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

Résumé Technique : Modélisation des interactions entre le stress psychosocial et le cortisol dans la dynamique du cycle menstruel

Énoncé du Problème
La santé menstruelle est régie par une interaction complexe entre la régulation endocrine, l'état psychologique et les facteurs environnementaux, principalement médiée par l'axe hypothalamo-hypophyso-ovarien (HHO). Bien que de nombreuses preuves établissent un lien entre le stress psychosocial, l'élévation du taux de cortisol et la dysfonction menstruelle (telle que l'irrégularité, l'altération du flux et la dysménorrhée), une variabilité interindividuelle significative reste inexpliquée. La littérature actuelle traite souvent le stress et le cortisol comme des moteurs universels de la pathologie, négligeant les modérateurs constitutionnels qui déterminent la réactivité individuelle au stress et les résultats reproductifs. Cette étude comble la lacune de compréhension de la manière dont le « tempérament » (Mizaj) — un concept issu de la médecine Unani représentant un état biopsychologique stable combinant le métabolisme et la réactivité émotionnelle — module la traduction du stress psychosocial en phénotypes endocriniens et menstruels.

Méthodologie
L'étude a utilisé un plan d'observation transversal avec une cohorte de 119 femmes âgées de 19 à 28 ans. Les participantes ont été stratifiées en deux groupes de tempérament dominants basés sur un questionnaire standardisé de médecine Unani : Safrawi (chaud-sec, n=59) et Balghami (froid-humide, n=60).

• Collecte de Données : Les chercheurs ont recueilli des données sur le stress psychosocial (en utilisant l'échelle ADSSBSPSA), les taux de cortisol sérique (mesurés par immuno-chimiluminescence durant la phase folliculaire, 08:00–10:00 h) et les paramètres menstruels (durée, intensité du flux, perte de sang, sévérité de la douleur et régularité). Des mesures physiologiques incluant l'IMC, le pouls et la pression artérielle ont également été enregistrées.
• Cadre Analytique : Une approche analytique double a été utilisée :
  1. Statistiques Classiques : Des tests t pour échantillons indépendants et des tests U de Mann-Whitney ont été utilisés pour comparer les différences entre les groupes. Des coefficients de corrélation de Pearson ont évalué les relations linéaires entre les variables continues. Une régression logistique binaire a été appliquée pour modéliser la probabilité de régularité du cycle.
  2. Apprentissage Automatique (Machine Learning - ML) : Des classifieurs/régresseurs de régression logistique et de Forêt Aléatoire (Random Forest - RF) ont été entraînés sur une division entraînement-test de 80:20 pour prédire les issues menstruelles (régularité, intensité de la douleur, lourdeur du flux et perte de sang). La performance des modèles a été évaluée par l'exactitude (accuracy), la précision, le rappel (recall), le score F1, l'AUC-ROC et les courbes Précision-Rappel (PR). Une analyse de l'importance des caractéristiques a été menée pour identifier les prédicteurs dominants.

Résultats Clés

• Tempérament et Dynamique Menstruelle : L'analyse statistique a révélé des différences significatives entre les groupes de tempérament. Les femmes Safrawi présentaient des durées menstruelles plus courtes (moyenne ~5 jours), un flux plus abondant et une perte de sang plus élevée par rapport aux femmes Balghami (moyance ~6 jours, flux plus léger). La régression logistique a identifié le tempérament comme le principal prédicteur de la régularité du cycle (B = +2,89, p < 0,001), tandis que les scores de stress psychosocial ne prédisaient pas significativement la régularité.
• Stress et Douleur : Contraなるment à la régularité, l'intensité de la douleur menstruelle a montré une forte corrélation positive avec le stress psychosocial (r = 0,64, p < 0,001) dans les deux groupes de tempérament. Cela suggère que le stress agit comme un aggravateur universel de la dysménorrhée, quel que soit le type de constitution.
• Prédictions par Apprentissage Automatique :
  • Régularité du Cycle : Les modèles de Régression Logistique et de Forêt Aléatoire ont tous deux atteint une exactitude de 78 %. L'analyse de l'importance des caractéristiques a indiqué que le cortisol sérique et l'IMC étaient les prédicteurs les plus forts de la régularité, surpassant le stress perçu et le tempérament dans les contextes multivariés non linéaires.
  • Intensité de la Douleur : Le classifieur de Forêt Aléatoire pour la douleur (faible vs élevée) a atteint une exactitude de 81 % avec un AUC-ROC de 0,87. Le cortisol sérique et les scores de stress étaient les prédicteurs les plus significatifs.
  • Flux et Perte de Sang : Les modèles de ML ont identifié le cortisol sérique et l'IMC comme les principaux prédicteurs de la lourdeur du flux et de la perte de sang. Bien que les modèles aient bien performé pour détecter les phénotypes extrêmes (ex: perte de sang abondante), ils ont été confrontés à des défis liés au déséquilibre des classes dans les catégories intermédiaires.

Principales Contributions

1. Opérationnalisation du Mizaj : L'étude a réussi à traduire le concept traditionnel de tempérament Unani en un construit statistiquement traitable, démontrant son rôle de variable modératrice dans la physiologie reproductive.
2. Cadre Triadique : Elle établit un modèle triadique où le stress psychosocial est la force perturbatrice, le cortisol est le médiateur biochimique, et le tempérament est la matrice régulatrice déterminant la vulnérabilité ou la résilience individuelle.
3. Analyses Hybrides : En intégrant les statistiques inférentielles classiques et l'apprentissage automatique, l'étude révèle des interactions non linéaires et des hiérarchies prédictives que les méthodes classiques seules pourraient manquer, soulignant spécifiquement la dominance des marqueurs physiologiques (cortisol, IMC) sur le stress subjectif pour prédire la régularité du cycle.

Signification et Revendications
L'article postule que la variabilité menstruelle n'est pas simplement une réaction pathologique constante au stress, mais une expression physiologique individualisée de l'interaction entre le stress et la constitution. Les résultats soutiennent un passage vers la médecine de précision en santé reproductive, où l'individualité biologique (tempérament) conditionne les résultats reproductifs.

Les auteurs affirrent que cette approche fournit un cadre évolutif pour la stratification des risques, permettant l'identification d'individus susceptibles de subir des perturbations menstruelles induites par le stress grâce à la combinaison du profilage constitutionnel et des biomarqueurs psychophysiologiques. Bien que l'étude souligne le potentiel de la « modélisation computationnelle informée par le tempérament » dans la santé reproductive intégrative, elle note modestement que des recherches supplémentaires avec un suivi longitudinal et des signaux physiologiques plus larges sont nécessaires pour améliorer la prédiction à travers tout le spectre des phénotypes menstruels. Le travail vise à dépasser les approches réductionnistes à facteur unique pour une perspective de santé menstruelle holistique, basée sur l'ingénierie des systèmes.