📄 obstetrics and gynecology

Modeling cycle phases using hormone trajectories in women with and without polyendocrine metabolic ovarian syndrome

Este estudio utiliza datos de hormonas urinarias registrados por la propia usuaria para desarrollar un modelo oculto de Markov autorregresivo que mapea con precisión las fases del ciclo menstrual, revelando diferencias hormonales distintivas en mujeres con síndrome ovárico metabólico poliendocrino (PMOS) y demostrando el potencial del modelo para el cribado no invasivo de PMOS y la mejora de los protocolos de pruebas clínicas.

Autores originales: Stujenske, T. M., Bouchard, T. P., Troy, A., Kelemen, S., Folino, B., Wills, T., Sugden, L. A.

Publicado 2026-06-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Stujenske, T. M., Bouchard, T. P., Troy, A., Kelemen, S., Folino, B., Wills, T., Sugden, L. A.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina tu ciclo menstrual como un viaje por carretera complejo de 28 días. Durante décadas, los médicos han intentado mapear este viaje verificando tu ubicación basándose en la fecha del calendario, como decir: "En el día 14, deberías estar en el Gran Cañón". Pero el problema es que el viaje de cada persona es diferente. Algunos conducen rápido, otros lento y algunos se quedan atrapados en el tráfico. Si solo consultas el calendario, podrías perderte el Gran Cañón por completo porque llegaste en el día 12 o en el 18.

Este artículo presenta una forma más inteligente de mapear ese viaje utilizando un "GPS" que no le importa la fecha, sino que le importa el paisaje (tus niveles hormonales) que estás viendo en este momento.

Aquí está el desglose de su estudio en términos sencillos:

1. El Problema: El Calendario es un Mal Mapa

Los investigadores analizaron datos de más de 1,100 mujeres que utilizaron un dispositivo doméstico (el monitor Mira) para analizar su orina en busca de tres hormonas clave:

E13G: Una forma de estrógeno (la hormona "constructora").
LH: Hormona luteinizante (el "disparador" que señala la ovulación).
PDG: Una forma de progesterona (la hormona de "mantenimiento" después de la ovulación).

La forma antigua de hacer las cosas es decirle a las mujeres: "Analiza tus hormonas en el día 13, 14 y 15". Pero como los ciclos varían drásticamente en longitud y tiempo, esto es como decirle a un conductor que busque una montaña específica a las 2:00 PM. Si están conduciendo por una ruta diferente, podrían perderse la montaña.

2. La Solución: El "GPS Inteligente" (arHMM)

El equipo construyó un modelo informático llamado modelo oculto de Markov autorregresivo (arHMM). Piensa en esto como un GPS inteligente que ignora el reloj y solo observa las señales de la carretera.

Cómo funciona: En lugar de preguntar "¿Qué día es hoy?", el modelo pregunta: "¿Qué está haciendo la hormona justo ahora?". ¿Está subiendo? ¿Está bajando? ¿Se mantiene plana?
Las Seis Zonas: El modelo divide el ciclo en seis zonas o fases distintas basadas en estos movimientos hormonales, en lugar de días del calendario:
1. Folicular Temprana: El botón de reinicio (las hormonas están bajas).
2. Folicular Tardía: El aumento (el estrógeno comienza a subir).
3. Periovulatoria: El pico (la LH aumenta como un cohete).
4. Lútea Temprana: Las secuelas inmediatas (el estrógeno cae, la progesterona comienza a subir).
5. Lútea Media: La meseta (la progesterona está alta).
6. Lútea Tardía: El descenso (las hormonas caen antes del siguiente periodo).

Debido a que el modelo sigue la forma de la curva hormonal, funciona perfectamente para mujeres con ciclos cortos, ciclos largos o ciclos irregulares.

3. Lo que Encontraron: La Diferencia del "PMOS"

Los investigadores compararon a mujeres con ciclos saludables con mujeres que reportaron tener PMOS (Síndrome Metabólico de Ovario Poliquístico, anteriormente conocido como SOP), y encontraron diferencias distintivas en cómo el "GPS" mapeaba sus viajes:

El Disparo Ausente: En las mujeres sanas, el "Disparo de LH" (Fase 3) es un pico enorme y agudo. En las mujeres con PMOS, este pico fue mucho más débil y bajo.
El Mantenimiento Débil: Después del disparador, las mujeres sanas tienen un aumento fuerte y constante de progesterona (Fase 5). Las mujeres con PMOS tenían niveles mucho más bajos aquí, lo que sugiere que su "motor" no funcionaba tan suavemente después del disparador.
La Espera Prolongada: Las mujeres con PMOS pasaron significativamente más tiempo en la fase de "aumento" (Fase 2) antes de que ocurriera el disparador. Es como si estuvieran atrapadas en el tráfico durante días antes de finalmente llegar a la autopista.

4. Por qué esto Importa (Según el Artículo)

El estudio probó dos formas de verificar las hormonas:

La Vía del Calendario: Verificar en días fijos (por ejemplo, días 13–16).
La Vía del GPS: Verificar cuando el modelo dice que estás en la fase específica de "Disparo de LH".

El Resultado: La vía del GPS fue mucho mejor para captar los eventos hormonales reales. La vía del calendario a menudo perdía el pico por completo porque el ciclo de la mujer estaba simplemente unos días desfasado.

5. La Prueba del "Detective"

Finalmente, los investigadores utilizaron los datos de este modelo GPS para ver si podían identificar si una mujer tenía PMOS solo mirando sus patrones hormonales.

Alimentaron los hallazgos del modelo (como "disparo de LH débil" o "tiempo de aumento prolongado") en un clasificador informático.
La Puntuación: La computadora pudo identificar correctamente si una mujer tenía PMOS o era sana aproximadamente el 78% de las veces.

Conclusión

Este artículo no pretende curar el PMOS ni reemplazar el diagnóstico de un médico. En cambio, muestra que al usar un "GPS inteligente" para rastrear los movimientos hormonales en lugar de solo contar los días del calendario, podemos:

Obtener una imagen mucho más clara de lo que realmente está sucediendo dentro del cuerpo.
Detectar los "atascos de tráfico" y los "motores débiles" específicos que ocurren en el PMOS.
Potencialmente realizar un cribado de estas condiciones mediante pruebas domésticas no invasivas, en lugar de esperar a que un médico adivine el día correcto para realizar un análisis de sangre.

Convierte el ciclo menstrual de un rompecabezas de calendario confuso en un mapa legible del ritmo único de tu cuerpo.

Resumen Técnico: Modelado de las Fases del Ciclo mediante Trayectorias Hormonales en Mujeres con y sin Síndrome Metabólico Ovárico Poliendrino (PMOS)

Planteamiento del Problema
Los trastornos relacionados con la menstruación, como el síndrome metabólico ovárico poliendrino (PMOS, anteriormente síndrome de ovario poliquístico), afectan aproximadamente al 10% de las mujeres en edad reproductiva. Una barrera significativa para la detección temprana y la caracterización de estos trastornos es la dependencia de protocolos clínicos de días de ciclo fijos (por ejemplo, pruebas en los días 13–16 o 19–22). Estos protocolos no tienen en cuenta la sustancial variabilidad interindividual en la duración del ciclo y la cronología de los eventos fisiológicos, particularmente en mujeres con ciclos irregulares. Además, los modelos tradicionales basados en parámetros de ciclo promedio son inexactos para predecir fases en ciclos irregulares. Aunque las tecnologías de seguimiento de hormonas urinarias en el hogar (por ejemplo, el monitor Mira) proporcionan ahora datos cuantitativos de alta resolución, existe una falta de marcos computacionales capaces de modelar la dinámica hormonal día a día para definir fases fisiológicamente significativas en diversas poblaciones.

Metodología
Este estudio utilizó un análisis secundario de datos de hormonas reproductivas urinarias autoinformados (Estrona-3-glucurónido [E13G], Hormona Luteinizante [LH] y Pregnanediol Glucurónido [PDG]) recopilados de más de 1,100 individuos (277 controles sanos y 841 con PMOS autoinformado) a través del monitor Mira. El conjunto de datos comprendía más de 3,800 ciclos menstruales.

La innovación metodológica central fue el desarrollo de un Modelo Oculto de Markov autorregresivo (arHMM) para mapear los días del ciclo a fases fisiológicas latentes. El enfoque empleó tres estrategias de indexación para alinear los datos: indexación hacia adelante (Día 1 = inicio del sangrado), indexación hacia atrás (Día -1 = fin del ciclo) e indexación por LH (Día 0 = pico de la oleada de LH).

Curación e Indexación de Datos: Se utilizó un conjunto curado de ciclos de control sanos (24–38 días) para entrenar el modelo. Se emplearon tres estrategias de indexación para alinear los datos: indexación hacia adelante (Día 1 = inicio del sangrado), indexación hacia atrás (Día -1 = fin del ciclo) e indexación por LH (Día 0 = pico de la oleada de LH).
Definición de Fases: Se definieron seis fases distintas basadas en la trayectoria direccional de las hormonas (ascendente, descendente o constante):
- Fase 1: Folicular temprana (Días 1–5).
- Fase 2: Folicular tardía (10 a 2 días antes de la oleada de LH).
- Fase 3: Periovulatoria (2 a 0 días antes de la oleada de LH).
- Fase 4: Lútea temprana (0 a 4 días post-oleada de LH).
- Fase 5: Lútea media (9 a 5 días antes del fin del ciclo).
- Fase 6: Lútea tardía (Últimos 5 días).
Arquitectura del Modelo: El arHMM utilizó una matriz de transición que impone la progresión secuencial a través de las fases 1–6. El modelo de emisión fue autorregresivo, prediciendo el nivel de la hormona en el día $i$ ( $X_i$ ) basado en el nivel del día $i-1$ ( $X_{i-1}$ ) y la fase latente actual ( $Y_i$ ). Esto permitió al modelo capturar trayectorias día a día (pendientes) en lugar de niveles hormonales absolutos, acomodando la variabilidad en las concentraciones absolas entre individuos.
Extracción de Características y Clasificación: Se extrajeron características a nivel individual del output del modelo, incluyendo estadísticas hormonales (mínimo, máximo, media, mediana, DE) dentro de cada fase, duraciones de fase y puntuaciones de ajuste del modelo. Se entrenó un clasificador de Bosque Aleatorio (Random Forest) utilizando estas características para distinguir entre individuos con PMOS y controles sanos.
Proxi de Ovulación: Los ciclos fueron etiquetados como ovulatorios o anovulatorios basándose en un análisis de umbral de los niveles de PDG en la Fase 5 en relación con las líneas base de la Fase 3.

Resultados Clave

Desempeño del Modelo: El arHMM reprodujo con éxito las trayectorias hormonales esperadas a través de las seis fases, incluyendo los aumentos de E13G en las fases folicular tardía/periovulatoria, las oleadas de LH en la fase periovulatoria y los aumentos de PDG en la fase lútea.
Pruebas Basadas en Fases vs. Días de Ciclo: Al comparar los niveles hormonales en las fases derivadas del arHMM frente a los días de calendario fijos, las pruebas basadas en fases superaron significativamente a los protocolos de días fijos. Específicamente, los niveles máximos de LH en la Fase 3 y los niveles medios de PDG en la Fase 5 fueron significativamente más altos que los capturados en los días clínicos estándar (13–16 y 19–22, respectivamente; $p < 0.001$ ), lo que sugiere que los protocolos de días fijos a menudo pierden los eventos fisiológicos pico.
Fenotipado de PMOS: Se identificaron diferencias distintivas por fase entre los controles sanos y el grupo de PMOS:
- LH: Niveles de LH más bajos en la Fase 3 (periovulatoria) para el grupo de PMOS.
- PDG: Niveles reducidos de PDG en las Fases 5 y 6 (lútea media y tardía) para el grupo de PMOS.
- E13G: Niveles de E13G generalmente más altos en todas las fases en el grupo de PMOS, aunque los patrones fueron heterogéneos.
- Duración de la Fase: Los ciclos de PMOS pasaron significativamente más tiempo en la Fase 2 (folicular tardía) en comparación con los controles ( $p < 0.001$ ), lo cual es consistente con la oligomenorrea.
Precisión de Clasificación: Utilizando las características de hormonas y longitud de fase derivadas del arHMM, el clasificador de Bosque Aleatorio alcanzó una precisión del 78.4% en la distinción del estado de PMOS. Incluir las características de la longitud del ciclo mejoró ligeramente la precisión al 79.2%.
Estado Ovulatorio: Los ciclos en el grupo de PMOS tuvieron menos probabilidades de cumplir con los umbrales basados en PDG para la ovulación en comparación con los controles sanos, alineándose con las expectativas clínicas de disfunción anovulatoria en PMOS.

Significancia y Reivindicaciones
El artículo sostiene que el marco arHMM ofrece un enfoque novedoso y biológicamente fundamentado para modelar la dinámica del ciclo menstrual que supera las limitaciones de los protocolos clínicos de días fijos. Al centrarse en las trayectorias direccionales en lugar de los niveles absolutos, el modelo acomoda la variabilidad natural en la duración del ciclo y el tiempo de ovulación.

Los autores afirman que este enfoque demuestra el potencial para:

Tamizaje No Invasivo: Proporcionar un método para detectar PMOS y caracterizar la salud reproductiva utilizando datos de autoseguimiento con una precisión de ~78%.
Mejora de Protocolos Clínicos: Destacar las limitaciones de las pruebas de días fijos y sugerir que la temporización basada en fases podría producir evaluaciones hormonales más precisas, particularmente para individuos con ciclos irregulares.
Perspectiva Fisiológica: Permitir la identificación de subfases latentes y firmas hormonales distintivas asociadas con el PMOS, como la reducción de la progesterona lútea y los déficits de LH periovulatorios.

El estudio concluye que la integración del modelado probabilístico con el seguimiento hormonal cuantitativo en el hogar representa un paso hacia el monitoreo de la salud reproductiva personalizado y escalable, aunque reconoce la necesidad de validaciones futuras en cohortes más grandes y diversas con ovulación confirmada por ultrasonido y fenotipos de PMOS bien definidos.