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

Sintesi Tecnica: Modellazione delle Interazioni tra Stress Psicosociale e Cortisolo nella Dinamica del Ciclo Mestruale

Problematica
La salute mestruale è governata da un complesso intreccio di regolazione endocrina, stato psicologico e fattori ambientali, mediato principalmente dall'asse ipotalamo-ipofisi-ovaio (HPO). Sebbene numerose evidenze colleghino lo stress psicosociale e i livelli elevati di cortisolo alla disfunzione mestruale (come irregolarità, alterazione del flusso e dismenorrea), rimane una significativa variabilità inter-individuale non spiegata. La letteratura attuale spesso tratta lo stress e il cortisolo come driver universali della patologia, trascurando i moderatori costituzionali che determinano la responsività allo stress e gli esiti riproduttivi individuali. Questo studio affronta la lacuna nella comprensione di come il "temperamento" (Mizaj) — un concetto della medicina Unani che rappresenta uno stato biopsicologico stabile combinando il tasso metabolico e la reattività emotiva — moderi la traduzione dello stress psicosociale in fenotipi endocrini e mestruali.

Metodologia
Lo studio ha impiegato un disegno osservazionale trasversale con una coorte di 119 donne di età compresa tra i 19 e i 28 anni. Le partecipanti sono state stratificate in due gruppi dominanti di temperamento basati su un questionario standardizzato della medicina Unani: Safrawi (caldo-secco, n=59) e Balghami (freddo-umido, n=60).

• Raccolta Dati: I ricercatori hanno raccolto dati sullo stress psicosociale (utilizzando la scala ADSSBSPSA), i livelli sierici di cortisolo (misurati tramite chemiluminescenza nell'immediato post-risveglio durante la fase follicolare, 08:00–10:00 h) e i parametri mestruali (durata, intensità del flusso, perdita ematica, severità del dolore e regolarità). Sono stati registrati anche parametri fisiologici quali BMI, polso e pressione sanguigna.
• Framework Analitico: È stato utilizzato un approccio analitico duale:
  1. Statistica Classica: Test t per campioni indipendenti e test U di Mann-Whitney sono stati utilizzati per confrontare le differenze tra i gruppi. I coefficienti di correlazione di Pearson hanno valutato le relazioni lineari tra le variabili continue. La regressione logistica binaria è stata applicata per modellare la probabilità di regolarità del ciclo.
  2. Machine Learning (ML): Classificatori/regressori di Regressione Logistica e Random Forest (RF) sono stati addestrati su un split train-test 80:20 per predire gli esiti mestruali (regolarità, intensità del dolore, pesantezza del flusso e perdita ematica). Le prestazioni del modello sono state valutate tramite accuratezza, precisione, recall, punteggio F1, curve ROC-AUC e curve Precision-Recall (PR). L'analisi dell'importanza delle feature è stata condotta per identificare i predittori dominanti.

Risultati Chiave

• Temperamento e Dinamiche Mestruali: L'analisi statistica ha rivelato differenze significative tra i gruppi di temperamento. Le donne Safrawi hanno mostrato durate mestruali più brevi (media ~5 giorni), flusso più abbondante e maggiore perdita ematica rispetto alle donne Balghami (media ~6 giorni, flusso più leggero). La regressione logistica ha identificato il temperamento come il principale predittore della regolarità del ciclo (B = +2.89, p < 0.001), mentre i punteggi di stress psicosociale non hanno predetto significativamente la regolarità.
• Stress e Dolore: Contrariamente alla regolarità, l'intensità del dolore mestruale ha mostrato una forte correlazione positiva con lo stress psicosociale (r = 0.64, p < 0.001) in entrambi i gruppi di temperamento. Ciò suggerisce che lo stress agisca come un aggravatore universale della dismenorrea, indipendentemente dal tipo costituzionale.
• Predizioni di Machine Learning:
  • Regolarità del Ciclo: Sia i modelli di Regressione Logistica che quelli di Random Forest hanno raggiunto un'accuratezza del 78%. L'analisi dell'importanza delle feature ha indicato che il cortisolo sierico e il BMI erano i predittori più forti di regolarità, superando lo stress percepito e il temperamento in contesti multivariati non lineari.
  • Intensità del Dolore: Il classificatore Random Forest per il dolore (basso vs alto) ha raggiunto un'accuratezza dell'81% con un ROC-AUC di 0.87. Il cortisolo sierico e i punteggi di stress sono stati i predittori più significativi.
  • Flusso e Perdita Ematica: I modelli ML hanno identificato il cortisolo sierico e il BMI come i principali predittori per la pesantezza del flusso e la perdita ematica. Sebbene i modelli abbiano performato bene nel rilevare fenotipi estremi (es. perdita ematica massiccia), hanno incontrato sfide legate allo sbilanciamento delle classi nelle categorie intermedie.

Contributi Chiave

1. Operazionalizzazione del Mizaj: Lo studio ha operazionalizzato con successo il concetto tradizionale di temperamento Unani in un costrutto statisticamente trattabile, dimostrando il suo ruolo come variabile moderatrice nella fisiologia riproduttiva.
2. Framework Triadico: Stabilisce un modello triadico in cui lo stress psicosociale è la forza perturbatrice, il cortisolo è il mediatore biochimico e il temperamento è la matrice regolatoria che determina la vulnerabilità o la resilienza individuale.
3. Analisi Ibrida: Integrando la statistica inferenziale classica con il machine learning, lo studio rivela interazioni non lineari e gerarchie predittive che i metodi classici potrebbero perdere, evidenziando in particolare la dominanza dei marcatori fisiologici (cortisolo, BMI) rispetto allo stress soggettivo nella predizione della regolarità del ciclo.

Significato e Rivendicazioni
L'articolo sostiene che la variabilità mestruale non sia semplicemente una reazione patologica costante allo stress, ma un'espressione fisiologica individualizzata dell'interazione tra stress e costituzione. I risultati supportano una transizione verso la medicina di precisione nella salute riproduttiva, dove l'individualità biologica (temperamento) condiziona gli esiti riproduttivi.

Gli autori affermano che questo approccio fornisce un framework scalabile per la stratificazione del rischio, consentendo l'identificazione di individui suscettibili alle interruzioni mestruali indotte dallo stress attraverso la combinazione di profilazione costituzionale e biomarcatori psicosomatici. Sebbene lo studio sottolinei il potenziale della "modellazione computazionale informata dal temperamento" nella salute riproduttiva integrativa, nota con modestia che sono necessarie ulteriori ricerche con monitoraggio longitudinale e segnali fisiologici più ampi per migliorare la predizione attraverso l'intero spettro dei fenotipi mestruali. Il lavoro mira a superare gli approcci riduzionisti a singolo fattore verso una prospettiva olistica di ingegneria dei sistemi sulla salute mestruale.