Self-Reported Symptoms Enable Four-Phase Menstrual Cycle Classification with Hormonally Validated Labels

Este estudio demuestra que es posible clasificar las cuatro fases del ciclo menstrual con una precisión del 67,6% utilizando únicamente síntomas autoinformados mediante un marco de modelado híbrido, lo que valida el uso de la dinámica de síntomas como un biomarcador digital escalable y sin dispositivos para la monitorización de la salud reproductiva.

Lo esencial

¡Claro que sí! Imagina que el ciclo menstrual es como una obra de teatro de cuatro actos que se representa cada mes en el cuerpo de una mujer. Los actores son las hormonas, y el guion es perfecto: primero hay un acto de "sangrado" (menstruación), luego un acto de "preparación" (folicular), después un breve y emocionante acto de "estrella invitada" (ovulación/fertilidad) y finalmente un acto de "mantenimiento" (lúteo).

El problema es que, para saber en qué acto estamos, normalmente necesitamos ver el guion secreto (las hormonas), lo cual requiere análisis de sangre o orina costosos y complicados. O bien, necesitamos llevar un reloj inteligente caro que mida la temperatura y el corazón.

¿Qué hicieron los autores de este estudio?
Se preguntaron: "¿Podemos adivinar en qué acto de la obra estamos solo preguntándole a la actriz (la mujer) cómo se siente, sin necesidad de ver el guion secreto ni usar relojes caros?".

Aquí tienes la explicación sencilla de su descubrimiento:

1. El Desafío: El "Ruido" de las Emociones

Imagina que le preguntas a 41 actrices diferentes: "¿Cómo te sientes hoy?".

• Una dirá: "Tengo un dolor de cabeza terrible".
• Otra dirá: "Estoy muy cansada".
• Otra: "Me siento feliz".

El problema es que cada persona tiene un "volumen" de quejas diferente. A algunas les duele la cabeza con un 3/10, a otras con un 10/10. Si solo miramos cuánto les duele (la intensidad), es como intentar adivinar la hora mirando el volumen de la radio: no sirve de mucho porque cada persona tiene el volumen ajustado distinto.

2. La Solución: El "Detective de Cambios"

Los investigadores descubrieron que lo importante no es cuánto te duele, sino cómo cambia tu dolor.

• La Analogía del Clima:
  • Si siempre hace 25°C, no sabes si es primavera o verano.
  • Pero si ayer hacía 20°C y hoy hace 28°C, ¡eso es un cambio!
  • El estudio descubrió que el cuerpo funciona igual. No importa si tienes un dolor de cabeza "muy fuerte" (nivel 6) o "leve" (nivel 3). Lo que importa es si ayer tenías un 3 y hoy tienes un 6, o si ayer tenías un 6 y hoy un 2. La variabilidad (el cambio rápido) es la señal real.

3. La Máquina Mágica (El Modelo Híbrido)

Para leer estas señales, crearon un "detective" con dos partes:

1. El Observador (CatBoost): Es un programa de inteligencia artificial muy listo que lee los síntomas diarios (dolor, estado de ánimo, sueño) y dice: "Hoy parece que estás en el Acto 2". Pero a veces se equivoca porque el día a día es caótico.
2. El Director de Escena (HSMM): Esta es la parte genial. Es como un director de teatro que sabe las reglas del guion. Sabe que:
   • No puedes saltar del Acto 1 al Acto 4 sin pasar por el 2 y el 3.
   • El Acto 1 (sangrado) dura unos 5 días, no 1 ni 20.
   • El Acto de "Fertilidad" es muy corto (unos 3 días).

El Director corrige al Observador. Si el Observador dice "¡Hoy es el Acto 4!" pero ayer dijimos "Acto 1", el Director dice: "¡Espera! Eso es imposible biológicamente. Vamos a revisar y decir que probablemente es el Acto 2".

4. Los Resultados: ¡Funciona!

Con solo usar los datos que las mujeres escriben en sus apps (sin sensores ni sangre), lograron adivinar en qué fase del ciclo estaban con un 67.6% de precisión.

• Lo mejor: Funcionó muy bien para saber cuándo venía la menstruación y cuándo era la fase lútea (antes de la regla).
• Lo difícil: Fue más difícil detectar la fase de fertilidad (la ventana para quedar embarazada). Es como intentar adivinar un susurro en medio de una tormenta; es un cambio muy sutil y breve.

5. ¿Por qué es importante esto?

Imagina que vives en un lugar donde no hay relojes inteligentes ni laboratorios de análisis. O quizás no tienes dinero para comprarlos.

• Antes: Pensábamos que sin sensores caros era imposible saber en qué fase del ciclo estabas.
• Ahora: Sabemos que nuestra propia voz (lo que sentimos y reportamos) tiene suficiente información para saberlo.

En resumen:
Este estudio nos dice que no necesitamos ser científicos ni llevar gadgets caros para entender nuestro cuerpo. Si prestamos atención a cómo cambian nuestros síntomas día a día (no solo a qué tan fuertes son), podemos tener un mapa muy bueno de nuestro ciclo menstrual. Es como aprender a leer las nubes para saber si va a llover, sin necesidad de un barómetro costoso.

¡Es un paso gigante para hacer la salud menstrual accesible para todas las mujeres, sin importar sus recursos!

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Síntomas Autodeclarados Permiten la Clasificación del Ciclo Menstrual en Cuatro Fases con Etiquetas Validadas Hormonalmente

1. Planteamiento del Problema

La inferencia precisa del estado fisiológico a lo largo del ciclo menstrual es crucial para la salud reproductiva y la comprensión de la dinámica de los síntomas. Sin embargo, los enfoques actuales presentan limitaciones:

• Métodos basados en calendarios: Tienen una precisión muy baja (hasta 21% para predecir la ovulación) al depender únicamente de la historia de la duración del ciclo.
• Sensores portátiles (Wearables): Aunque logran mayor precisión (88-90% para ventanas fértiles binarias), requieren hardware especializado, lo que limita su accesibilidad y escalabilidad.
• Datos autodeclarados: Aunque son la forma más común de recopilación de datos (millones de usuarios en aplicaciones), se desconocía si los síntomas subjetivos (fatiga, cambios de humor, etc.) contenían suficiente señal fisiológica para distinguir las fases del ciclo de manera prospectiva y generalizable entre sujetos, dada la alta variabilidad interindividual y el ruido en los reportes.

El objetivo de este estudio es determinar si es posible realizar una clasificación prospectiva de cuatro fases (Menstrual, Folicular, Fértil, Lútea) utilizando exclusivamente datos de síntomas autodeclarados, validados contra un "ground truth" hormonal.

2. Metodología

Los autores utilizaron el conjunto de datos mcPHASES, que incluye datos longitudinales de 41 participantes (de un total original de 42 tras filtrado) en el área de Toronto. El "ground truth" se estableció mediante ensayos hormonales diarios (LH, estradiol, progesterona).

Enfoque de Modelado Híbrido:
Se propone una arquitectura de dos etapas que combina un clasificador discriminativo con un modelo generativo temporal:

1. Clasificador CatBoost (Gradient Boosted Trees):

   • Genera probabilidades diarias para cada una de las cuatro fases.
   • Utiliza 83 características ingenierizadas a partir de 14 variables de síntomas autodeclarados (volumen y color del flujo, y 12 escalas de síntomas como dolor, sueño, estado de ánimo, etc.).
   • Las características incluyen:
     • Posición del ciclo: Contadores de días desde el sangrado y codificación cíclica (seno/coseno).
     • Desviaciones estándar rodantes (Rolling SD): Capturan la variabilidad de los síntomas en ventanas de 5, 7 y 14 días.
     • Medias rodantes y valores crudos: Para capturar tendencias y niveles absolutos.
   • Maneja nativamente valores faltantes y utiliza ordered boosting para reducir el sesgo en muestras pequeñas.

2. Modelo Oculto Semi-Markov (HSMM):

   • Actúa como un suavizador temporal sobre las salidas de CatBoost.
   • Restricciones biológicas:
     • Orden cíclico: Fuerza la secuencia Menstrual $\to$ Folicular $\to$ Fértil $\to$ Lútea $\to$ Menstrual.
     • Priors de duración: Utiliza distribuciones de probabilidad discretas basadas en la duración empírica observada de cada fase (evitando fases fisiológicamente imposibles, como una fase lútea de 1 día).
   • El algoritmo de Viterbi optimiza la secuencia de estados maximizando la puntuación combinada de las emisiones del clasificador y los priores de duración.

Evaluación:
Se utilizó Validación Cruzada Leave-One-Subject-Out (LOSO). El modelo se entrenó con 40 participantes y se probó en el restante, repitiendo el proceso para cada sujeto. Esto asegura que el modelo aprenda patrones generalizables y no memorice estilos de reporte individuales.

3. Contribuciones Clave

1. Arquitectura Híbrida: Demostración de que combinar un clasificador de gradientes boosteados con un HSMM mejora significativamente la clasificación de fases menstruales frente a modelos puramente discriminativos.
2. Descubrimiento sobre la Variabilidad: Hallazgo fundamental de que la variabilidad de los síntomas (capturada por las desviaciones estándar rodantes) es una señal predictiva más fuerte y generalizable que los niveles absolutos de los síntomas. Esto sugiere que las fluctuaciones intrapersonales son más informativas que la intensidad del síntoma en sí.
3. Primer Benchmark Transversal: Establecimiento de la primera evaluación de aprendizaje automático transversal (cross-subject) para la clasificación de cuatro fases utilizando solo datos autodeclarados con validación hormonal, cuantificando el contenido de información de los síntomas subjetivos.

4. Resultados

• Rendimiento General: El modelo CatBoost+HSMM alcanzó una precisión del 67.6% y un F1 macro de 0.662 en la evaluación LOSO.
• Comparación con Baselines: Superó a todos los modelos de referencia, incluyendo:
  • CatBoost solo (65.1% precisión).
  • Random Forest (65.3%).
  • Modelos basados solo en calendario (63.0%).
  • Predicción por mayoría (35.2%).
• Impacto del HSMM: La adición del HSMM mejoró la precisión en 2.4 puntos porcentuales y el F1 en 3.2 puntos, siendo estadísticamente significativo ($p=0.001$). La mejora fue más notable en la fase Fértil, la más difícil de detectar.
• Análisis de Características: Las desviaciones estándar rodantes dominaron la importancia de las características (SHAP), confirmando que los cambios en la estabilidad de los síntomas son la señal clave.
• Desempeño por Fase:
  • Menstrual: F1 = 0.774
  • Folicular: F1 = 0.661
  • Lútea: F1 = 0.750
  • Fértil: F1 = 0.462 (El punto más débil, debido a su corta duración y señales sutiles).

5. Significado e Implicaciones

• Viabilidad de Monitoreo sin Dispositivos: Demuestra que es posible realizar un monitoreo de salud menstrual de bajo costo y sin hardware especializado, lo cual es vital para poblaciones con recursos limitados o aquellas que no pueden usar wearables.
• Nueva Perspectiva en la Ciencia de Síntomas: El hallazgo de que la variabilidad es más informativa que la intensidad sugiere que futuros cuestionarios y sistemas digitales deben centrarse en detectar fluctuaciones dentro del individuo en lugar de valores absolutos, lo que podría mejorar la portabilidad de los biomarcadores digitales.
• Límites y Futuro: Aunque prometedor, el modelo depende fuertemente del reporte del flujo menstrual para anclar el ciclo y tiene dificultades con la fase fértil. Los autores sugieren que la fusión multimodal (síntomas + sensores pasivos como temperatura) y la personalización del modelo podrían superar estas limitaciones.

En conclusión, el estudio valida que los síntomas autodeclarados contienen suficiente señal fisiológica para inferir el estado del ciclo menstrual, estableciendo una nueva línea base para el desarrollo de herramientas de salud reproductiva accesibles y escalables.