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

Este estudo demonstra que um modelo híbrido, combinando um classificador de gradiente com um modelo de Markov semi-oculto, consegue inferir com sucesso as quatro fases do ciclo menstrual a partir apenas de sintomas autorrelatados, validados hormonalmente, estabelecendo assim uma abordagem de baixo custo e sem dispositivos para monitoramento de saúde reprodutiva.

O essencial

Imagine que o ciclo menstrual é como uma sinfonia de quatro movimentos que se repete todos os meses. Cada movimento (fase) tem um ritmo, um clima e uma "assinatura" diferente:

1. Menstruação: O início, com fluxo.
2. Folicular: A preparação, energia subindo.
3. Fertilidade (Ovulação): O momento de pico, curto e intenso.
4. Lútea: A fase de espera, que dura mais tempo.

O problema é que, para saber em qual "movimento" da sinfonia você está, a maioria das pessoas precisa de equipamentos caros (como relógios inteligentes que medem temperatura da pele) ou de exames de sangue complexos. Mas e se pudéssemos descobrir isso apenas perguntando: "Como você se sente hoje?"

É exatamente isso que este artigo de pesquisa tentou descobrir.

O Grande Desafio: A "Bússola" das Emoções

Os cientistas queriam saber se os relatos diários de sintomas (como dor de cabeça, inchaço, humor, sono) eram suficientes para criar um mapa preciso do ciclo, mesmo sem usar relógios ou exames.

O desafio era enorme porque:

• Todo mundo é diferente: O que causa dor de cabeça para uma pessoa, pode não afetar outra.
• O ruído: Às vezes, esquecemos de anotar, ou anotamos de forma exagerada.
• A fase difícil: A fase de fertilidade dura apenas alguns dias e é muito sutil, como um trovão distante no meio de uma tempestade.

A Solução: Um "Detetive" com um "Biólogo"

Os pesquisadores criaram um sistema inteligente com duas partes, como se fosse uma equipe de detetives:

1. O Detetive (IA de Aprendizado de Máquina): Ele olha para os dados de 41 voluntárias. Em vez de apenas olhar para quanto você sente dor (ex: "dor de cabeça nível 5"), ele olha para como a sua dor muda.

   • Analogia: Imagine que você é um marinheiro. O Detetive não se importa se o mar está calmo ou tempestuoso hoje; ele se importa se o mar está ficando mais agitado ou mais calmo em comparação com ontem. Essa "agitação" (variabilidade) foi a chave para descobrir a fase.

2. O Biólogo (O Guardião das Regras): A IA às vezes comete erros, como dizer que você está na fase de fertilidade e, no dia seguinte, voltar para a menstruação (o que é biologicamente impossível).

   • O "Biólogo" entra aqui. Ele é como um professor rigoroso que diz: "Ei, espere! A biologia diz que a ordem é: Menstruação -> Folicular -> Fertilidade -> Lútea. Você não pode pular etapas!". Ele corrige os erros da IA, garantindo que a previsão faça sentido no mundo real.

O Que Eles Descobriram?

O resultado foi surpreendente! O sistema conseguiu identificar as quatro fases com 67,6% de precisão apenas usando os relatos de sintomas.

• A Grande Revelação: O segredo não foi o que as pessoas sentiam, mas como a intensidade dos sintomas oscilava. Se uma pessoa tem dor de cabeça leve hoje e forte amanhã, essa mudança súbita é um sinal mais forte do que apenas ter uma dor de cabeça constante. É como se o corpo estivesse "sacudindo" antes de mudar de fase.
• Comparação: Eles testaram contra modelos que só olhavam para o calendário (dias desde a última menstruação) ou apenas para o fluxo. O modelo de sintomas foi muito melhor, superando até mesmo modelos que usavam apenas dados de relógios inteligentes em alguns testes anteriores.

Por Que Isso Importa?

Imagine que você mora em um lugar onde não tem acesso a relógios inteligentes caros ou exames de sangue frequentes. Ou imagine que você não gosta de usar tecnologia no pulso.

• Acesso Universal: Este estudo prova que, com um aplicativo simples de celular onde você marca como se sente, podemos ter uma visão muito boa do seu ciclo. Isso democratiza a saúde reprodutiva.
• Menos Carga: Mostra que não precisamos de 100 perguntas por dia. Talvez, no futuro, apps precisem de apenas algumas perguntas estratégicas sobre como você se sente para nos dizer onde estamos no ciclo.

As Limitações (O "Mas...")

Nada é perfeito. O sistema ainda tem dificuldade em prever a fase de fertilidade (o momento exato da ovulação) com alta precisão. É como tentar adivinhar o momento exato em que um balão vai estourar apenas ouvindo o som do ar; é muito sutil. Além disso, o sistema depende de você anotar quando a menstruação começa para "zerar o relógio".

Conclusão

Em resumo, os cientistas provaram que nossos corpos "falam" através de como nos sentimos. Ao ouvir essas mudanças de humor e sintomas com a ajuda de uma inteligência artificial que entende a biologia, podemos mapear nosso ciclo menstrual de forma acessível, sem precisar de equipamentos caros. É um passo gigante para tornar o monitoramento da saúde feminina algo que qualquer pessoa pode fazer, em qualquer lugar.

Resumo técnico

1. Problema e Contexto

A inferência precisa do estado fisiológico ao longo do ciclo menstrual é crucial para a saúde reprodutiva e a compreensão da dinâmica dos sintomas. No entanto, a maioria das abordagens não hormonais atuais depende de sensores vestíveis (que podem ser caros ou inacessíveis) ou de métodos baseados em calendário (que têm baixa precisão, especialmente para a janela fértil).

O desafio central abordado neste estudo é determinar se apenas sintomas autorrelatados (subjetivos e ruidosos) contêm sinal fisiológico suficiente para realizar uma classificação prospectiva de quatro fases (Menstrual, Folicular, Fértil e Lútea) em um cenário de generalização entre sujeitos (cross-subject), validada contra dados hormonais reais (padrão-ouro).

2. Metodologia

2.1. Conjunto de Dados

• Fonte: Dataset público mcPHASES (disponível no PhysioNet).
• Cohorte: 41 participantes (após filtragem) de 18 a 29 anos, recrutados no Canadá, sem uso de contracepção hormonal.
• Dados Utilizados: Apenas os canais de sintomas autorrelatados diários (14 variáveis: volume e cor do fluxo, e 12 escalas de sintomas como fadiga, dores, humor, etc.).
• Rótulos de Verdade (Ground Truth): As fases foram definidas com base em ensaios hormonais diários (LH, Estradiol, Progesterona).
• Validação: Avaliação Leave-One-Subject-Out (LOSO), onde o modelo é treinado em 40 participantes e testado no 41º, garantindo que não haja vazamento de dados entre indivíduos.

2.2. Engenharia de Atributos (Features)

Foram construídos 97 atributos a partir das 14 variáveis brutas, agrupados em quatro categorias:

1. Posição do Ciclo (13 atributos): Contadores de dias desde o sangramento, progressão linear do ciclo e codificação cíclica (seno/cosseno) para lidar com a fronteira entre o fim e o início do ciclo.
2. Desvios Padrão Rolantes (42 atributos): Calculados em janelas de 5, 7 e 14 dias. O estudo destaca que a variabilidade dos sintomas (flutuação) é mais informativa do que os níveis absolutos.
3. Médias Rolantes (28 atributos): Tendências de médio e longo prazo.
4. Valores Brutos (14 atributos): Níveis de sintomas no mesmo dia.

2.3. Arquitetura do Modelo Híbrido

O sistema utiliza uma abordagem de dois estágios combinando aprendizado discriminativo e generativo:

1. Classificador (CatBoost): Um algoritmo de Gradient Boosting que processa os atributos para gerar probabilidades diárias de cada fase. O CatBoost foi escolhido por sua capacidade nativa de lidar com valores ausentes (comuns em autorrelatos).
2. Suavização Temporal (HSMM - Hidden Semi-Markov Model): As probabilidades do CatBoost são usadas como scores de emissão em um HSMM. O HSMM impõe restrições biológicas:
   • Ordem Cíclica: Menstrual → Folicular → Fértil → Lútea → Menstrual.
   • Priors de Duração: Distribuições de probabilidade baseadas em dados empíricos para evitar durações de fase fisiologicamente implausíveis (ex: fase lútea de 1 dia).
   • O algoritmo de Viterbi é usado para encontrar a sequência de estados ótima que maximiza a pontuação total.

3. Resultados Principais

• Desempenho Geral: O modelo híbrido (CatBoost + HSMM) alcançou 67,6% de precisão e um F1 Macro de 0,662 na validação LOSO.
• Comparação com Baselines: O modelo superou significativamente:
  • Preditor de classe majoritária (35,2%).
  • Modelos baseados apenas em calendário (63,0%).
  • Regressão Logística com todos os atributos (60,9%).
  • Floresta Aleatória (65,3%).
  • CatBoost isolado (65,1%), demonstrando que a suavização temporal do HSMM adicionou valor (+2,4 pontos percentuais de precisão).
• Desempenho por Fase:
  • Menstrual: Alta precisão (F1 0,774).
  • Lútea: Bom desempenho (F1 0,750).
  • Folicular: Desempenho moderado (F1 0,661).
  • Fértil (Ovulatória): O desafio maior, com F1 de 0,462. A fase é frequentemente confundida com as fases folicular ou lútea adjacentes devido à sua curta duração e sinais sutis.
• Importância dos Atributos:
  • Variabilidade (Desvio Padrão Rolante): Foi o sinal preditivo dominante, superando os níveis absolutos de sintomas. Isso sugere que a flutuação dentro do mesmo indivíduo é um sinal mais generalizável do que a intensidade do sintoma.
  • Posição do Ciclo: Foi o segundo grupo mais importante, indicando que o modelo ainda depende parcialmente da data do último sangramento.

4. Contribuições Chave

1. Arquitetura Híbrida: Demonstração de que combinar um classificador de boosting com um HSMM é eficaz para impor estrutura biológica em dados ruidosos de autorrelato.
2. Descoberta sobre Variabilidade: Evidência empírica de que a variabilidade dos sintomas (mudanças de estado) é um biomarcador digital mais robusto para fases do ciclo do que a intensidade absoluta dos sintomas.
3. Benchmarks: Estabelecimento do primeiro benchmark de aprendizado de máquina cross-subject para classificação de 4 fases usando apenas dados de sintomas no dataset mcPHASES.
4. Viabilidade de Monitoramento sem Dispositivos: Prova de conceito de que é possível monitorar a saúde menstrual sem sensores caros, embora com limitações na fase fértil.

5. Significado e Limitações

Significado:

• O estudo valida que dados subjetivos contêm sinal fisiológico suficiente para inferir o estado do ciclo, o que é vital para populações em contextos de recursos limitados ou que não podem usar wearables.
• Sugere que futuros questionários digitais devem focar na dinâmica e flutuação dos sintomas ao longo do tempo, em vez de apenas em escalas de severidade pontuais.

Limitações:

• Fase Fértil: A precisão nesta fase (crucial para planejamento familiar) ainda é baixa (F1 0,462), limitando a utilidade clínica imediata para rastreamento de fertilidade.
• Dependência do Fluxo: O modelo depende fortemente do relato consistente do fluxo menstrual para ancorar o ciclo. Usuários que não relatam o fluxo regularmente terão desempenho degradado.
• Amostra: A coorte é pequena (41 participantes), jovem e demograficamente homogênea (Canadá), o que limita a generalização para outras idades, etnias, IMCs ou condições como SOP e endometriose.
• Viés de Autorrelato: Dados ausentes não aleatórios (usuários relatam mais quando se sentem mal) e viés de memória são limitações inerentes.

Conclusão:
O trabalho demonstra a viabilidade de monitoramento menstrual de baixo custo baseado em sintomas, estabelecendo uma linha de base científica para o desenvolvimento de biomarcadores digitais escaláveis, embora a fusão multimodal (sintomas + sensores passivos) seja necessária para superar as limitações atuais na detecção da janela fértil.