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

Questo studio dimostra che un modello ibrido che combina un classificatore basato su gradient boosting e un modello semi-Markov nascosto può classificare con successo le quattro fasi del ciclo mestruale utilizzando esclusivamente sintomi auto-segnalati, offrendo una soluzione a basso carico e priva di dispositivi per il monitoraggio della salute riproduttiva.

L'essenziale

🌸 Il "Metodo del Detective": Capire il Ciclo Mestruale solo con le tue Sensazioni

Immagina di dover indovinare in che fase del mese si trova una persona (se sta avendo le mestruazioni, se sta per ovulare, o se è nella fase "calma" prima del ciclo) senza usare orologi intelligenti, termometri o prelievi di sangue. Devi basarti solo su quello che la persona ti dice: "Oggi ho mal di testa", "Oggi sono stanca", "Oggi ho il flusso abbondante".

È possibile farlo? È affidabile?
Questo studio ha risposto a queste domande con un Sì, ma con un trucco intelligente.

1. Il Problema: Il Ciclo è un Film, non una Foto

Il ciclo mestruale dura circa 28 giorni ed è diviso in 4 "atti" principali:

1. Mestruale: Il "prologo" (il flusso).
2. Follicolare: La "preparazione" (energia che torna).
3. Fertile (Ovulatoria): Il "climax" (pochi giorni, molto importanti).
4. Luteale: La "conclusione" (prima del ritorno del flusso).

Il problema è che i sintomi (mal di testa, sbalzi d'umore, fame) sono come rumore di fondo. Ogni persona è diversa: per una il mal di testa significa "sono fertile", per un'altra significa "ho solo dormito male". Inoltre, le persone a volte dimenticano di scrivere sul diario o esagerano.

2. La Soluzione: Due Detective che Lavorano Insieme

Gli scienziati hanno creato un sistema che funziona come una squadra di due investigatori:

• Il Detective "Osservatore" (CatBoost): È un'intelligenza artificiale molto veloce che legge i sintomi di oggi. Guarda i dati e dice: "Sembra che oggi sia la fase Fertile!". Ma a volte sbaglia perché guarda solo la singola giornata, come se guardasse un fotogramma di un film e cercasse di capire la trama.
• Il Detective "Regista" (HSMM): Questo è il vero genio. Sa che la storia del ciclo mestruale ha delle regole fisse. Sa che non puoi avere le mestruazioni subito dopo la fase fertile senza passare per la fase follicolare. Sa anche che la fase fertile dura solo 3 giorni, non 10.
  • Il "Regista" prende le previsioni dell'"Osservatore" e dice: "Aspetta, non ha senso! Secondo la biologia, ora dovresti essere nella fase Luteale, non Fertile".
  • Corregge gli errori e crea una storia coerente.

3. La Scoperta Sorprendente: Non conta quanto ti senti male, ma come cambi

Questa è la parte più affascinante dello studio.
Molti pensano che per capire il ciclo serva sapere quanto sei stanca o quanto ti fa male la pancia (il livello assoluto).
Invece, l'AI ha scoperto che la chiave è la variabilità, ovvero i cambiamenti.

L'Analogia della Temperatura:
Immagina di guardare il termometro di una stanza.

• Se la temperatura è sempre a 20°C, non sai se c'è un condizionatore acceso o spento.
• Ma se vedi che la temperatura oscilla rapidamente (su e giù), capisci che sta succedendo qualcosa di importante (es. il condizionatore si è appena acceso).

Lo stesso vale per i sintomi. Non è importante se hai un mal di testa "da 3 su 5". È importante se il mal di testa appare all'improvviso o se il tuo umore cambia ritmo rispetto a ieri. È questo "movimento" che segnala all'AI che il ciclo sta cambiando fase.

4. I Risultati: Quanto è bravo il sistema?

Hanno testato questo metodo su 41 donne, usando i loro dati reali e confrontandoli con le analisi ormonali (il "gold standard" medico).

• Risultato: Il sistema ha indovinato la fase corretta nel 67,6% dei casi.
• Confronto: È molto meglio dei vecchi metodi basati solo sul calendario (che sbagliano spesso) e quasi alla pari con i dispositivi indossabili costosi (che però richiedono di portare un braccialetto tutto il giorno).
• Il punto debole: La fase "Fertile" è ancora difficile da indovinare (circa il 46% di precisione) perché è brevissima e i sintomi sono sottili. È come cercare di indovinare il momento esatto in cui scatta un'esplosione guardando solo il fumo.

5. Perché è Importante?

Questo studio ci dice tre cose fondamentali:

1. Non servono dispositivi costosi: Puoi monitorare la tua salute riproduttiva usando solo un'app e le tue sensazioni, senza braccialetti o sensori. Questo è ottimo per chi non può permettersi tecnologia o non vuole portarla addosso.
2. Le fluttuazioni sono la chiave: Per i futuri sviluppatori di app, non bisogna chiedere "Quanto hai male?", ma "Come è cambiato il tuo stato rispetto a ieri?".
3. Accessibilità: Chi non ha accesso a cliniche specializzate può comunque avere una buona idea del proprio ciclo, basandosi su dati che tutti possono raccogliere.

In Sintesi

Gli scienziati hanno insegnato a un computer a leggere la "storia" del ciclo mestruale guardando solo i sintomi che scriviamo noi. Hanno scoperto che non è la gravità del sintomo a contare, ma il suo cambiamento. È come ascoltare la musica: non è il volume che ti dice che il brano sta cambiando, ma il ritmo e la melodia che si trasformano.

Ora, anche senza orologi costosi, possiamo avere una mappa più precisa del nostro corpo, basata su quello che sentiamo ogni giorno. 🗺️🩸✨

Sommario tecnico

Titolo

I sintomi auto-riferiti abilitano la classificazione del ciclo mestruale in quattro fasi con etichette validate ormonalmente.

1. Il Problema

La stima accurata dello stato fisiologico durante il ciclo mestruale è cruciale per la salute riproduttiva e la comprensione della dinamica dei sintomi. Tuttavia, gli approcci attuali presentano limiti significativi:

• Metodi basati sul calendario: Hanno una bassa accuratezza (fino al 21% per la previsione dell'ovulazione) e non tengono conto della variabilità individuale.
• Sensori indossabili: Offrono alta accuratezza (fino all'88-90% per finestre fertili binarie), ma richiedono dispositivi costosi e possono essere inaccessibili in contesti a risorse limitate o per popolazioni non servite.
• Dati auto-riferiti: Sebbene siano la forma di raccolta dati più diffusa (tramite app), non è chiaro se contengano segnali fisiologici sufficienti per distinguere le fasi del ciclo in modo prospettico e generalizzabile tra soggetti diversi, a causa del rumore, del bias di richiamo e della variabilità inter-individuale.

L'obiettivo dello studio è determinare se i soli dati auto-riferiti (sintomi e flusso) possano supportare una classificazione in quattro fasi (Mestruale, Follicolare, Fertile, Luteale) con validazione ormonale, senza l'uso di sensori.

2. Metodologia

Dataset

Gli autori hanno utilizzato il dataset mcPHASES, un dataset longitudinale pubblico ospitato su PhysioNet.

• Cohort: 41 partecipanti (dopo filtraggio) di età 18-29 anni, reclutati in Canada, senza terapia ormonale o contraccezione recente.
• Ground Truth: Le etichette delle fasi sono state assegnate dagli autori del dataset basandosi su saggi ormonali giornalieri (LH, estradiolo, progesterone), considerati lo standard aureo.
• Input: Solo canali di sintomi auto-riferiti (14 variabili giornaliere: volume e colore del flusso, e 12 scale Likert per sintomi come affaticamento, sbalzi d'umore, crampi, ecc.).

Ingegneria delle Feature

Sono state costruite 97 feature (ridotte a ~83 dopo la rimozione della multicollinearità) raggruppate in quattro categorie:

1. Posizione del ciclo: Contatori di giorni dall'ultimo flusso e codifiche cicliche (seno/coseno).
2. Deviazioni standard in movimento (Rolling Std): Calcolate su finestre di 5, 7 e 14 giorni per tutte le variabili. Queste catturano la variabilità dei sintomi.
3. Medie in movimento (Rolling Means): Per catturare trend a medio-lungo termine.
4. Valori grezzi: I livelli di sintomo dello stesso giorno.

Architettura del Modello Ibrido

Il sistema proposto combina un classificatore discriminativo con un modello generativo temporale:

1. Classificatore (CatBoost): Un algoritmo di gradient boosting addestrato per prevedere le probabilità di fase per ogni giorno. Gestisce bene i valori mancanti e le interazioni non lineari.
2. Modello Temporale (Hidden Semi-Markov Model - HSMM):
   • Riceve le probabilità di emissione da CatBoost.
   • Impone vincoli biologici: ordine ciclico rigido (Mestruale → Follicolare → Fertile → Luteale → Mestruale) e priors sulla durata delle fasi (distribuzioni Gaussiane basate sui dati di training per evitare durate fisiologicamente impossibili).
   • Utilizza l'algoritmo di Viterbi per ottimizzare la sequenza di stati massimizzando il punteggio totale.

Valutazione

È stata utilizzata la validazione incrociata Leave-One-Subject-Out (LOSO) su 41 partecipanti. Questo approccio è rigoroso: il modello viene addestrato su 40 soggetti e testato su 1, garantendo che non vi sia alcuna fuga di dati (data leakage) e misurando la capacità di generalizzazione su nuovi individui.

3. Risultati Chiave

• Prestazioni Generali: Il modello ibrido CatBoost + HSMM ha raggiunto un'accuratezza del 67,6% e un Macro F1-score di 0,662.
• Confronto con Baseline: Ha superato tutte le baseline, inclusi:
  • Un modello CatBoost puro (65,1% di accuratezza).
  • Un Random Forest (65,3%).
  • Un modello basato solo sul calendario (63,0%).
  • Un modello basato solo sul flusso mestruale (46,7%).
• Impatto dell'HSMM: L'aggiunta dello smoothing temporale ha migliorato l'accuratezza di +2,4 punti percentuali e il F1 di +3,2 punti, con miglioramenti statisticamente significativi per 29 su 41 partecipanti.
• Performance per Fase:
  • Mestruale: F1 = 0,774 (ottima).
  • Luteale: F1 = 0,750.
  • Follicolare: F1 = 0,661.
  • Fertile: F1 = 0,462 (la fase più difficile, spesso confusa con Follicolare o Luteale a causa della sua brevità e dei segnali sottili).
• Feature Importanza: Le deviazioni standard in movimento (variabilità dei sintomi) sono risultate le feature più informative, superando i livelli assoluti dei sintomi. Questo suggerisce che la fluttuazione intra-individuale è un segnale più generalizzabile rispetto all'intensità del sintomo.

4. Contributi Principali

1. Validazione Scientifica: Dimostrazione che i dati auto-riferiti contengono segnali fisiologici sufficienti per la classificazione in quattro fasi, raggiungendo prestazioni competitive rispetto ai sensori indossabili in compiti simili (sebbene con dataset diversi).
2. Scoperta sulla Variabilità: Identificazione che la variabilità dei sintomi (catturata dalle deviazioni standard in movimento) è un segnale predittivo dominante rispetto ai livelli assoluti. Questo indica che le dinamiche intra-persona sono più portabili tra soggetti diversi rispetto ai punteggi grezzi.
3. Benchmark Ibrido: Primo benchmark machine learning cross-soggetto su dataset con ground truth ormonale che utilizza esclusivamente dati auto-riferiti, combinando un classificatore moderno (CatBoost) con vincoli biologici (HSMM).

5. Significato e Implicazioni

• Accessibilità: Il metodo dimostra la fattibilità di un monitoraggio della salute mestruale a basso carico, privo di dispositivi, rendendo la tecnologia accessibile in contesti a risorse limitate e a popolazioni che non utilizzano wearable.
• Progettazione di Questionari: La superiorità delle feature di variabilità suggerisce che i futuri sistemi di raccolta dati potrebbero concentrarsi sul monitoraggio delle fluttuazioni piuttosto che sui livelli assoluti, permettendo questionari più brevi e mirati.
• Limiti e Direzioni Future:
  • La fase Fertile rimane un punto debole (F1 0,462), limitando l'utilità clinica immediata per la pianificazione della fertilità.
  • Il modello dipende fortemente dalla segnalazione del flusso mestruale per l'ancoraggio temporale; la mancanza di questi dati degrada le prestazioni.
  • Il futuro lavoro dovrebbe esplorare la fusione multimodale (sintomi + sensori passivi come temperatura cutanea) e la personalizzazione del modello per singolo utente.

In sintesi, lo studio stabilisce un nuovo standard per l'uso dei dati soggettivi nella biologia del ciclo mestruale, dimostrando che, se modellati correttamente con vincoli biologici, possono fornire informazioni fisiologiche robuste senza la necessità di hardware costoso.