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

기술 요약: 월경 주기 역동성에서의 심리사회적 스트레스-코르티솔 상호작용 모델링

문제 제 මා (Problem Statement)
월경 건강은 시상하부-뇌하수체-난소(HPO) 축에 의해 매개되는 내분비 조절, 심리적 상태, 그리고 환경적 요인의 복잡한 상호작용에 의해 지배된다. 심리사회적 스트레스와 코르티솔 수치 상승이 월경 기능 장애(불규칙성, 양의 변화, 생리통 등)와 연관되어 있다는 광범위한 증거가 존재하지만, 상당한 개인 간 변동성은 여전히 설명되지 않은 채 남아 있다. 기존 문헌은 스트레스와 코르티솔을 보편적인 병리적 동인으로 취급하며, 개별적인 스트레스 반응성과 생식 결과(reproductive outcomes)를 결정하는 구성적 조절 인자(constitutional moderators)를 간과하는 경향이 있다. 본 연구는 '기질(Mizaj)'(대사율과 정서적 반응성을 결 조합한 안정적인 생물심리학적 상태를 나타내는 운니 의학의 개념)이 심리사회적 스트레스를 내분비 및 월경 표현형으로 전환하는 과정을 어떻게 조절하는지에 대한 이해의 격차를 다룬다.

방법론 (Methodology)
본 연구는 19~28세 여성 119명을 대상으로 단면적 관찰 설계(cross-sectional observational design)를 채택하였다. 참가자들은 표준화된 운니 의학 설문지를 바탕으로 두 가지 주요 기질 그룹인 사프라위(Safrawi) (열-건조, n=59)와 발가미(Balghami) (한-습, n=60)로 층화되었다.

• 데이터 수집: 연구진은 심리사회적 스트레스(ADSSBSPSA 척도 사용), 혈청 코르티솔 수치(여포기 08:00~10:00시 사이 화학발광 면역분석법으로 측정), 그리고 월경 매개변수(기간, 흐름 강도, 출혈량, 통증 심각도, 규칙성)를 수집하였다. 체질량지수(BMI), 맥박, 혈압을 포함한 생리적 지표도 기록되었다.
• 분석 프레임워크: 이중 분석 접근법이 활용되었다:
  1. 고전 통계(Classical Statistics): 독립 표본 t-검정(independent-samples t-tests)과 맨-휘트니 U 검정(Mann-Whitney U tests)을 사용하여 그룹 간 차이를 비교하였다. 피어슨 상관계수(Pearson correlation coefficients)는 연속형 변수 간의 선형 관계를 평가하였다. 이진 로지스틱 회귀(Binary logistic regression)는 주기 규칙성의 확률을 모델링하는 데 적용되었다.
  2. 머신러닝 (ML): 로지스틱 회귀(Logistic Regression) 및 랜덤 포레스트(Random Forest, RF) 분류기/회귀 모델이 월경 결과(규칙성, 통증 강도, 혈류량, 출혈량)를 예측하기 위해 80:20 훈련-테스트 분할 방식으로 학습되었다. 모델 성능은 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-점수, ROC-AUC, 그리고 정밀도-재현율(PR) 곡선을 통해 평가되었다. 특성 중요도(feature importance) 분석을 통해 지배적인 예측 인자를 식별하였다.

주요 결과 (Key Results)

• 기질과 월경 역동성: 통계 분석 결과 기질 그룹 간에 유의미한 차이가 나타났다. 사프라비 여성은 발가미 여성(평균 ~6일, 적은 혈류량)에 비해 짧은 월경 기간(평균 ~5일), 많은 혈류량, 높은 출혈량을 보였다. 로지스틱 회귀 분석 결과, 기질이 주기 규칙성의 주요 예측 인자로 식별되었으나(B = +2.89, p < 0.001), 심리사회적 스트레스 점수는 규칙성을 유의미하게 예측하지 못했다.
• 스트레스와 통증: 규칙성과 대조적으로, 월경 통증 강도는 두 기질 그룹 모두에서 심리사회적 스트레스와 강한 양의 상관관계(r = 0.64, p < 0.001)를 보였다. 이는 스트레스가 구성적 유형에 관계없이 생리통의 보편적인 악화 요인으로 작용함을 시사한다.
• 머신러닝 예측:
  • 주기 규칙성: 로지스틱 회귀와 랜덤 포레스트 모델 모두 78%의 정확도를 달了했다. 특성 중요도 분석 결과, 혈청 코르티솔과 BMI가 규칙성에 대한 가장 강력한 예측 인자로 나타났으며, 이는 다변량 비선형 맥락에서 인지된 스트레스나 기질보다 우세했다.
  • 통증 강도: 통증(낮음 vs 높음)에 대한 랜덤 포레스트 분류기는 81%의 정확도와 0.87의 ROC-AUC를 달성했다. 혈청 코르티솔과 스트레스 점수가 가장 중요한 예측 인자였다.
  • 혈류량 및 출혈량: ML 모델은 혈류량 과다와 출혈량의 최상위 예측 인자로 혈청 코르티솔과 BMI를 식별했다. 모델은 극단적인 표현형(예: 과다 출혈)을 탐지하는 데는 우수한 성능을 보였으나, 중간 범주에서의 클래스 불균형 문제에 직면했다.

주요 기여 (Key Contributions)

1. 미자즈(Mizaj)의 조작적 정의: 본 연구는 전통적인 운니 의학의 기질 개념을 통계적으로 다룰 수 있는 구성 개념으로 성공적으로 변환하였으며, 생식 생리학에서 조절 변수로서의 역할을 입증하였다.
2. 삼원적 프레임워크: 본 연구는 심리사회적 스트레스를 교란 요인으로, 코르티솔을 생화학적 매개체로, 기질을 개인의 취약성 또는 회복력을 결정하는 규제 매트릭스로 설정하는 삼원적 모델을 구축하였다.
3. 하이브리드 분석: 고전적 추론 통계와 머신러닝을 통합함으로써, 고전적 방법론만으로는 놓칠 수 있는 비선형적 상호작용과 예측 계층 구조를 밝혀냈으며, 특히 주기 규칙성을 예측함에 있어 주관적 스트레스보다 생리적 지표(코르티솔, BMI)가 더 지배적임을 강조하였다.

의의 및 주장 (Significance and Claims)
본 논문은 월경의 변동성이 단순히 스트레스에 대한 일관된 병리적 반응이 아니라, 스트레스와 체질 사이의 상호작용에 따른 개별화된 생리적 표현이라고 주장한다. 이러한 결과는 생물학적 개별성(기질)이 생식 결과를 조건 짓는 정밀 의료(precision medicine)로의 전환을 지지한다.

저자들은 이 접근 방식이 위험 층화(risk stratification)를 위한 확장 가능한 프레임워크를 제공하며, 이를 통해 구성적 프로파일링과 심리생리학적 바이오마커의 결ку합을 통해 스트레스 유발 월경 장애에 취약한 개인을 식별할 수 있다고 주장한다. 본 연구는 '기질 기반 계산 모델링'이 통합적 생식 건강 분야에서 가질 잠재력을 강조하면서도, 전체 월경 표현형에 걸친 예측력을 높이기 위해서는 종단적 추적 조사와 더 넓은 생리적 신호를 포함한 추가 연구가 필요함을 겸허히 언급하였다. 본 연구의 목적은 환원주의적이고 단일 요인 중심적인 접근 방식을 넘어, 월경 건강에 대한 총체적인 시스템 공학적 관점으로 나아가는 데 있다.