Modeling Psychosocial Stress-Cortisol Interactions in Menstrual Cycle Dynamics through Machine Learning: A Systems Engineering Approach

Resumen Técnico: Modelado de las Interacciones entre el Estrés Psicosocial y el Cortisol en la Dinámica del Ciclo Menstrual

Planteamiento del Problema
La salud menstrual está gobernada por una compleja interacción entre la regulación endocrina, el estado psicológico y los factores ambientales, mediada principalmente por el eje hipotalámico-pituitario-ovárico (HPO). Si bien existe evidencia extensa que vincula el estrés psicosocial y los niveles elevados de cortisol con la disfunción menstrual (como irregularidad, alteración del flujo y dismenorrea), persiste una interindividual variabilidad significativa que no ha sido explicada. La literatura actual suele tratar al estrés y al cortisol como impulsores universales de la patología, pasando por alto los moderadores constitucionales que determinan la responsividad al estrés y los resultados reproductivos individuales. Este estudio aborda la brecha en la comprensión de cómo el "temperamento" (Mizaj) —un concepto de la medicina Unani que representa un estado biopsicológico estable que combina la tasa metabólica y la capacidad de respuesta emocional— modera la traducción del estrés psicosocial en fenotipos endocrinos y menstruales.

Metodología
El estudio empleó un diseño observacional transversal con una cohorte de 119 mujeres de entre 19 y 28 años. Las participantes fueron estratificadas en dos grupos de temperamento dominantes basados en un cuestionario estandarizado de medicina Unani: Safrawi (caliente-seco, n=59) y Balghami (frío-húmedo, n=60).

• Recolección de Datos: Los investigadores recopilaron datos sobre estrés psicosocial (utilizando la escala ADSSBSPSA), niveles de cortisol sérico (medidos mediante inmunoensayo quimioluminiscente en la fase folicular, 08:00–10:00 h) y parámetros menstruales (duración, intensidad del flujo, pérdida de sangre, severidad del dolor y regularidad). Se registraron también métricas fisiológicas incluyendo el IMC, el pulso y la presión arterial.
• Marco Analítico: Se utilizó un enfoque analítico dual:
  1. Estadística Clásica: Se emplearon pruebas t para muestras independientes y pruebas U de Mann-Whitney para comparar las diferencias entre grupos. Los coeficientes de correlación de Pearson evaluaron las relaciones lineales entre variables continuas. Se aplicó la regresión logística binaria para modelar la probabilidad de la regularidad del ciclo.
  2. Aprendizaje Automático (ML): Se entrenaron clasificadores/regresores de Regresión Logística y Bosques Aleatorios (Random Forest, RF) utilizando una división de entrenamiento-prueba de 80:20 para predecir los resultados menstruales (regularidad, intensidad del dolor, pesadez del flujo y pérdida de sangre). El rendimiento del modelo se evaluó mediante precisión, exhaustividad (recall), puntuación F1, curvas ROC-AUC y curvas de Precisión-Recall (PR). Se realizó un análisis de importancia de características para identificar los predictores dominantes.

Resultados Clave

• Temperamento y Dinámica Menstrual: El análisis estadístico reveló diferencias significativas entre los grupos de temperamento. Las mujeres Safrawi exhibieron duraciones menstruales más cortas (media ~5 días), un flujo más pesado y mayor pérdida de sangre en comparación con las mujeres Balghami (media ~6 días, flujo más ligero). La regresión logística identificó el temperamento como el principal predictor de la regularidad del ciclo (B = +2.89, p < 0.001), mientras que las puntuaciones de estrés psicosocial no predijeron significativamente la regularidad.
• Estrés y Dolor: A diferencia de la regularidad, la intensidad del dolor menstrual mostró una fuerte correlación positiva con el estrés psicosocial (r = 0.64, p < 0.001) en ambos grupos de temperamento. Esto sugiere que el estrés actúa como un agravante universal de la dismenorrea, independientemente del tipo constitucional.
• Predicciones de Aprendizaje Automático:
  • Regularidad del Ciclo: Tanto los modelos de Regresión Logística como los de Bosques Aleatorios alcanzaron un 78% de precisión. El análisis de importancia de características indicó que el cortisol sérico y el IMC eran los predictores más fuertes de la regularidad, superando al estrés percibido y al temperamento en contextos multivariantes no lineales.
  • Intensidad del Dolor: El clasificador de Bosques Aleatorios para el dolor (bajo vs. alto) alcanzó un 81% de precisión con un ROC-AUC de 0.87. El cortisol sérico y las puntuaciones de estrés fueron los predictores más significativos.
  • Flujo y Pérdida de Sangre: Los modelos de ML identificaron el cortisol sérico y el IMC como los principales predictores de la pesadez del flujo y la pérdida de sangre. Aunque los modelos funcionaron bien para detectar fenotipos extremos (ej. pérdida de sangre abundante), enfrentaron desafíos con el desequilibrio de clases en las categorías intermedias.

Contribuciones Clave

1. Operacionalización del Mizaj: El estudio logra traducir el concepto tradicional de temperamento Unani en un constructo estadísticamente tratable, demostrando su papel como variable moderadora en la fisiología reproductiva.
2. Marco Triádico: Establece un modelo triádico donde el estrés psicosocial es la fuerza perturbadora, el cortisol es el mediador bioquímico y el temperamento es la matriz regulatoria que determina la vulnerabilidad o resiliencia individual.
3. Analítica Híbrida: Al integrar la estadística inferencial clásica con el aprendizaje automático, el estudio revela interacciones no lineales y jerarquías predictivas que los métodos clásicos por sí solos podrían omitir, destacando específicamente la dominancia de los marcadores fisiológicos (cortisol, IMC) sobre el estrés subjetivo en la predicción de la regularidad del ciclo.

Significancia y Reivindicaciones
El artículo postula que la variabilidad menstrual no es simplemente una reacción patológica constante al estrés, sino una expresión fisiológica individualizada de la interacción entre el estrés y la constitución. Los hallazgos apoyan un cambio hacia la medicina de precisión en la salud reproductiva, donde la individualidad biológica (temperamento) condiciona los resultados reproductivos.

Los autores afirman que este enfoque proporciona un marco escalable para la estratificación de riesgos, permitiendo la identificación de individuos susceptibles a las interrupciones menstruales inducidas por el estrés mediante la combinación de perfiles constitucionales y biomarcadores psicofisiológicos. Si bien el estudio destaca el potencial del "modelado computacional informado por el temperamento" en la salud reproductiva integrativa, señala modestamente que se requiere más investigación con seguimiento longitudinal y señales fisiológicas más amplias para mejorar la predicción en todo el espectro de los fenotipos menstruales. El trabajo pretende ir más allá de los enfoques reduccionistas de un solo factor hacia una perspectiva de ingeniería de sistemas holística sobre la salud menstrual.