KMR. Evaluation of mobile applications intended to aid in conception using a systematic review framework. Ann Pharmacother. 2020;54(2):178–86. doi: 10.1177/1060028019876890. [DOI] [PubMed] [Google Scholar]
  • 4.Kräuchi K, Konieczka K, Roescheisen-Weich C, Gompper B, Hauenstein D, Schoetzau A, et al. Diurnal and menstrual cycles in body temperature are regulated differently: a 28-day ambulatory study in healthy women with thermal discomfort of cold extremities and controls. Chronobiol Int. 2014;31(1):102–13. doi: 10.3109/07420528.2013.829482. [DOI] [PubMed] [Google Scholar]
  • 5.Ford EA, Peters AE, Roman SD, Mclaughlin EA, Beckett EL, Sutherland JM. A scoping review of the information provided by fertility smartphone applications. Hum Fertil. 2022;25(4):625–39. doi: 10.1080/14647273.2021.1871784. [DOI] [PubMed] [Google Scholar]
  • 6.Zwingerman R, Chaikof M, Jones C. A critical appraisal of fertility and menstrual tracking apps for the iPhone. J Obstet Gynaecol Can. 2020;42(5):583–90. doi: 10.1016/j.jogc.2019.09.023. [DOI] [PubMed] [Google Scholar]
  • 7.Geampana A. Fertility apps, datafication and knowledge production in reproductive health. Sociol Health Illn. 2024;46(6):1238–55. doi: 10.1111/1467-9566.13793. [DOI] [PubMed] [Google Scholar]
  • 8.Zhu TY, Rothenbuhler M, Hamvas G, Hofmann A, Welter J, Kahr M, et al. The accuracy of wrist skin temperature in detecting ovulation compared to basal body temperature: prospective comparative diagnostic accuracy study. J Med Internet Res. 2021;23(6):e20710. doi: 10.2196/20710. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 9.Alzueta E, De Zambotti M, Javitz H, Dulai T, Albinni B, Simon KC, et al. Tracking sleep, temperature, heart rate, and daily symptoms across the menstrual cycle with the oura ring in healthy women. Int J Womens Health. 2022;14:491–503. doi: 10.2147/IJWH.S341917. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 10.Kawamori A, Fukaya K, Kitazawa M, Ishiguro M. A self-excited threshold autoregressive state-space model for menstrual cycles: forecasting menstruation and identifying within-cycle stages based on basal body temperature. Stat Med. 2019;38(12):2157–70. doi: 10.1002/sim.8096. [DOI] [PubMed] [Google Scholar]
  • 11.Colquhoun HL, Levac D, O’brien KK, Straus S, Tricco AC, Perrier L, et al. Scoping reviews: time for clarity in definition, methods, and reporting. J Clin Epidemiol. 2014;67(12):1291–4. doi: 10.1016/j.jclinepi.2014.03.013. [DOI] [PubMed] [Google Scholar]
  • 12.Davis K, Drey N, Gould D. What are scoping studies? A review of the nursing literature. Int J Nurs Stud. 2009;46(10):1386–400. doi: 10.1016/j.ijnurstu.2009.02.010. [DOI] [PubMed] [Google Scholar]
  • 13.Peters MDJ, Godfrey C, Mcinerney P, Munn Z, Tricco AC, Khalil H. Scoping reviews (2020 version). In: Adelaide JBI, editor. Joanna Briggs Institute, editor. JBI manual for evidence synthesis. 2020:458–71. doi: 10.46658/JBIMES-20-12. chap. 11. [DOI] [Google Scholar]
  • 14.Page MJ, Mckenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372(71):n71. doi: 10.1136/bmj.n71. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 15.Munn Z, Stern C, Aromataris E, Lockwood C, Jordan Z. What kind of systematic review should I conduct? A proposed typology and guidance for systematic reviewers in the medical and health sciences. BMC Med Res Methodol. 2018;18(1):5. doi: 10.1186/s12874-017-0468-4. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 16.Aromataris E, Fernandez R, Godfrey CM, Holly C, Khalil H, Tungpunkom P. Summarizing systematic reviews: methodological development, conduct and reporting of an umbrella review approach. Int J Evid-Based Healthc. 2015;13(3):132–40. doi: 10.1097/XEB.0000000000000055. [DOI] [PubMed] [Google Scholar]
  • 17.Critical Appraisal Skills Programme. CASP checklist: for cohort studies 2024 [Internet]. 2025. [cited 2025 Jan 26]. Available from: https://casp-uk.net/casp-tools-checklists/cohort-study-checklist/
  • 18.Yu JL, Su YF, Zhang C, Jin L, Lin XH, Chen LT, et al. Tracking of menstrual cycles and prediction of the fertile window via measurements of basal body temperature and heart rate as well as machine-learning algorithms. Reprod Biol Endocrinol. 2022;20(1):118. doi: 10.1186/s12958-022-00993-4. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 19.Scherwitzl EB, Lindén Hirschberg A, Scherwitzl R. Identification and prediction of the fertile window using NaturalCycles. Eur J Contracept Reprod Health Care. 2015;20(5):403–8. doi: 10.3109/13625187.2014.988210. [DOI] [PubMed] [Google Scholar]
  • 20.Ecochard R, Duterque O, Leiva R, Bouchard T, Vigil P. Self-identification of the clinical fertile window and the ovulation period. Fertil Steril. 2015;103(5):1319–25 e3. doi: 10.1016/j.fertnstert.2015.01.031. [DOI] [PubMed] [Google Scholar]
  • 21.Goodale BM, Shilaih M, Falco L, Dammeier F, Hamvas G, Leeners B. Wearable sensors reveal menses-driven changes in physiology and enable prediction of the fertile window: observational study. J Med Internet Res. 2019;21(4):e13404. doi: 10.2196/13404. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 22.Scherwitzl EB, Gemzell Danielsson K, Sellberg JA, Scherwitzl R. Fertility awareness-based mobile application for contraception. Eur J Contracept Reprod Health Care. 2016;21(3):234–41. doi: 10.3109/13625187.2016.1154143. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 23.Demianczyk A, Michaluk K. Evaluation of the effectiveness of selected natural fertility symptoms used for contraception: estimation of the Pearl index of Lady-Comp, Pearly and Daysy cycle computers based on 10 years of observation in the Polish market. Ginekol Pol. 2016;87(12):793–7. doi: 10.5603/GP.2016.0090. [DOI] [PubMed] [Google Scholar]
  • 24.Manhart MD, Duane M. A comparison of app-defined fertile days from two fertility tracking apps using identical cycle data. Contraception. 2022;115:12–6. doi: 10.1016/j.contraception.2022.07.007. [DOI] [PubMed] [Google Scholar]
  • 25.Fukaya K, Kawamori A, Osada Y, Kitazawa M, Ishiguro M. The forecasting of menstruation based on a state-space modeling of basal body temperature time series. Stat Med. 2017;36(21):3361–79. doi: 10.1002/sim.7345. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 26.Freundl G, Frank-Herrmann P, Brown S, Blackwell L. A new method to detect significant basal body temperature changes during a woman’s menstrual cycle. Eur J Contracept Reprod Health Care. 2014;19(5):392–400. doi: 10.3109/13625187.2014.948612. [DOI] [PubMed] [Google Scholar]
  • 27.van de Roemer N, Haile L, Koch MC. The performance of a fertility tracking device. Eur J Contracept Reprod Health Care. 2021;26(2):111–8. doi: 10.1080/13625187.2021.1871599. [DOI] [PubMed] [Google Scholar]
  • 28.Stanford JB, Willis SK, Hatch EE, Rothman KJ, Wise LA. Fecundability in relation to use of mobile computing apps to track the menstrual cycle. Hum Reprod. 2020;35(10):2245–52. doi: 10.1093/humrep/deaa176. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 29.Shilaih M, Goodale BM, Falco L, Kubler F, De Clerck V, Leeners B. Modern fertility awareness methods: wrist wearables capture the changes in temperature associated with the menstrual cycle. Biosci Rep. 2018;38(6):BSR20171279. doi: 10.1042/BSR20171279. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 30.Luo L, She X, Cao J, Zhang Y, Li Y, Song PXK. Detection and prediction of ovulation from body temperature measured by an in-ear wearable thermometer. IEEE Trans Biomed Eng. 2020;67(2):512–22. doi: 10.1109/TBME.2019.2916823. [DOI] [PubMed] [Google Scholar]
  • 31.Maijala A, Kinnunen H, Koskimäki H, Jämsä T, Kangas M. Nocturnal finger skin temperature in menstrual cycle tracking: ambulatory pilot study using a wearable Oura ring. BMC Womens Health. 2019;19(1):150. doi: 10.1186/s12905-019-0844-9. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 32.Gombert-Labedens M, Alzueta E, Perez-Amparan E, Yuksel D, Kiss O, De Zambotti M, et al. Using wearable skin temperature data to advance tracking and characterization of the menstrual cycle in a real-world setting. J Biol Rhythms. 2024;39(4):331–50. doi: 10.1177/07487304241247893. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 33.Hurst BS, Davies K, Milnes RC, Knowles TG, Pirrie A. Novel Technique for confirmation of the day of ovulation and prediction of ovulation in subsequent cycles using a skin-worn sensor in a population with ovulatory dysfunction: a side-by-side comparison with existing basal body temperature algorithm and vaginal core body temperature algorithm. Front Bioeng Biotechnol. 2022;10:807139. doi: 10.3389/fbioe.2022.807139. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 34.Regidor PA, Kaczmarczyk M, Schiweck E, Goeckenjan-Festag M, Alexander H. Identification and prediction of the fertile window with a new web-based medical device using a vaginal biosensor for measuring the circadian and circamensual core body temperature. Gynecol Endocrinol. 2018;34(3):256–60. doi: 10.1080/09513590.2017.1390737. [DOI] [PubMed] [Google Scholar]
  • 35.Wark JD, Henningham L, Gorelik A, Jayasinghe Y, Hartley S, Garland SM. Basal temperature measurement using a multi-sensor armband in Australian young women: a comparative observational study. JMIR Mhealth Uhealth. 2015;3(4):e94. doi: 10.2196/mhealth.4263. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 36.Lyzwinski L, Elgendi M, Menon C. Innovative approaches to menstruation and fertility tracking using wearable reproductive health technology: systematic review. J Med Internet Res. 2024;26:e45139. doi: 10.2196/45139. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 37.Earle S, Marston HR, Hadley R, Banks D. Use of menstruation and fertility app trackers: a scoping review of the evidence. BMJ Sex Reprod Health. 2021;47(2):90–101. doi: 10.1136/bmjsrh-2019-200488. [DOI] [PubMed] [Google Scholar]
  • 38.Ferguson T, Olds T, Curtis R, Blake H, Crozier AJ, Dankiw K, et al. Effectiveness of wearable activity trackers to increase physical activity and improve health: a systematic review of systematic reviews and meta-analyses. Lancet Digit Health. 2022;4(8):e615–26. doi: 10.1016/S2589-7500(22)00111-X. [DOI] [PubMed] [Google Scholar]
  • 39.Uchida Y, Izumizaki M. The use of wearable devices for predicting biphasic basal body temperature to estimate the date of ovulation in women. J Therm Biol. 2022;108:103290. doi: 10.1016/j.jtherbio.2022.103290. [DOI] [PubMed] [Google Scholar]
  • 40.Li K, Urteaga I, Wiggins CH, Druet A, Shea A, Vitzthum VJ, et al. Characterizing physiological and symptomatic variation in menstrual cycles using self-tracked mobile-health data. NPJ Digit Med. 2020;3(1):79. doi: 10.1038/s41746-020-0269-8. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 41.Worsfold L, Marriott L, Johnson S, Harper JC. Period tracker applications: what menstrual cycle information are they giving women? Womens Health. 2021;17:17455065211049905. doi: 10.1177/17455065211049905. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 42.Piwek L, Ellis DA, Andrews S, Joinson A. The rise of consumer health wearables: promises and barriers. PLoS Med. 2016;13(2):e1001953. doi: 10.1371/journal.pmed.1001953. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 43.Wei S, Wu Z. The application of wearable sensors and machine learning algorithms in rehabilitation training: a systematic review. Sensors. 2023;23(18):7667. doi: 10.3390/s23187667. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 44.Gurchiek RD, Cheney N, Mcginnis RS. Estimating biomechanical time-series with wearable sensors: a systematic review of machine learning techniques. Sensors. 2019;19(23):5227. doi: 10.3390/s19235227. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 45.Mackevicius EL, Fee MS. Building a state space for song learning. Curr Opin Neurobiol. 2018;49:59-68. doi: 10.1016/j.conb.2017.12.001. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 46.Huang Q, Komarzynski S, Bolborea M, Finkenstadt B, Levi FA. Telemonitored human circadian temperature dynamics during daily routine. Front Physiol. 2021;12:659973. doi: 10.3389/fphys.2021.659973. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 47.Peterson SF, Fok WK. Mobile technology for family planning. Curr Opin Obstet Gynecol. 2019;31(6):459–63. doi: 10.1097/GCO.0000000000000578. [DOI] [PubMed] [Google Scholar]
  • 48.Patel U, Broad A, Biswakarma R, Harper JC. Experiences of users of period tracking apps: which app, frequency of use, data input and output and attitudes. Reprod Biomed Online. 2024;48(3):103599. doi: 10.1016/j.rbmo.2023.103599. [DOI] [PubMed] [Google Scholar]
  • 49.Moglia ML, Nguyen HV, Chyjek K, Chen KT, Castano PM. Evaluation of smartphone menstrual cycle tracking applications using an adapted APPLICATIONS scoring system. Obstet Gynecol. 2016;127(6):1153–60. doi: 10.1097/AOG.0000000000001444. [DOI] [PubMed] [Google Scholar]
  • 50.Broad A, Biswakarma R, Harper JC. A survey of women’s experiences of using period tracker applications: Attitudes, ovulation prediction and how the accuracy of the app in predicting period start dates affects their feelings and behaviours. Womens Health. 2022;18:17455057221095246. doi: 10.1177/17455057221095246. [DOI] [PMC free article] [PubMed] [Google Scholar]
  • 51.Simmons RG, Jennings V. Fertility awareness-based methods of family planning. Best Pract Res Clin Obstet Gynaecol. 2020;66:68–82. doi: 10.1016/j.bpobgyn.2019.12.003. [DOI] [PubMed] [Google Scholar]
  • 52.Mangone ER, Lebrun V, Muessig KE. Mobile phone apps for the prevention of unintended pregnancy: a systematic review and content analysis. JMIR Mhealth Uhealth. 2016;4(1):e6. doi: 10.2196/mhealth.4846. [DOI] [PMC free article] [PubMed] [Google Scholar]
Rev Esc Enferm USP. 2025 Oct 13;59:e20240454. [Article in Spanish] doi: 10.1590/1980-220X-REEUSP-2024-0454es

Eficacia de la tecnología de seguimiento de la menstruación y la fertilidad en mujeres en edad fértil: una revisión de alcance

Yi Li 1, Yuhui Fang 2, Shuiqin Gu 2

RESUMEN

Objetivo:

Investigar protocolos estandarizados de medición de temperatura e inteligentes métodos de procesamiento de datos para mejorar la precisión de la predicción de la ovulación.

Método:

Basándose en el marco de informe de revisión de alcance de Arksey y O’Malley, se recuperaron publicaciones relevantes desde el 15 de agosto de 2014 hasta el 15 de agosto de 2024 de las bases de datos MEDLINE, EMBASE, SCOPUS y Web of Science. Las publicaciones se seleccionaron, resumieron y evaluaron según el Programa de Habilidades de Evaluación Crítica (CASP) para evaluar su rigor metodológico.

Resultados:

Se incluyeron un total de 21 publicaciones que informaban sobre estudios realizados en 9 países y que involucraron a 26.044 participantes. Los dispositivos de medición de sistemas de seguimiento de la fertilidad basados en la temperatura corporal basal (TBC) incluyeron dispositivos portátiles y termómetros de temperatura corporal basal. Las funciones de las aplicaciones abarcaron evaluación menstrual, predicción de fertilidad, anticoncepción y gestión del embarazo. Las aplicaciones fueron evaluadas en términos de funcionalidad y experiencia de usuario.

Conclusión:

La investigación sobre la aplicación del seguimiento de la fertilidad basado en la TBC se encuentra aún en etapa preliminar. Los hallazgos de este estudio brindan una valiosa referencia para el desarrollo de aplicaciones personalizadas y convenientes, lo cual requiere futuras investigaciones prospectivas de cohorte de alta calidad.

DESCRIPTORES: Detección de la Ovulación, Ventana Fértil, Menstruación, Embarazo, Revisión de Alcance

INTRODUCCIÓN

La temperatura corporal basal (TCB) puede utilizarse como indicador de fertilidad y se utiliza comúnmente para estimar la ventana de fertilidad mediante un monitoreo constante, incluido el seguimiento digital en aplicaciones de salud (apps)(1). El principio en el que se basa el monitoreo es que la TCB presenta un patrón bifásico debido al efecto termogénico de la progesterona, una hormona que aumenta después de la ovulación(2). Actualmente, aproximadamente el 68% de las aplicaciones de seguimiento de la fertilidad se basan en datos auto-informados sobre la TCB y el ciclo menstrual para predecir el seguimiento menstrual y la fertilidad, ya que es un método rentable, fácil de usar y no invasivo(3,4). Estas aplicaciones suelen incluir diversas funciones, como el seguimiento de los ciclos menstruales, el registro de síntomas, la anticoncepción y la planificación familiar, y el control del embarazo(5). Sin embargo, a pesar de su popularidad, estas aplicaciones han sido criticadas por su potencial daño debido a la preocupación por su precisión y la falta de pruebas sólidas que respalden su eficacia, lo que puede dar lugar a riesgos potenciales como embarazos no deseados o retrasos en el diagnóstico de la infertilidad(6,7). Por lo tanto, existe una necesidad urgente de mejorar la precisión predictiva de estas aplicaciones y reforzar las pruebas pertinentes.

Con el desarrollo de los dispositivos portátiles y los avances en los algoritmos de aprendizaje automático, la predicción precisa de la ventana de fertilidad es cada vez más factible. Cuando se llevan por la noche en diversas partes del cuerpo, como la muñeca o las zonas distales, los dispositivos portátiles pueden proporcionar datos continuos y detallados sobre la temperatura de la piel(8,9). Múltiples estudios han confirmado la coherencia entre la temperatura cutánea nocturna y la TCB(8,10). Al mismo tiempo, se han desarrollado innovadores algoritmos de aprendizaje automático para analizar amplios datos de series temporales con el fin de mejorar la precisión de la predicción del día de la ovulación(8,11).

A pesar de estos avances, ninguna revisión sistemática ha evaluado el estado actual de los dispositivos de medición, la función de los algoritmos inteligentes o la eficacia de las aplicaciones de seguimiento de la fertilidad basadas en la TCB. Para abordar esta laguna, se propuso una revisión de alcance que pudiera identificar el progreso de la investigación en áreas temáticas específicas más rápidamente que las revisiones tradicionales, al tiempo que proporcionara una visión general que pudiera impulsar la actualización de los sistemas de conocimiento en este campo(12). Basándose en esta propuesta, el presente estudio tuvo como objetivo realizar una revisión de alcance sistemática basada en el marco de revisión de alcance de Arksey y O’Malley para evaluar la precisión, las funcionalidades y la experiencia del usuario de las aplicaciones de seguimiento de la fertilidad que utilizan algoritmos inteligentes y se basan en la TCB. Los resultados proporcionan una referencia y una base para futuras investigaciones sobre las aplicaciones de seguimiento de la fertilidad basadas en la TCB entre mujeres en edad fértil.

MÉTODO

Diseño del Estudio

Esta revisión de alcance siguió el marco metodológico del Instituto Joanna Briggs (JBI), cuyo objetivo es proporcionar respuestas a una pregunta de investigación bien definida. Este marco, que incluye investigaciones de diversos diseños, describe el alcance, el ámbito y la naturaleza de la investigación e identifica las lagunas en la bibliografía existente. Consta de cinco pasos: alcance, búsqueda, selección, extracción de datos y análisis de datos(13). La presentación de los métodos y los resultados se ha guiado por los criterios de los Elementos de información preferidos para las revisiones sistemáticas y los metaanálisis (PRISMA)(14). Los datos para esta revisión eran de dominio público, por lo que no fue necesaria la aprobación del comité de ética de la institución.

Preguntas de Investigación

Esta revisión de alcance aborda las siguientes preguntas de investigación: (1) ¿Cuáles son los dispositivos de monitoreo de la TCB y cómo se pueden controlar los factores de confusión? (2) ¿Cuál es el contenido específico de las aplicaciones de seguimiento menstrual y de la fertilidad? (3) ¿Cuáles son los efectos de la aplicación de aplicaciones de seguimiento menstrual y de la fertilidad?

Estrategia de Investigación

La elegibilidad de los estudios se evaluó basándose en el marco de población, concepto y contexto (PCC) sugerido por el JBI(15,16). La Tabla 1 ofrece una visión general de los criterios PCC y los tipos de evidencia considerados en esta revisión de alcance. Se realizaron búsquedas en las bases de datos MEDLINE, EMBASE, SCOPUS y Web of Science para encontrar todos los artículos en inglés publicados entre el 15 de agosto de 2014 y el 15 de agosto de 2024. La estrategia detallada en PubMed consistió en utilizar los siguientes encabezados de temas de salud (MESH) ((women AND (humans[Filter]) AND (“Basal Body Temperature”[Title/Abstract] OR “BBT”[Title/Abstract] OR “Skin Temperature”[Title/Abstract] OR “WST”[Title/Abstract] OR “core body temperature”[Title/Abstract] OR “thermal method”[Title/Abstract] OR “Symptothermal method”[Title/Abstract] OR “temperature Sensor”[Title/Abstract]) AND (“system*”[Title/Abstract] OR “device”[Title/Abstract] OR “app*”[Title/Abstract] OR “computers”[MeSH])) AND (2014:2024[pdat])). También se utilizó otra estrategia de búsqueda en bases de datos ideada por los investigadores y que cumplía con la lista de verificación de la Revisión por pares de estrategias de búsqueda electrónica (archivo adicional 1).

Tabla 1. Criterios de inclusión y exclusión basados en el marco de población, concepto y contexto.

Criterios de inclusión Criterios de exclusión
Población Mujeres en edad fértil Mujeres embarazadas o en periodo de lactancia
Concepto Aplicaciones de seguimiento para predecir la menstruación y el periodo fértil Centrarse únicamente en la experiencia del usuario y la usabilidad de la aplicación
Contexto Diferentes aplicaciones de seguimiento de la menstruación y la fertilidad basadas en la temperatura corporal basal No aplicable
Tipos de evidencia ECA; cuasi-ECA; y estudios cualitativos, cuantitativos y de métodos mixtos Revisiones, metaanálisis, experimentos con animales y artículos sin texto completo
Open in a new tab

ECA: ensayos controlados aleatorios.

Extracción de Datos

Al mismo tiempo que se realizaba la selección, se elaboró una tabla de extracción de datos para recolectar información sobre los autores de cada estudio, el año de publicación, el país, el diseño de la investigación, el objetivo de la investigación, el método de medición de la TCB, los factores de confusión, el procesamiento y modelado de los datos, y el uso y la eficacia de la aplicación. Dos investigadores verificaron de forma independiente la exactitud de los datos de la tabla.

Selección de Estudios

Tres investigadores establecieron un entendimiento común sobre el contenido y la eficacia de las aplicaciones de seguimiento menstrual y de la fertilidad. Dos investigadores seleccionaron de forma independiente los títulos y resúmenes de 1357 registros y compararon y debatieron los resultados de los artículos seleccionados que cumplían los criterios de inclusión, que se consideraron aptos para la selección del texto completo. Los investigadores solicitaron el asesoramiento de una tercera persona en caso de desacuerdo.

Evaluación de la Calidad

Se realizó un análisis de calidad de la bibliografía incluida en la revisión de alcance para evaluar sus fortalezas y limitaciones. Se aplicó la herramienta Programa de habilidades de evaluación crítica 2024 (2024 Critical Appraisal Skills Programme-CASP) para facilitar una evaluación sistemática de los componentes metodológicos clave, incluyendo el diseño del estudio, la validez, el rigor y la relevancia para la pregunta de investigación(17). Dos investigadores realizaron de forma independiente la evaluación de la calidad y posteriormente llegaron a un consenso sobre la calidad metodológica de los estudios.

La evaluación clasificó los estudios en tres categorías: sin preocupaciones (respuesta «Sí» a todos los criterios), preocupaciones menores (respuesta «Sí» a todos los criterios excepto uno, al que se respondió «No» o «No se decir») y preocupaciones importantes (respuesta «No» o «No se decir» a más de un criterio). Cualquier desacuerdo se resolvió mediante debate.

Análisis de Datos

La síntesis y el análisis de los datos fueron realizados por dos revisores después de llegar a un consenso mediante debate. Las categorías iniciales se desarrollaron mediante un acuerdo final, y los datos extraídos se examinaron, debatieron, compararon y recopilaron. Las categorías se perfeccionaron y ajustaron mediante debate y reevaluación de los datos extraídos, y las categorías finales se nombraron y presentaron en formato tabular.

RESULTADOS

Resultados de la Búsqueda

Se identificaron inicialmente un total de 1547 estudios, de los cuales se eliminaron 190 por duplicados. La revisión de los títulos y resúmenes excluyó 1294 artículos, lo que dejó 63 artículos completos para su selección. De estos, se excluyeron 42 artículos: 13 porque eran artículos de revisión, 11 porque no eran coherentes con la definición de la BBT y 18 porque no informaban sobre aplicaciones de seguimiento, lo que dejó un total de 21 estudios elegibles para su revisión (Figura 1). Los detalles de estos estudios se muestran en la Tabla 2.

Figura 1. Diagrama de flujo de selección del estudio PRISMA.

Figura 1

Open in a new tab

Tabla 2. Datos extraídos de los 21 estudios incluidos.

Autor Año de publicación País Diseño de la investigación Participantes en la investigación Contenido y método de medición Variables de confusión Procesamiento de los datos del estudio Funcionalidad de la aplicación Eficacia de la aplicación resultados
Zhu
et al.(8) 		2021 Suiza Estudio prospectivo de cohortes 57 mujeres sanas de entre 18 y 45 años, se incluyeron 193 ciclos 1. Temperatura nocturna de la piel de la muñeca: pulsera Ava Fertility Tracker, un dispositivo wearable
2. TCB: Lady-Comp, un termómetro digital
3. Estándar de referencia para la ovulación: ClearBlue Digital Ovulation Test, una prueba de LH en orina para uso doméstico)		 Edad, peso, altura, raza y tiempo desde que dejaron de tomar anticonceptivos hormonales 1. Procesamiento de datos: regla de tres sobre seis
2. Método de modelización: modelo lineal de efectos mixtos		 Aplicación Ava, un registro de fertilidad informatizado
1. Transmisión de datos: sincronización anónima de datos
2. Uso: Detectar la ovulación		 Temperatura de la piel de la muñeca frente a la TCB
Detección de la ovulación
1. Sensibilidad
2. Especificidad
3. Probabilidad de que se haya detectado la ovulación
4. Valores predictivos negativos
5. Coeficiente de correlación de medidas repetidas
6. Rango de aumento de la temperatura
Yu et al.(18) 2022 China Estudio prospectivo de cohortes 114 mujeres no embarazadas de entre 18 y 45 años, incluidos 382 ciclos 1. Frecuencia cardíaca: Huawei Band 5, un dispositivo wearable
2. TCB: Braun IRT6520, un termómetro de oído
3. Estándar de referencia para la ovulación: ecografía ovárica y niveles hormonales séricos		 Edad, peso, altura, estado civil, nivel educativo, ocupación, edad en la menarquia, tabaquismo y consumo de alcohol 1. Corrección de datos: método Bonferroni
2. Análisis y visualización de datos: software R
3. Método de modelización: modelo lineal mixto		 Aplicación Huawei
1. Transmisión de datos: sincronización de datos
2. Uso: Detectar el periodo fértil y la menstruación		 Menstruaciones regulares frente a irregulares
Ventana fértil y menstruación
Precisión
Sensibilidad Especificidad
Área bajo la curva
Scherwitzl
et al.(19) 		2015 Suiza Estudio retrospectivo 317 mujeres de entre 18 y 39 años, incluidos 1501 ciclos 1. TCB: termómetro basal
2. Estándar de referencia para la ovulación: pruebas de LH
3. Fecha de la menstruación		 Edad, duración del ciclo, variación del ciclo, actividad sexual, planes de embarazo, estado de embarazo, IMC, tabaquismo, uso previo de anticonceptivos hormonales 1. Análisis de datos: Ninguno
2. Método de modelización: algoritmo de la tecnología subyacente		 Aplicación Natural Cycles
1. Transmisión de datos: Introducción anónima de datos
2. Uso: Identificar el día de la ovulación y el periodo fértil		 Detectar la ovulación
1. Retraso medio desde el día de la ovulación
2. Duración de la fase lútea
3. Tasa de falsos positivos
Ecochard et al.(20) 2015 Canadá Estudio observacional 107 mujeres de entre 19 y 45 años, incluidos 326 ciclos 1. TCB: termómetro basal
2. Mucosidad cervical: autoevaluación de la sensación, el aspecto y la consistencia
3. Análisis hormonales: niveles de estrona-3-glucurónido (E1-3-G), pregnanediol-3a-glucurónido (PDG), LH y FSH
4. Estándar de referencia para la ovulación: exploraciones ecográficas		 Estrés, enfermedad, insomnio, trastornos del sueño 1. Regla de tres sobre seis
2. Análisis y visualización de datos: software R
3. Método de modelización: algoritmo del último signo fértil		 Diagrama
1. Transmisión de datos: Dibujo manual
2. Uso: Identificar la ventana fértil		 Ventana fértil
Moco cervical
1. Sensibilidad
2. Especificidad
Goodale et al.(21) 2019 Suiza Estudio observacional prospectivo 237 mujeres con una media de 33 años, se incluyeron 708 ciclos menstruales 1. Temperatura nocturna de la piel de la muñeca: pulsera Ava, un dispositivo wearable
2. Parámetros fisiológicos (frecuencia cardíaca, VFC, frecuencia respiratoria y perfusión cutánea): pulsera Ava
3. Calidad del sueño: pulsera Ava
4. Estándar de referencia para la ovulación: ClearBlue Digital Ovulation Test, una prueba de LH en orina para uso doméstico		 En las 3 horas previas al sueño, hubo relaciones sexuales, ejercicio intenso, ingesta de alimentos, consumo de café o alcohol 1. Corrección de datos: método Bonferroni
2. Procesamiento y análisis de datos: software R
3. Método de modelización: algoritmo de aprendizaje automático		 Aplicación móvil correspondiente
1. Transmisión de datos: sincronización de datos
2. Uso: Detectar el periodo fértil		 Ventana fértil
Precisión
Scherwitzl et al.(22) 2016 Suiza Estudio retrospectivo 6944 mujeres con una edad media de 29 años, incluidos 272 204 ciclos 1. TCB: termómetro basal
2. Estándar de referencia para la ovulación: pruebas de LH
3. Fecha de la menstruación		 Actividad sexual y notas personales Método de modelización: algoritmo de la tecnología subyacente Aplicación Natural Cycles
1. Transmisión de datos: Introducir los datos de forma anónima
2. Uso: prevenir el embarazo		 1. Tabla de vida de Kaplan-Meier
2. Índice de Pearl de uso perfecto
3. Tasa de fracaso en el uso típico de 13 ciclos
4. Tasa de interrupción típica en 13 ciclos
5. Tasa de interrupción
Demian‘czyk y Michaluk(23) 2016 Polonia Estudio retrospectivo 361 mujeres, incluidos 17 322 ciclos
(edad no especificada)		 1. TCB: sensor de temperatura
2. Moco cervical: autoevaluación de la sensación
3. Fecha de la menstruación		 Método anticonceptivo
Uso de preservativos, coitus interruptus, método Creighton, píldora anticonceptiva e, termómetro o dispositivos intrauterinos y observación del moco		 1. Procesamiento y análisis de datos: software R
2. Método de modelización: modelos Lady-Comp		 Lady-Comp, Pearly y Daysy: dispositivos para controlar el ciclo menstrual
1. Transmisión de datos: introduce los datos de forma anónima
2. Uso: indican las fases fértiles e infértiles del ciclo menstrual para la anticoncepción		 Índice Pearl 2010
Índice de Pearl de 2016
Porcentaje de embarazos planificados en mujeres
Manhart y Duane(24) EE. UU. Estudio prospectivo de cohortes 20 mujeres menores de 40 años, incluidos 240 ciclos 1. TCB: termómetro basal
2. Estándar de referencia para la ovulación: pico de moco (2 días antes y después)		 Ninguno 1. Datos faltantes: No se introdujeron los datos faltantes en un ciclo
2. Método de modelización: algoritmo de Natural Cycles		 Aplicación Natural Cycles
Aplicación CycleProGo
1. Transmisión de datos: introducir los datos de forma anónima
2. Uso: definir el periodo fértil		 Equivalente
1. Día de inicio y fin del periodo fértil
Aplicación Natural Cycles
frente a aplicación CycleProGo
2. Duración media total de la ventana fértil
3. Ciclos con inicio de la ventana fértil
4. Ciclos con finalización de la ventana fértil
Fukaya et al.(25) 2017 Japón Estudio prospectivo de cohortes 20 mujeres, incluidos 27 ciclos (edad no especificada) 1. TCB: termómetro convencional o sensor portátil
2. Fecha de la menstruación Precisión de la predicción secuencial
1. Método convencional de cálculo del calendario
2. Método predictivo secuencial		 Ninguna 1. Distribuciones condicionales de la fase: secuencial, técnicas de filtrado bayesiano
2. Datos faltantes: modelo del criterio de información de Akaike (AIC)
3. Método de modelización: modelo de espacio de estados		 Sitio web de Ran’s Story, un novedoso marco estadístico e
1. Transmisión de datos: datos introducidos
2. Uso: estimación del ciclo menstrual		 Precisión de la predicción
Estimación del estado y cálculo de la log-verosimilitud
1. Error cuadrático medio (RMSE)
2. Error absoluto medio (MAE)
Kawamori et al.(10) 2019 Japón Estudio retrospectivo 3533 mujeres de entre 15 y 54 años, incluidos 25 622 ciclos 1. TCB: termómetro convencional o sensor portátil
2. Fecha de la menstruación		 Edad
Clasificación de cada ciclo menstrual en ocho grupos de edad		 1. Distribuciones condicionales de la fase: técnicas de filtrado bayesiano secuencial
Identificación de las etapas del ciclo
2. Método de modelización: modelo de espacio de estados autorregresivo con umbral autoexcitado		 Sitio web de la historia de Ran
1. Transmisión de datos: introducir datos
2. Uso: estimar el ciclo menstrual		 Estimación del estado y cálculo de la log-verosimilitud
RMSE
Freundl
et al.(26) 		2014 Alemania Estudio retrospectivo 51 mujeres de entre 24 y 35 años, incluidos 364 ciclos 1. TCB: termómetro convencional o sensor portátil
2. Fecha de la menstruación		 Errores o variaciones en el método de medición, mediciones e es en diferentes momentos, sueño corto o interrumpido, acostarse tarde, cantidades inusuales de alcohol y tensión emocional. 1. Datos faltantes: no se introdujeron los datos faltantes en un ciclo
2. Método de modelización: algoritmo de seguimiento de la señal
3. Método convencional: método sintotérmico de Sensiplan®		 Sistema de seguimiento de Trigg (TtS)
1. Transmisión de datos: introducir los datos
2. Uso: definir la ventana fértil		 Día de transición TtS y día inicial Sensiplan®
van de Roemer
et al.(27) 		2021 Suiza Estudio retrospectivo 5328 mujeres con una edad media de 30 años, incluidos 107 020 ciclos 1. TCB: termómetro basal
2. Fecha de la menstruación		 Edad, IMC, duración del ciclo, omisión de mediciones, temperatura media alta frente a baja y variaciones de temperatura 1. Datos faltantes: no se introdujeron los datos faltantes en un ciclo
2. Procesamiento y análisis de datos: VE Analyzer
3. Método de modelización: algoritmo Fertility Tracker		 Daysy, un dispositivo de seguimiento de la fertilidad
1. Transmisión de datos: introducir los datos
2. Uso: definir la ventana fértil		 Análisis de sensibilidad
1. Duración media del ciclo comunicada
2. Tasa de utilización
3. Dispositivo de fertilidad identificado en promedio
Stanford et al.(28) 2020 EE. UU. Estudio prospectivo de cohortes 8363 mujeres de entre 21 y 45 años, incluido 200 712 ciclos 1. TCB: termómetro basal
2. Fluido cervical o posición del cuello uterino: autoevaluación de la sensación
3. Estándar de referencia para la ovulación: prueba de LH en orina		 Edad, raza/etnia, embarazos anteriores, IMC, ingresos, tabaquismo actual, educación, educación de la pareja, consumo de cafeína y uso de anticonceptivos hormonales 1. Datos faltantes: utilice la imputación múltiple para imputar los datos faltantes Aplicaciones móviles: Clue, Fertility Friend, Glow, Kindara y aplicaciones seleccionadas por
1. Transmisión de datos: Encuesta mediante cuestionario
2. Uso: seguimiento del ciclo menstrual y del periodo fértil		 1. Tasa de utilización
2. Índices de fecundabilidad (FR)
(1) Aumento de la fecundabilidad
3. Tiempo hasta el embarazo (TTP)
Shilaih
et al.(29) 		2018 Suiza Estudio clínico observacional 136 mujeres de entre 20 y 40 años, incluidos 437 ciclos 1. Temperatura de la piel de la muñeca (WST): pulsera Ava (dispositivo wearable) mientras se duerme
2. Estándar de referencia para la ovulación: ClearBlue Digital Ovulation Test, una prueba de LH en orina para uso doméstico		 Consumo de comidas, café, alcohol y relaciones sexuales o ejercicio intenso Principio: regla de tres sobre seis.
1. Preprocesamiento de datos: LOESS utilizado para suavizar los datos de temperatura
2. Análisis y visualización de datos: software R
3. Método de modelización: modelos lineales de efectos mixtos.		 Aplicación Ava, un rastreador de fertilidad informatizado
1. Transmisión de datos: sincronización de datos
2. Uso: Detectar la ovulación		 1. Tasa de cambio de temperatura
2. Tiempo de cambio de temperatura
3. Cambio de temperatura
Alzueta et al.(9) 2022 EE. UU. Estudio observacional prospectivo 26 mujeres de entre 18 y 35 años, incluidos
416 ciclos		 1. Temperatura distal de la piel durante la noche: Oura Ring, un dispositivo portátil con múltiples sensores
2. Parámetros fisiológicos (FC, VFC y sueño): Oura Ring
3. Calidad del sueño: diario subjetivo
4. Fecha de la menstruación
5. Estándar de referencia para la ovulación: prueba de LH en orina		 Calidad del sueño, estado de ánimo, disposición y síntomas físicos 1. Estimación del ciclo menstrual: método Schmalenberger
2. Método de modelización: modelos de regresión lineal jerárquica		 Aplicaciones Oura
1. Transmisión de datos: sincronización anónima de datos
2. Uso: estimar el ciclo menstrual		 Fases diferentes: Menstruación, ovulación, fase lútea media y fase lútea tardía
1. Temperatura cutánea distal
2. Coeficiente de correlación
Luo et al.(30) 2020 China Estudio prospectivo de cohortes 34 mujeres de entre 22 y 42 años, incluidos
125 ciclos		 1. Temperatura interna del oído durante la noche: auricular, un dispositivo intraauricular y no invasivo que se puede llevar puesto
2. TCB: termómetro basal		 Enfermedades inflamatorias y situaciones ambientales 1. Preprocesamiento de datos: protocolo de limpieza de datos
2. Algoritmo: un algoritmo de aprendizaje estadístico eficaz y flexible
3. Método de modelización: modelo oculto de Markov (HMM)		 Aplicaciones para teléfonos inteligentes
1. Transmisión de datos: Introducir datos
2. Uso: Detectar la ovulación		 Auricular frente al método tradicional
1. Precisión de la detección
2. Capacidad de predicción
Maijala
et al.(31) 		2019 Finlandia Estudio prospectivo de cohortes 22 mujeres de entre 21 y 49 años, incluidos 66 ciclos 1. Temperatura cutánea distal nocturna: Oura Ring, un dispositivo wearable con múltiples sensores
2. TCB: termómetro basal
3. Estándar de referencia para la ovulación: prueba de LH en orina		 Calidad del sueño 1. Preprocesamiento de datos: script MATLAB
2. Algoritmo: HALF_LOCS
MENSES predice la ovulación para el día intermedio
HALF PEAKS predice la ovulación para el primer día		 Aplicaciones Oura
1. Transmisión de datos: sincronizar datos
2. Uso: predice los ciclos menstruales y de ovulación		 1. Rango de aumento de la temperatura en la fase lútea
2. Correlación entre la temperatura cutánea y la temperatura oral
3. Sensibilidad a la menstruación
4. Duración del periodo fértil
Gombert-Labedens
et al.(32) 		2024 EE. UU. Estudio observacional prospectivo 120 mujeres de entre 18 y 52 años, incluidos 120 ciclos 1. Temperatura cutánea distal nocturna: Oura Ring, un dispositivo portátil con múltiples sensores
2. Estándar de referencia para la ovulación: prueba de LH en orina		 Temperatura y humedad ambientales, tasa metabólica basal, actividad muscular, digestión, sueño, postura y fluctuaciones hormonales 1. Preprocesamiento de datos: script MATLAB
2. Análisis y visualización de datos: software R
3. Método de modelización: Modelos cosinor		 Aplicaciones Oura
1. Transmisión de datos: sincronización anónima de datos
2. Uso: estimación del ciclo menstrual		 Calidad del ajuste (r2)
Datos de temperatura cutánea distal del ciclo menstrual
Hurst et al.(33) 2022 EE. UU. Estudio prospectivo de cohortes 80 mujeres con disfunción ovulatoria e, de entre 22 y 46 años, se incluyeron 205 ciclos 1. Temperatura vaginal nocturna: sensor vaginal (VS)
2. WST nocturna: sensor colocado sobre la piel
3. Estándar de referencia para la ovulación: medición ecográfica de los folículos ováricos y prueba de LH en orina		 Ninguno 1. Principio: regla de tres sobre seis.
2. Algoritmo: algoritmo SWS y VS
3. Procesamiento y análisis de datos: método de diferencia de días y método de umbral		 Aplicaciones para teléfonos inteligentes
1. Transmisión de datos: sincronización anónima de datos
2. Uso: predecir la ovulación y la concepción		 SWS frente a VS
1. Preciso
2. Ventana fértil
3. Tiempo de intento de concepción (TTC)
Regidor
et al.(34) 		2018 Alemania Estudio prospectivo de cohortes 158 mujeres de entre 18 y 45 años, incluidos 470 ciclos 1. Temperatura corporal central circadiana y circamensual: Ovula Ring, un sensor vaginal
2. Análisis hormonales: niveles de LH, hormona folículoestimulante, estradiol y progesterona
3. Ecografía vaginal		 Ninguno 1. Datos expresados en forma de grafico Cyclo Fertilo (CFG).
2. Algoritmo matemático basado en el análisis del ritmo circadian y circamensual de la temperatura corporal central es		 Aplicaciones para teléfonos inteligentes
1. Transmisión de datos: sincronización de datos
2. Uso: estimación del ciclo menstrual		 1. Error de validación debido a errores de software
2. Precisión en la detección de la ovulación
3. Índice de uso
Wark
et al.(35) 		2015 Australia Estudio observacional comparativo 16 mujeres de entre 18 y 25 años, incluidos 8 ciclos 1. Temperatura del brazo superior: BodyMedia SenseWear (BMSW) (dispositivo de brazalete)
2. TCB: termómetro digital oral		 Ninguno 1. Fecha visual y cuantitativa: MTM
2. Análisis y visualización de datos: gráfico de Bland-Altman (BA)		 Aplicación WomanLog Pro
1. Transmisión de datos: Introducir datos
2. Uso: monitorizar la ovulación		 1. Rango de temperaturas del termómetro
2. Aceptabilidad de ambos dispositivos
Open in a new tab

Características de los Estudios

Los estudios publicados entre 2014 y 2024 se llevaron a cabo en nueve países, seis de ellos en Suiza, cinco en Estados Unidos, dos en China, dos en Japón y dos en Alemania, y uno en Canadá, Polonia, Finlandia y Australia. Las participantes en la investigación eran mujeres sanas en edad fértil de entre 18 y 45 años. Solo un estudio se centró en mujeres con disfunción ovulatoria, a las que se estudió para estimar el ciclo menstrual y detectar la ventana fértil y el día de la ovulación. En cuanto al diseño de la investigación, la mayoría de los estudios fueron prospectivos de cohortes (n = 12, 57,1%) o retrospectivos (n = 6, 28,6%), con una duración de la observación de cuatro a siete ciclos por participante; cinco estudios fueron a gran escala y tres incluyeron encuestas.

Evaluación de la Calidad

Basándose en la evaluación de la lista de verificación CASP 2024 de los 21 estudios incluidos, esta revisión de alcance identificó una estratificación tripartita en la calidad metodológica. Cinco estudios (23,8%) plantearon preocupaciones importantes, principalmente debido a ajustes incompletos de los factores de confusión (P5–P6), como se observó en Gombert-Labedens et al.(32) y Hurst et al.(33), que carecían de claridad a la hora de abordar las variables, así como en Manhart y Duane(24) y Fukaya et al.(25), que no tuvieron en cuenta estos factores, junto con cuestiones como la falta de claridad de los procesos de reclutamiento (P2) en Hurst et al.(33) o la duración/exhaustividad insuficiente del seguimiento (P7–P8) en Manhart y Duane(24). Tres estudios (14,3%) mostraron preocupaciones menores, entre ellas las relacionadas con la inconsistencia de los métodos de medición de los resultados (P4) en Freundl et al.(26), la presentación parcial de las estimaciones de precisión (P10) en van de Roemer et al.(27) e incertidumbres sobre la aplicabilidad local (P12) en Shilaih et al.(29) y Freundl et al.(26), y en este último y en Regidor et al.(34) se omitió además realizar análisis de estratificación/multivariantes para controlar los factores de confusión. Trece estudios (61,9%) no mostraron ninguna preocupación por el cumplimiento de normas sólidas, en particular en la definición de las preguntas de investigación (P1: cumplimiento del 100%), la medición de los resultados (P4: cumplimiento del 81%) y la presentación de los resultados (P9–P11: cumplimiento del 76–100%). Sin embargo, persistieron deficiencias generalizadas, cuantificadas en la Tabla 3 como cumplimiento subóptimo del control de factores de confusión (P5–P6: 61,9%, con 8 estudios deficientes), limitaciones en la exhaustividad del seguimiento (P7–P8: 71,4% de cumplimiento) y validación insuficiente de la aplicabilidad local (P12: 47,6% de cumplimiento), lo que en conjunto subraya la necesidad de que las investigaciones futuras den prioridad a los ajustes preespecificados de los factores de confusión, al seguimiento prolongado ≥ 6 ciclos menstruales y al muestreo diversificado de la población para mejorar la fiabilidad de la evidencia y la utilidad clínica. La evaluación general de cada estudio se presenta en la Tabla 3.

Tabla 3. Lista de verificación CASP Resumen de los estudios incluidos.

Zhu
et al.(8) 		Yu
et al.(18) 		Scherwitzl
et al.(19) 		Ecochard
et al.(20) 		Goodale
et al.(21) 		Scherwitzl
et al.(22) 		Demianczyk y Michaluk(23)
P1 Sí Sí Sí Sí Sí Sí Sí
P2 Sí Sí No sé con seguridad con seguridad Sí Sí No No sé con seguridad
P3 Sí Sí Sí Sí Sí No sé con seguridad Sí
P4 Sí Sí Sí Sí Sí No Sí
P5 Sí Sí No No Sí No No
P6 No Sí No No Sí No No
P7 No sé con seguridad Sí No No Sí No Sí
P8 Sí Sí No Sí Sí No Sí
P9 Sí Sí Sí Sí Sí Sí Sí
P10 Sí Sí No sé con seguridad Sí Sí Sí No sé con seguridad
P11 Sí Sí Sí Sí Sí No sé con seguridad Sí
P12 No No sé con seguridad No sé con seguridad Sí No sé con seguridad No No sé con seguridad
P13 Sí Sí Sí Sí Sí Sí Sí
P14 Sí Sí Sí Sí Sí No sé con seguridad Sí
Manhart y Duane (24) Fukaya et al. (25) Kawamor (10) Freundl et al. (26) van de Roemer et al. (27) Stanford et al. (28) Shilaih et al. (29)
P1 Sí Sí Sí Sí Sí Sí Sí
P2 Sí Sí No sé con seguridad Sí Sí Sí Sí
P3 No sé con seguridad No sé con seguridad Sí Sí Sí No sé con seguridad Sí
P4 Sí Sí Sí No sé con seguridad Sí Sí Sí
P5 No No No No No Sí Sí
P6 No No No sé con seguridad No No Sí Sí
P7 Sí Sí No sé con seguridad Sí Sí Sí No sé con seguridad
P8 Sí Sí Sí Sí Sí Sí Sí
P9 Sí Sí Sí Sí Sí Sí Sí
P10 Sí Sí Sí Sí Sí Sí Sí
P11 Sí Sí Sí Sí Sí Sí Sí
P12 No sé con seguridad No No sé con seguridad No sé con seguridad No sé con seguridad No Sí
P13 Sí No sé con seguridad Sí Sí Sí Sí Sí
P14 Sí Sí Sí Sí Sí Sí Sí
Alzueta et al. (9) Luo et al. (30) Maijala et al. (31) Gombert-Labedens et al. (32) Hurst et al. (33) Regidor et al. (34) Wark et al. (35)
P1 Sí Sí Sí Sí Sí Sí Sí
P2 Sí No sé con seguridad No sé con seguridad Sí No No sé con seguridad No sé con seguridad
P3 Sí Sí Sí Sí Sí Sí Sí
P4 Sí No sé con seguridad Sí No sé con seguridad Sí Sí Sí
P5 No No Sí No Sí No No
P6 No sé con seguridad Sí No sé con seguridad No Sí No No
P7 Sí Sí Sí Sí No Sí Sí
P8 Sí Sí Sí No Sí Sí Sí
P9 Sí Sí Sí Sí Sí Sí Sí
P10 Sí Sí Sí No sé con seguridad Sí No sé con seguridad No sé con seguridad
P11 Sí No sé con seguridad Sí Sí Sí Sí Sí
P12 Sí No sé con seguridad No sé con seguridad No sé con seguridad No sé con seguridad No sé con seguridad No sé con seguridad
P13 Sí Sí Sí Sí Sí Sí Sí
P14 Sí Sí Sí Sí Sí Sí Sí
Open in a new tab

1. ¿El estudio abordó un tema claramente definido?

2. ¿Se reclutó la cohorte de forma aceptable?

3. ¿Se midió la exposición con precisión para minimizar el sesgo?

4. ¿Se midieron los resultados con precisión para minimizar el sesgo?

5. ¿Han identificado los autores todos los factores de confusión importantes?

6. ¿Se han tenido en cuenta los factores de confusión en el diseño y/o el análisis?

7. ¿El seguimiento de los sujetos fue lo suficientemente completo?

8. ¿El seguimiento de los sujetos fue lo suficientemente prolongado?

9. ¿Cuáles son los resultados de este estudio?

10. ¿Qué grado de precisión tienen los resultados?

11. ¿Cree usted en los resultados?

12. ¿Se pueden aplicar los resultados a la población local?

13. ¿Los resultados de este estudio concuerdan con otras pruebas disponibles?

14. ¿Qué implicaciones tiene este estudio para la práctica?

Contenido y Métodos de Medición

Nueve estudios analizaron el uso de dispositivos portátiles, entre ellos una pulsera, un anillo, dispositivos vaginales, auriculares y brazaletes, para medir la temperatura corporal (Tabla 4). Estos novedosos dispositivos portátiles miden de forma continua y automática la temperatura de la piel durante el sueño para definir la TCB, y los datos se recogen en la fase media de la noche para evitar las perturbaciones de las fases de conciliación del sueño y despertar(8). Además, 16 estudios tuvieron en cuenta algunos factores de confusión que influyen en la TCC, entre ellos factores individuales (por ejemplo, edad, peso, enfermedades y medicamentos), factores psicosociales (por ejemplo, estrés, insomnio y cambio climático) y factores relacionados con el estilo de vida (por ejemplo, actividad sexual, tabaquismo y consumo de alcohol y café). Además, Yu et al.(18) y Alzueta et al.(9) utilizaron dispositivos portátiles multisensor (la Huawei Band y el Oura Ring) para medir parámetros fisiológicos (frecuencia cardíaca [FC], variabilidad de la FC [VFC] y sueño) con el fin de mejorar la precisión de la predicción. Otros estudios utilizaron un termómetro basal para analizar cómo mejorar la precisión de la predicción mediante la actualización del algoritmo.

Table 4. Características y funciones de los dispositivos portátiles.

Tipo de dispositivo Dispositivo de pulsera Dispositivo anillo Dispositivo vaginal Dispositivo para el oído Dispositivo para el brazo
P Nombre del producto e Pulsera Ava Anillo Oura Ovula Auricular BodyMedia SenseWear
Medición Temperatura de la piel de la muñeca (WST) Temperatura de la piel distal (DST) Temperatura corporal central (CBT) Temperatura interna de la oreja (EIT) Temperatura en la parte superior del brazo (UAT)
Características 1. Frecuencia de registro: cada 10 s durante toda la noche
2. Al menos 4 horas de sueño ininterrumpido		 1. Frecuencia de registro: cada 30 s durante toda la noche
2. Cada 30 s de monitorización del sueño durante toda la noche		 1. Frecuencia de registro: cada 5 minutos durante todo el ciclo
2. Medición intravaginal exacta circadiana y circamensual		 1. Frecuencia de registro: cada 5 minutos durante toda la noche
2. Eliminar al menos los primeros 20–30 minutos de datos para estabilizar		 1. Frecuencia de registro: cada 5 minutos durante toda la noche
2. Borrar 60 minutos de datos antes de despertarse
Contenido de la investigación 1. Predicción del periodo fértil
2. Seguimiento del ciclo menstrual		 Seguimiento del ciclo menstrual Predicción de la ventana fértil y la ovulación Predicción de la ovulación Predicción de la ovulación
Open in a new tab

Experiencia del Usuario con Dispositivos Portátiles

En el panorama tecnológico actual de los dispositivos portátiles para el control de la fertilidad, cinco categorías (pulseras, anillos, sensores vaginales, dispositivos para el oído y brazaletes) muestran claras diferencias en cuanto a rendimiento y adaptabilidad a cada usuaria. Las pulseras permiten un seguimiento continuo y discreto mediante la monitorización de la temperatura de la piel de la muñeca, con una gran resistencia a las interferencias ambientales, pero requieren una recarga diaria y pueden limitar el movimiento de la muñeca. No obstante, son adecuadas para mujeres que desean quedarse embarazadas y dan prioridad a la comodidad, aunque la incomodidad relacionada con el sueño puede comprometer su cumplimiento(8,21,29). Con capacidad impermeable (hasta 50 metros de resistencia al agua y compatibles con la sauna), alta integridad de los datos (>97%) y una duración de la batería de 3 días, los anillos se adaptan a las mujeres con horarios irregulares, pero las estrictas restricciones de tamaño y la dependencia de la sincronización manual suponen un riesgo de descuidos operativos(9,31,32). Los sensores vaginales proporcionan mediciones precisas de la temperatura corporal central sin necesidad de tomar muestras de orina, lo que los hace ideales para personas que cruzan husos horarios o trabajan por turnos, pero su diseño invasivo, asociado a molestias menstruales y barreras psicológicas, y la necesidad de sustituirlos mensualmente limitan su uso principalmente a pacientes e es con infertilidad que requieren datos de alta precisión(34). Los dispositivos que se llevan en la oreja atraen a los usuarios expertos en tecnología gracias a la monitorización estable de la temperatura del conducto auditivo y al análisis totalmente automatizado mediante inteligencia artificial, aunque su tendencia a desprenderse durante el sueño y el riesgo de irritación del conducto auditivo pueden provocar lagunas en los datos nocturnos(18,30). Con una duración de la batería de 7 días, una irritación mínima de la piel y una monitorización multiparamétrica, las bandas para el brazo son útiles en ensayos clínicos, pero se enfrentan a limitaciones prácticas debido a una tasa de pérdida de mediciones del 35% y a la necesidad de contar con expertos para interpretar los datos(35).

En general, la selección del dispositivo requiere equilibrar la precisión (óptima en los sensores vaginales) y el cumplimiento (mejor en las pulseras y los anillos), junto con consideraciones de aceptabilidad psicológica (mayor en los dispositivos no invasivos) y exigencias específicas de cada situación (la monitorización de grado médico a menudo sacrifica la comodidad). Las investigaciones futuras deben dar prioridad a las optimizaciones técnicas (por ejemplo, la prolongación de la duración de la batería y la reducción de la invasividad) y a las adaptaciones personalizadas (basadas en la tolerancia ocupacional o fisiológica) para mejorar la fiabilidad a largo plazo y la adherencia de los usuarios. Estas consideraciones para los dispositivos portátiles se presentan en la Tabla 5.

Tabla 5. Consideraciones sobre la experiencia del usuario para los dispositivos portátiles.

Tipo de dispositivo Ventajas Desventajas Usuarios objetivo Experiencias negativas
Pulsera 1. Monitorización continua discreta (temperatura de la piel de la muñeca)
2. Gran resistencia a las interferencias ambientales
3. Sincronización automática de datos con la aplicación		 1. Requiere recarga diaria
2. Posibles restricciones en el movimiento de la muñeca		 Mujeres que buscan un seguimiento cómodo de la fertilidad Molestias al llevarlo puesto durante el sueño
Anillo 1. Resistente al agua (50 m de profundidad) y apto para sauna
2. Disponibilidad de datos de > 97%
3. Duración de la batería de 3 días		 1. Se requiere sincronización manual diaria de los datos
2. Requisitos estrictos en cuanto al tamaño de los dedos		 Mujeres con trabajos con horarios irregulares Riesgo de olvidar las rutinas de sincronización
Vaginal 1. Medición más precisa de la temperatura corporal
2. No es necesario recoger muestras de orina
3. Adaptable a trabajadores por turnos/viajeros con cambio de huso horario		 1. Posibles molestias menstruales
2. Requiere sustitución mensual
3. Resistencia psicológica		 Pacientes con infertilidad que necesitan precisión Barreras psicológicas para la inserción
Oído 1. Alta estabilidad de la temperatura del canal auditivo
2. Monitorización totalmente automatizada
3. Análisis mediante aplicación con inteligencia artificial		 1. Fácil extracción durante el sueño
2. Riesgo de irritación para usuarios sensibles		 Usuarios pioneros en la adopción de nuevas tecnologías Lagunas en los datos debido al movimiento nocturno
Brazalete 1. Batería de larga duración (7 días)
2. Baja irritación cutánea
3. Monitorización multiparamétrica		 1. Bajo cumplimiento (35% de mediciones perdidas)
2. Requiere interpretación de datos por parte de expertos		 Participantes en ensayos clínicos Percepción de movimiento restringido del brazo
Open in a new tab

Análisis de Monitoreo a Largo plazo e Implicaciones Clínicas

La literatura existente indica que el monitoreo de la temperatura mediante tecnología portátil presenta ventajas considerables y oportunidades de investigación para el manejo de los ciclos menstruales durante períodos prolongados. La pulsera Ava, en particular, demostró fluctuaciones significativas en la temperatura de la piel de la muñeca (WST), la frecuencia cardíaca y la frecuencia respiratoria durante un año de monitoreo continuo. Esta investigación confirmó que los algoritmos de aprendizaje automático pueden alcanzar una tasa de precisión del 90% en la predicción de la ventana fértil mediante la síntesis de datos multiparamétricos, lo que destaca la importancia de los datos a largo plazo para la optimización de estos algoritmos(21).

El estudio que examinó el dispositivo Daysy destacó la importancia fundamental del cumplimiento por parte de las usuarias; concretamente, cuando la frecuencia de las mediciones superaba el 80%, la precisión de los resultados del algoritmo mejoraba significativamente, con un 42,4% de «días verdes» identificados con precisión dentro de los periodos fértiles. Además, se mantuvo la estabilidad de la duración de la fase lútea (media de 12,7 ± 1,4 días), lo que subraya la necesidad de un monitoreo constante para la eficacia de los métodos anticonceptivos naturales(27). El monitoreo con WST validó aún más su potencial como alternativa a la medición oral de la TCB al mostrar un patrón bifásico que se correlacionaba con la TCB oral (r = 0,563) y una elevación de 0,30 °C durante la fase lútea en comparación con las temperaturas de la fase folicular, aunque persistieron los retos relacionados con la interferencia ambiental(29). Además, la aplicación del modelo coseno a los datos de la TCB a largo plazo identificó con éxito el 82% de los ciclos bifásicos mediante la cuantificación de características rítmicas como la mediana, la amplitud y la fase pico, al tiempo que señaló los ciclos anormales a través de desviaciones en estos parámetros, proporcionando así una herramienta cuantitativa para evaluar la salud menstrual(32). En resumen, el monitoreo a largo plazo no solo aclara la estabilidad dinámica de los parámetros fisiológicos, como la consistencia de la temperatura y la duración de la fase lútea, sino que también revela limitaciones técnicas, incluida la variabilidad de los dispositivos y los factores de confusión ambientales.

Procesamiento y Análisis de Datos Complejos

Nueve estudios recolectaron datos simultáneamente a través de la sincronización Bluetooth, mientras que los demás se basaron en la entrada manual de datos por parte de las participantes, lo que pudo haber dado lugar a errores de introducción. Para proteger la privacidad de las pacientes y ocultar las diferencias entre subgrupos, los datos se recolectaron de forma anónima en siete estudios. Debido a la naturaleza densa y compleja de los datos de temperatura, algunos estudios realizaron un preprocesamiento de los datos. Por ejemplo, de acuerdo con un protocolo de limpieza de datos, estos se limpiaron y organizaron para garantizar su precisión, consistencia y exhaustividad(30), y se desarrolló un script MATLAB para gestionarlos(31). Además, cada parámetro se sometió a un suavizado de diagramas de dispersión estimado localmente (locally estimated scatterplot smoothing – LOESS) antes del análisis estadístico(19). En cuanto a los datos faltantes, cinco estudios los excluyeron y un estudio utilizó imputaciones múltiples para imputar los datos faltantes(28). En cuanto al análisis de los datos, algunas investigaciones presentaron los datos en forma de gráficos y tablas para analizarlos mejor(34,35). Cuatro estudios explicaron cómo la TCB predecía la ovulación basándose en la regla de «tres sobre seis», que significa que se requieren tres temperaturas 0,2 °F por encima del punto más alto de las seis temperaturas anteriores, con al menos una de las temperaturas más altas 0,4 °F por encima de las más bajas (2). Freundl et al.(26) utilizó los métodos sintotérmicos Sensiplan® para enriquecer aún más la regla. Además, el 33,3% de los estudios utilizaron el software R para el análisis y la visualización de los datos, el 23,8% construyeron modelos lineales de efectos mixtos y el 76,2% adoptaron algoritmos y modelos innovadores para la predicción. Es necesario seguir investigando para mejorar la precisión de las predicciones.

Funcionalidad y Eficacia de las Aplicaciones

Las principales funciones de las aplicaciones incluyen cuatro aspectos: estimación del ciclo menstrual (8 aplicaciones), predicción de la fertilidad (14 aplicaciones), indicación de anticonceptivos (2 aplicaciones) y monitoreo del embarazo (1 aplicación). Entre las aplicaciones disponibles actualmente se encuentran Ava, Natural Cycles y Oura, WomanLog Pro, así como el sitio web Ran’s Story y los ordenadores Pearly y Daysy Cycle. Stanford et al.(28) evaluó la fecundabilidad de cinco aplicaciones (Clue, Fertility Friend, Glow, Kindara y Ovia) y las consideró eficaces, pero los resultados carecían de pruebas. Los parámetros de evaluación de la eficacia de las aplicaciones fueron el cambio de temperatura, la duración de la ventana fértil y el rendimiento del modelo, incluyendo la precisión, la sensibilidad, la especificidad, el error cuadrático medio (RMSE), el error absoluto medio (MAE), el coeficiente de correlación, el índice de fertilidad (índice de Pearl, índices de fecundidad y tiempo hasta el embarazo) y la disponibilidad de la aplicación (tasas de utilización y abandono).

DISCUSIÓN

La mayoría de los estudios examinados en esta revisión demostraron que la TCB puede predecir la ovulación, y la TCB está reconocida como un indicador de fertilidad(36). Sin embargo, la medición tradicional de la TCB requiere un horario y un lugar fijos, normalmente cada mañana antes de levantarse, lo que implica introducir manualmente los datos en una aplicación y medir la temperatura corporal para realizar un seguimiento de la menstruación y la ovulación(37,38). Esta rutina diaria puede ser tediosa y estar sujeta a errores de notificación(36,39). En esta revisión de alcance, se encontró que el 42% de la investigación se centraba en el uso de dispositivos portátiles para predecir los ciclos menstruales y la ovulación, impulsada por los avances en sensores portátiles y tecnología portátil que permiten la recolección continua y dinámica de información de salud a lo largo del día(40,41). Los resultados de este estudio confirman que los dispositivos portátiles que miden continuamente la temperatura de la piel y sincronizan automáticamente los datos parecen ser muy adecuados para abordar las limitaciones actuales de las aplicaciones de seguimiento tradicionales y basadas en la TCB(22). Estos dispositivos pueden llevarse en diversas partes del cuerpo —la muñeca, el dedo, la parte superior del brazo, el interior de la vagina o el oído— y permiten un seguimiento longitudinal más exhaustivo de los parámetros fisiológicos, lo que permite a las usuarias observar patrones personalizados en los datos evolutivos(22,42). Además, estos dispositivos también pueden evaluar el estado físico general midiendo cambios fisiológicos, como cambios en la FC, la VFC, la frecuencia respiratoria, la perfusión cutánea y la calidad del sueño(9,19,22). En general, en comparación con los dispositivos convencionales, los dispositivos portátiles tienen el potencial de mejorar el seguimiento de la TCB mediante la medición continua de múltiples parámetros fisiológicos, lo que conduce a una estimación más precisa de la ovulación. Se necesitan más investigaciones para validar estos avances. Las principales conclusiones y aplicaciones clínicas por tipo de dispositivo se enumeran en la Tabla 6.

Tabla 6. Importancia clínica de los diferentes tipos de dispositivos.

Tipo de dispositivo Importancia clínica Conclusiones principales
Pulsera 1. Seguimiento continuo y discreto de las tendencias ovulatorias de la TCB
2. El diseño anti-interferencias mejora la fiabilidad de la evaluación básica de la fertilidad		 Ventajas: Su aplicación universal para el control diario de la fertilidad prioriza la comodidad
Desventajas: Las molestias durante el sueño provocan un 23% de abandono.
Indicación: Herramienta de cribado primario para la población general que intenta concebir
Anillo 1. El diseño resistente al agua permite capturar datos en entornos especiales (por ejemplo, al nadar o en la
sauna)
2. La alta integridad de los datos mejora la precisión de la predicción de ciclos		 Ventajas: La batería de larga duración y las características de resistencia al agua son ideales para grupos profesionales que trabajan en condiciones muy exigentes
Contras: Las limitaciones de tamaño excluyen al 5–15% de las mujeres (circunferencia del dedo inadecuada)
Indicación: Monitoreo a largo plazo para poblaciones con horarios irregulares
Vaginal 1. Precisión de la temperatura corporal central (±0,05 °C, nivel de referencia)
2. Elimina los errores de muestreo de la orina matutina		 Ventajas: Proporciona datos de calidad médica para intervenciones de tecnología de reproducción asistida
Desventajas: > 40% de abandono debido a barreras psicológicas, especialmente para los usuarios primerizos
Indicaciones: Esencial para el monitoreo preciso en ciclos de ART
Oído 1. La estabilidad de la temperatura del canal auditivo supera la de la superficie cutánea en 0,1–0,3 °C
Los algoritmos de IA aumentan las tasas de detección de ovulaciones anormales		 Ventajas: El análisis automatizado reduce la carga cognitiva del usuario.
Desventajas: El desplazamiento nocturno provoca una pérdida de datos críticos (~30%)
Indicación: Gestión personalizada de la fertilidad para usuarios familiarizados con la tecnología
Brazalete 1. Análisis multiparamétrico (temperatura + variabilidad de la frecuencia cardíaca)
2. La batería de larga duración permite investigar los trastornos crónicos de la fertilidad		 Ventajas: Biocompatibilidad cutánea superior (< 2% de hipersensibilidad)
Desventajas: Las altas tasas de pérdida de datos limitan su utilidad clínica
Indicaciones: Exploración de mecanismos fisiológicos en entornos de investigación
Open in a new tab

La fusión de la tecnología de sensores portátiles con algoritmos de aprendizaje automático ha avanzado significativamente el desarrollo de aplicaciones inteligentes de seguimiento de la fertilidad(43). Esta integración tiene el potencial de permitir una caracterización completa de la paciente y optimizar las intervenciones clínicas(44). Para hacer realidad esta visión, es fundamental realizar una estimación precisa de los datos de series temporales de la TCB, y varios estudiosos han intentado subsanar cualquier deficiencia. Por ejemplo, Fukaya et al.(25) y Kawamori et al.(10) desarrollaron un modelo de espacio de estados que incluye la fase menstrual como variable de estado latente para explicar las fluctuaciones diarias de la TCB y la duración del ciclo menstrual. El modelo de espacio de estados se basa en técnicas de filtrado bayesiano secuencial para mapear los datos en un espacio de estados con el fin de capturar las relaciones de dependencia a largo plazo, y se emplea comúnmente para describir y analizar el comportamiento de sistemas dinámicos en la investigación académica(45). De manera similar, Luo et al.(30) utilizó un modelo de Markov oculto para describir la relación probabilística entre la observación y las secuencias de estados ocultos con el fin de predecir los resultados de observaciones futuras o clasificar una secuencia según el proceso oculto potencial de los datos generados. Para analizar más a fondo el ritmo circadiano de la temperatura de la piel, algunos estudios aplicaron el modelo cosinor para facilitar la evaluación de los efectos del ciclo menstrual en los parámetros fisiológicos y en entornos clínicos, utilizando las características de los ciclos menstruales como marcadores de salud o para facilitar la cronoterapia menstrual(46). Algunos presentaron los resultados del análisis de datos en un formato visual, lo que ayudó a los usuarios a comprender mejor los hallazgos(22). El algoritmo tecnológico subyacente se basaba en los datos introducidos cada día, y los resultados se presentaban como un icono rojo (riesgo) o verde (sin riesgo) para indicar el riesgo de embarazo(22). Los algoritmos de aprendizaje automático seguirán ofreciendo más posibilidades para mejorar la precisión de las aplicaciones de seguimiento de la fertilidad en el futuro.

Una encuesta piloto realizada en Internet reveló que aproximadamente una cuarta parte de las personas encuestadas afirmaban utilizar aplicaciones de seguimiento de la fertilidad, y el 63% de los usuarios coincidían en que las aplicaciones tenían una base científica y eran eficaces para determinar el periodo fértil(47). Sin embargo, la sensibilidad de las aplicaciones de seguimiento de la fertilidad varía mucho, desde el 62% de los sensores que se llevan en la muñeca hasta el 28% de los dispositivos que se llevan en la oreja(30,48). Moglia et al.(49) utilizó el sistema de puntuación “APPLICATIONS” para evaluar las aplicaciones de seguimiento del ciclo menstrual y descubrió que la mayoría de las aplicaciones gratuitas para teléfonos inteligentes eran inexactas(50). Muchas aplicaciones relacionadas con la fertilidad pueden ser menos precisas y menos propensas a publicar sus datos en revistas revisadas por pares. Por lo tanto, la dependencia de estas aplicaciones puede dar lugar a embarazos no deseados o a retrasos en la identificación de problemas de infertilidad, lo que puede tener consecuencias indelebles(7,39,47). Un análisis más detallado de la experiencia de las usuarias también reveló que estas tenían preocupaciones sobre la inexactitud de las fechas previstas, el costo y la privacidad de los datos, así como ansiedad y frustración por la falta de fiabilidad de las predicciones del ciclo menstrual(8,51). Dado que se observó que el uso de las aplicaciones disminuía gradualmente con el tiempo, vale la pena estudiar cómo mejorar la adherencia y la precisión de las predicciones.

Las mujeres que utilizan estas aplicaciones esperan recibir información científica y completa sobre salud reproductiva, así como apoyo emocional y asesoramiento sobre decisiones anticonceptivas, salud sexual y cuidados posoperatorios(47). Sin embargo, una revisión reveló que no todas las aplicaciones disponibles se basan en pruebas(37) y que solo el 17% proporciona información sobre anticoncepción(49). Por lo tanto, los diseñadores de aplicaciones deben tener en cuenta las necesidades diversas y cambiantes de las usuarias, atendiendo a una gama más amplia de propósitos, como la anticoncepción y el seguimiento de la fertilidad, al tiempo que observan la respuesta a la medicación, monitorean las enfermedades reproductivas y llegan a un público más diverso(5,7). Para obtener información más precisa sobre la fertilidad, es fundamental proporcionar formación preliminar sobre los métodos de medición y los pasos para utilizar la aplicación. Por ejemplo, se puede obtener formación personalizada sobre el método sintotérmico a través de la International Couple to Couple League (https://ccli.org/)(52).

LIMITACIONES DEL ESTUDIO

Aunque prometedor, el conjunto de pruebas actuales sobre la tecnología de seguimiento de la fertilidad basada en la TCB presenta una heterogeneidad significativa y limitaciones metodológicas que requieren una interpretación cautelosa. Tal y como se ha identificado en la evaluación de calidad del CASP, entre las principales preocupaciones que afectan al rigor y la comparabilidad de los resultados se encuentra el hecho de que una proporción considerable de los estudios no abordaron o informaron adecuadamente sobre los factores de confusión que se sabe que influyen en la TCB (por ejemplo, enfermedades, medicación, cambios significativos en el estilo de vida y trastornos del sueño). Esta omisión introduce un sesgo y limita la capacidad de aislar los efectos reales de la tecnología de seguimiento en sí misma sobre resultados como la precisión de la predicción de la ovulación y la eficacia anticonceptiva. Otra limitación fue que el estudio incluyó poblaciones diversas de diferentes países (por ejemplo, Suiza, Estados Unidos, China y Japón) con rangos de edad variables, tanto sanas como con problemas de salud (por ejemplo, disfunción ovulatoria). Aunque esto refleja la diversidad del mundo real, también contribuye a la heterogeneidad de los resultados. El estado de fertilidad inicial, la regularidad del ciclo, los factores culturales que influyen en el cumplimiento y el acceso a la tecnología variaron considerablemente. Una tercera limitación fue que los estudios utilizaron diferentes dispositivos portátiles (pulseras, anillos, sensores vaginales y auriculares) y termómetros tradicionales, cada uno con una variabilidad de medición inherente. Es fundamental señalar que los estándares de referencia para confirmar la ovulación también difirieron (pruebas de hormona luteínica en orina, ecografía, nivel de hormonas en suero y evaluación del moco cervical), cada uno con una sensibilidad y especificidad variables. Esta heterogeneidad dificulta la comparación directa del rendimiento de la aplicación y del dispositivo entre los distintos estudios. Por último, aunque el uso de cohortes prospectivas era habitual, varios estudios clave se basaban en diseños retrospectivos o carecían de una duración o exhaustividad suficientes, lo que suscitaba preocupaciones sobre el sesgo de selección y el sesgo de desgaste, y solo se realizaron cinco estudios a gran escala. Estas limitaciones ponen de relieve la necesidad de realizar estudios prospectivos de alta calidad que utilicen protocolos estandarizados para controlar los factores de confusión, al tiempo que se emplean estándares de referencia sólidos (como ecografías seriadas y mediciones de progesterona sérica), se informan claramente las metodologías de los algoritmos (o se hacen de código abierto) y se incluyen poblaciones diversas representativas de los usuarios previstos.

CONCLUSIÓN

Esta revisión reveló varias áreas que requieren más investigación y sobre las que se pueden formular recomendaciones. En primer lugar, los dispositivos portátiles deben recolectar datos de manera que se evite la confusión con otros factores y se mejore aún más la precisión de los datos. En segundo lugar, se deben desarrollar algoritmos innovadores de aprendizaje automático para procesar grandes muestras de datos de series temporales y explorar el mejor algoritmo. En tercer lugar, se debe proporcionar información personalizada, completa y científica sobre la fertilidad a las mujeres que intentan concebir o prevenir el embarazo.

En cuarto lugar, se debe prestar especial atención a la experiencia del usuario, la interacción y la privacidad. En quinto lugar, se debe mejorar el sistema de formación y evaluación de las aplicaciones de seguimiento de la fertilidad. Es necesario realizar más investigaciones para aplicar estas recomendaciones y mejorar el valor del seguimiento de la fertilidad basado en la TCB, al tiempo que se promueve su desarrollo.

Footnotes

Apoyo financiero: Support agency: Jiaxing Municipal Bureau of Science and Technology – Process number: 2023AY40009.

DISPONIBILIDAD DE DATOS

Todo el conjunto de datos que respalda los resultados de este estudio se publicó en el artículo y en la sección de “Materiales Complementarios”.

Associated Data

    This section collects any data citations, data availability statements, or supplementary materials included in this article.

    Data Availability Statement

    The entire dataset supporting the results of this study was published in the article and in the “Supplementary Materials” section.

    Todo el conjunto de datos que respalda los resultados de este estudio se publicó en el artículo y en la sección de “Materiales Complementarios”.

    Articles from Revista da Escola de Enfermagem da USP are provided here courtesy of Escola de Enfermagem da Universidade de São Paulo

    RESOURCES