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

Cette étude démontre qu'un cadre de modélisation hybride combinant un classifieur à gradient boosté et un modèle de Markov semi-caché permet de classifier avec précision les quatre phases du cycle menstruel à partir uniquement de symptômes auto-rapportés, offrant ainsi une solution de suivi de santé reproductive peu coûteuse et sans dispositif.

L'essentiel

🌸 Le Défi : Deviner la saison de votre corps sans thermomètre

Imaginez que le cycle menstruel d'une femme est comme une année climatique qui se répète tous les mois. Il y a quatre saisons distinctes :

1. L'Hiver (Menstruations) : Le corps se nettoie.
2. Le Printemps (Folliculaire) : La préparation commence, tout s'éveille.
3. L'Été (Fertilité/Ovulation) : Le moment chaud et court où la fécondation est possible.
4. L'Automne (Lutéale) : La phase de stabilisation avant le retour de l'hiver.

Le problème ? Contrairement à la météo réelle où l'on peut regarder le ciel ou utiliser un thermomètre, pour connaître ces "saisons" biologiques, il faut normalement faire des analyses de sang complexes (hormones).

Les applications de suivi de règles actuelles essaient de deviner la saison en regardant simplement la date du dernier cycle (comme un calendrier). C'est comme essayer de prédire s'il va neiger demain en regardant seulement le calendrier de l'année dernière : ça marche parfois, mais c'est souvent faux.

🕵️‍♀️ L'Idée Géniale : Utiliser les "symptômes" comme indices

Les chercheurs se sont demandé : "Et si on utilisait ce que les femmes ressentent au quotidien (fatigue, humeur, crampes, envie de manger du chocolat) pour deviner la saison ?"

C'est un peu comme essayer de deviner la météo en regardant le comportement des oiseaux ou l'odeur de l'air, plutôt qu'en regardant un thermomètre.

Le défi est énorme car :

• Chaque femme ressent les choses différemment (ce qui est une migraine pour l'une est un mal de tête léger pour l'autre).
• Les rapports sont subjectifs (on oublie de noter, on exagère ou on minimise).
• La saison "Fertilité" est très courte (quelques jours), comme un orage d'été rapide, donc difficile à attraper.

🤖 La Solution : Un duo de détectives (Le Modèle Hybride)

Pour résoudre ce casse-tête, les chercheurs ont créé un système intelligent en deux étapes, un peu comme un chef cuisinier aidé par un général de l'armée.

1. Le Chef (CatBoost) : C'est un algorithme très fort qui analyse chaque jour séparément. Il regarde les symptômes du jour (ex: "J'ai mal au dos et je suis fatigué") et dit : "À mon avis, c'est l'Automne !".

   • Le problème : Le Chef est un peu brouillon. Il peut dire "C'est l'Automne" aujourd'hui, puis "C'est l'Hiver" demain, puis "C'est l'Automne" encore après, ce qui est biologiquement impossible (on ne passe pas de l'automne à l'hiver puis à l'automne en 24h).

2. Le Général (HSMM) : C'est le stratège qui impose la discipline. Il connaît les règles de la biologie : "Non, non ! On ne peut pas passer de l'Hiver à l'Automne directement. Il faut passer par le Printemps !". Il corrige les erreurs du Chef en imposant un ordre logique et des durées réalistes (l'Hiver ne dure pas 1 jour, l'Automne ne dure pas 30 jours).

Le résultat ? En combinant les deux, le système atteint 67,6% de précision pour deviner la bonne "saison" juste en se basant sur les symptômes rapportés, sans aucun capteur ni hormone. C'est une performance bien meilleure que les simples calendriers (qui sont à peine meilleurs que le hasard).

💡 La Surprise : Ce n'est pas "combien" on a mal, mais "comment ça change"

C'est la découverte la plus fascinante de l'étude.
On pensait que pour deviner la saison, il fallait regarder l'intensité des symptômes (ex: "J'ai une douleur de niveau 8/10").

En réalité, le système a appris que la variation est la clé.

• Imaginez une mer calme (symptômes stables) vs une mer agitée (symptômes qui changent vite).
• Le système ne regarde pas si vous avez mal beaucoup, mais si votre niveau de mal change brusquement par rapport à hier ou avant-hier.
• C'est comme si le corps disait : "Attends, d'habitude j'ai un peu mal, mais là ça change soudainement... ça doit être le passage vers une nouvelle saison !"

Cette variation (la "turbulence" des symptômes) est un signal beaucoup plus fiable que le niveau absolu de douleur, car chaque femme a son propre "niveau de base".

🚧 Les Limites et l'Avenir

Ce n'est pas encore parfait :

• La saison "Fertilité" (l'été) reste difficile à détecter (46% de réussite). C'est comme essayer de voir un éclair dans la nuit : c'est trop court et subtil.
• Le système dépend beaucoup de la mention des règles (le sang). Si une femme oublie de noter ses règles, le système perd un peu son cap.
• L'étude a été faite sur un groupe restreint de jeunes femmes canadiennes. Il faudra vérifier si ça marche pour toutes les tranches d'âge et toutes les origines.

🌟 En résumé

Cette étude nous dit que nos propres ressentis quotidiens contiennent une carte précieuse de notre cycle biologique. Même sans porter de montre connectée coûteuse ni faire de prise de sang, si l'on sait écouter et analyser les changements de nos symptômes (plutôt que leur intensité), on peut comprendre notre corps beaucoup mieux.

C'est une étape vers des outils de santé reproductive gratuits, accessibles à tous (même sans internet ou sans gadgets), et qui respectent la diversité des corps humains.

Résumé technique

1. Problématique et Contexte

La phase précise du cycle menstruel est cruciale pour la santé reproductive, la planification familiale et la gestion des troubles cycliques. Bien que les approches non hormonales existent, elles reposent souvent sur des capteurs portables (wearables) coûteux ou sur des calendriers basés uniquement sur la durée du cycle, qui sont peu précis (ex. : 21 % de précision pour la prédiction de l'ovulation).

Le défi central abordé par cette étude est de déterminer si les symptômes auto-rapportés seuls (sans capteurs physiologiques ni données hormonales) contiennent suffisamment de signal physiologique pour permettre une classification prospective et transversale (cross-subject) des quatre phases du cycle :

1. Menstruelle
2. Folliculaire
3. Fertile (Ovulatoire)
4. Lutéale

Les symptômes auto-rapportés sont intrinsèquement bruyants, subjectifs et variables d'un individu à l'autre, ce qui rend la tâche difficile, en particulier pour la phase fertile qui est courte et aux signes subtils.

2. Méthodologie

Données et Prétraitement

• Dataset : Utilisation du jeu de données public mcPHASES (PhysioNet), contenant des données longitudinales de 42 participantes (finalement 41 après filtrage) recrutées au Canada.
• Étiquettes de vérité terrain : Les phases sont validées par des dosages hormonaux quotidiens (LH, œstradiol, progestérone).
• Entrées du modèle : 14 variables de symptômes auto-rapportés quotidiens (volume et couleur des flux, et 12 échelles de symptômes comme la fatigue, les sautes d'humeur, les crampes, etc.).
• Filtrage : Exclusion des cycles avec plus de 5 jours consécutifs de données manquantes pour garantir la fiabilité des statistiques glissantes.

Ingénierie des Caractéristiques (Feature Engineering)

À partir des 14 variables brutes, 97 caractéristiques ont été construites, regroupées en quatre catégories :

1. Position du cycle (13 features) : Compteurs de jours depuis le saignement, encodage cyclique (sin/cos) et progression linéaire.
2. Écarts-types glissants (42 features) : Calculés sur des fenêtres de 5, 7 et 14 jours pour toutes les variables. C'est la catégorie la plus importante, capturant la variabilité des symptômes.
3. Moyennes glissantes (28 features) : Tendances à moyen et long terme.
4. Valeurs brutes (14 features) : Niveaux de symptômes du jour même.

Architecture du Modèle Hybride

L'approche combine un classifieur discriminatif et un modèle génératif temporel :

1. Classifieur (CatBoost) : Un algorithme de gradient boosting (arbres de décision) qui prédit la probabilité de la phase pour chaque jour individuellement. Il gère bien les valeurs manquantes et les interactions non linéaires complexes.
2. Lisseur Temporel (HSMM - Hidden Semi-Markov Model) : Les probabilités de CatBoost sont utilisées comme scores d'émission dans un HSMM. Ce modèle impose des contraintes biologiques :
   • Ordre cyclique strict : Menstruelle → Folliculaire → Fertile → Lutéale → Menstruelle.
   • Priors de durée : Les durées des phases suivent des distributions gaussiennes empiriques (empêchant des phases de 1 jour ou des durées physiologiquement impossibles).
   • Algorithme de Viterbi : Utilisé pour trouver la séquence d'états optimale maximisant le score global.

Évaluation

• Protocole : Validation croisée Leave-One-Subject-Out (LOSO). Le modèle est entraîné sur 40 participantes et testé sur la 41ème, répété pour chaque participante. Cela garantit une généralisation réelle entre sujets, évitant le surapprentissage des styles de rapport individuels.
• Comparaison : Benchmark contre plusieurs modèles de base (majorité, régression logistique sur le flux seul, calendrier seul, forêt aléatoire, CatBoost seul).

3. Résultats Clés

• Performance Globale : Le modèle hybride CatBoost + HSMM atteint une précision de 67,6 % et un score F1 macro de 0,662.
  • Cela surpasse tous les modèles de base, y compris le CatBoost seul (65,1 %) et les modèles basés uniquement sur le calendrier (63,0 %).
  • L'amélioration apportée par le HSMM est statistiquement significative (+2,4 points de précision, p=0,001).
• Performance par Phase :
  • Menstruelle : F1 = 0,774 (Très bonne, grâce aux données de flux).
  • Lutéale : F1 = 0,750.
  • Folliculaire : F1 = 0,661.
  • Fertile : F1 = 0,462 (Le point faible, en raison de la brièveté de la phase et des signes subtils).
• Importance des Caractéristiques :
  • Les écarts-types glissants (variabilité des symptômes) sont les caractéristiques les plus prédictives, surpassant les niveaux absolus de symptômes.
  • La position du cycle (jours depuis le saignement) reste un pilier structurel fort.

4. Contributions Principales

1. Preuve de concept : Démo qu'il est possible de classifier les 4 phases du cycle menstruel avec une précision raisonnable (67,6 %) en utilisant uniquement des données auto-rapportées, sans capteurs ni hormones.
2. Découverte sur la variabilité : Mise en évidence que la dynamique intra-individuelle (la fluctuation des symptômes) est un signal plus généralisable et portatif que l'intensité absolue des symptômes. Cela suggère que les changements de stabilité sont plus informatifs que les niveaux de douleur ou de fatigue absolus.
3. Benchmark : Première évaluation transversale (cross-subject) sur le dataset mcPHASES avec des données exclusivement auto-rapportées et une vérité terrain hormonale.
4. Architecture Hybride : Démonstration de l'efficacité de combiner un classifieur puissant (CatBoost) avec des contraintes biologiques temporelles (HSMM) pour corriger les incohérences séquentielles.

5. Signification et Limites

Signification :

• Accessibilité : Cette approche ouvre la voie à des outils de suivi de santé reproductive à faible coût et sans matériel, accessibles dans les régions à ressources limitées ou pour les populations ne pouvant porter de capteurs.
• Conception de questionnaires : Le fait que la variabilité soit plus importante que l'intensité suggère que les futurs questionnaires pourraient se concentrer sur la détection des changements de tendance plutôt que sur l'évaluation de l'intensité absolue.
• Biomarqueurs numériques : Établit les dynamiques de symptômes comme une base viable pour des biomarqueurs numériques évolutifs.

Limites :

• Phase Fertile : La précision reste faible (F1 ~0,46) pour la phase fertile, limitant l'utilité clinique immédiate pour la planification de la conception.
• Dépendance au flux : Le modèle dépend fortement des données de flux menstruel pour ancrer la position du cycle. Les utilisateurs ne rapportant pas régulièrement le flux verront leurs performances chuter.
• Biais d'échantillon : L'étude porte sur un groupe homogène (femmes jeunes, 18-29 ans, majoritairement caucasiennes et asiatiques de l'Est, sans contraception). La généralisation aux femmes sous contraception, aux cycles irréguliers (PCOS, endométriose) ou à d'autres tranches d'âge reste à prouver.
• Biais de rapport : Les données auto-rapportées souffrent de biais de rappel et de données manquantes non aléatoires.

Conclusion :
Bien que non parfaite, cette étude démontre que les symptômes subjectifs contiennent un signal physiologique robuste. L'approche hybride proposée offre une base solide pour le développement de systèmes de suivi menstruel numériques, peu coûteux et accessibles, tout en soulignant la nécessité d'intégrer des données multimodales (capteurs + symptômes) pour améliorer la détection de la phase fertile.