📄 obstetrics and gynecology

Modeling cycle phases using hormone trajectories in women with and without polyendocrine metabolic ovarian syndrome

Este estudo utiliza dados de hormônios urinários rastreados pelo próprio usuário para desenvolver um modelo de Markov oculto autorregressivo que mapeia com precisão as fases do ciclo menstrual, revelando diferenças hormonais distintas em mulheres com síndrome poliendócrina metabólica ovariana (PMOS) e demonstrando o potencial do modelo para a triagem não invasiva de PMOS e para a melhoria dos protocolos de testes clínicos.

Autores originais: Stujenske, T. M., Bouchard, T. P., Troy, A., Kelemen, S., Folino, B., Wills, T., Sugden, L. A.

Publicado 2026-06-04

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Stujenske, T. M., Bouchard, T. P., Troy, A., Kelemen, S., Folino, B., Wills, T., Sugden, L. A.

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Imagine o seu ciclo menstrual como uma viagem de carro complexa de 28 dias. Durante décadas, os médicos tentaram mapear essa jornada verificando a sua localização com base na data do calendário — como dizer: "No dia 14, você deve estar no Grand Canyon". Mas o problema é que a viagem de cada pessoa é diferente. Alguns dirigem rápido, outros dirigem devagar e alguns ficam presos no trânsito. Se você apenas verificar o calendário, pode perder o Grand Canyon inteiramente porque chegou no dia 12 ou no dia 18.

Este artigo apresenta uma maneira mais inteligente de mapear essa viagem usando um "GPS" que não se importa com a data, mas sim com a paisagem (seus níveis hormonais) que você está vendo agora.

Aqui está a divisão do estudo em termos simples:

1. O Problema: O Calendário é um Mapa Ruim

Os pesquisadores analisaram dados de mais de 1.100 mulheres que usaram um dispositivo doméstico (o monitor Mira) para testar sua urina para três hormônios principais:

E1G: Uma forma de estrogênio (o hormônio da "construção").
LH: Hormônio luteinizante (o "gatilho" que sinaliza a ovulação).
PDG: Uma forma de progesterona (o hormônio de "manutenção" após a ovulação).

A forma antiga de fazer as coisas é dizer às mulheres: "Teste seus hormônios no dia 13, 14 e 15". Mas como os ciclos variam drasticamente em duração e tempo, isso é como dizer a um motorista para procurar uma montanha específica às 14:00. Se eles estiverem dirigindo uma rota diferente, podem perder a montanha.

2. A Solução: O "GPS Inteligente" (arHMM)

A equipe construiu um modelo de computador chamado modelo de Markov Oculto autorregressivo (arHMM). Pense nisso como um GPS inteligente que ignora o relógio e olha apenas para as placas de sinalização da estrada.

Como funciona: Em vez de perguntar "Que dia é hoje?", o modelo pergunta: "O que o hormônio está fazendo agora?". Ele está subindo? Está caindo? Está permanecendo estável?
As Seis Zonas: O modelo divide o ciclo em seis zonas ou fases distintas baseadas nesses movimentos hormonais, em vez de dias do calendário:
1. Folicular Inicial: O botão de reset (os hormônios estão baixos).
2. Folicular Tardia: A aceleração (o estrogênio começa a subir).
3. Periovulatória: O pico (o LH surge como um foguete).
4. Lútea Inicial: O rescaldo imediato (o estrogênio cai, a progesterona começa a subir).
5. Lútea Média: O platô (a progesterona está alta).
6. Lútea Tardia: A desaceleração (os hormônios caem antes do próximo período).

Como o modelo segue a forma da curva hormonal, ele funciona perfeitamente para mulheres com ciclos curtos, ciclos longos ou ciclos irregulares.

3. O Que Eles Descobriram: A Diferença do "PMOS"

Os pesquisadores compararam mulheres com ciclos saudáveis com mulheres que relataram ter PMOS (Síndrome Metabólica Ovariana Poliendócrina, anteriormente conhecida como SOP), e encontraram diferenças distintas na forma como o "GPS" mapeou suas viagens:

O Pico Ausente: Em mulheres saudáveis, o "Gatilho de LH" (Fase 3) é um pico enorme e agudo. Em mulheres com PMOS, esse pico foi muito mais fraco e baixo.
A Manutenção Fraca: Após o gatilho, as mulheres saudáveis têm um aumento forte e constante de progesterona (Fase 5). As mulheres com PMOS tiveram níveis muito mais baixos aqui, sugerindo que o "motor" delas não estava rodando tão suavemente após o gatilho.
A Espera Longa: Mulheres com PMOS passaram significativamente mais tempo na fase de "aceleração" (Fase 2) antes do gatilho finalmente acontecer. É como se estivessem presas no trânsito por dias antes de finalmente chegarem à rodovia.

4. Por Que Isso Importa (De Acordo com o Artigo)

O estudo testou duas maneiras de verificar os hormônios:

O Jeito do Calendário: Verificar em dias fixos (ex: dias 13–16).
O Jeito do GPS: Verificar quando o modelo diz que você está na fase específica de "Surto de LH".

O Resultado: O jeito do GPS foi muito melhor em capturar os eventos hormonais reais. O jeito do calendário frequentemente perdia o pico inteiramente porque o ciclo da mulher estava apenas alguns dias fora do cronograma.

5. O Teste do "Detetive"

Finalmente, os pesquisadores usaram os dados deste modelo de GPS para ver se conseguiam identificar se uma mulher tinha PMOS apenas olhando para seus padrões hormonais.

Eles alimentaram o classificador de computador com as descobertas do modelo (como "surto de LH fraco" ou "tempo de aceleração longo").
A Pontuação: O computador conseguiu identificar corretamente se uma mulher tinha PMOS ou era saudável cerca de 78% das vezes.

A Conclusão

Este artigo não afirma que cura a PMOS ou substitui o diagnóstico de um médico. Em vez disso, mostra que, ao usar um "GPS inteligente" para rastrear os movimentos hormonais em vez de apenas contar os dias do calendário, podemos:

Obter uma imagem muito mais clara do que está realmente acontecendo dentro do corpo.
Identificar os "engarrafamentos" e os "motores fracos" específicos que ocorrem na PMOS.
Potencialmente realizar triagens para essas condições usando testes caseiros não invasivos, em vez de esperar que um médico adivinhe o dia certo para realizar um exame de sangue.

Isso transforma o ciclo menstrual de um quebra-cabeça confuso de calendário em um mapa legível do ritmo único do seu corpo.

Resumo Técnico: Modelagem das Fases do Ciclo por meio de Trajetórias Hormonais em Mulheres com e sem Síndrome Metabólica Ovariana Poliendócrina (PMOS)

Definição do Problema
Distúrbios relacionados ao ciclo menstrual, como a síndrome metabólica ovariana poliendócrina (PMOS, anteriormente síndrome dos ovários policísticos), afetam aproximadamente 10% das mulheres em idade reprodutiva. Uma barreira significativa para a detecção precoce e caracterização desses distúrbios é a dependência de protocolos clínicos de dias fixos do ciclo (por exemplo, testes nos dias 13–16 ou 19–22). Esses protocolos não levam em conta a substancial variabilidade interindividual na duração do ciclo e no tempo dos eventos fisiológicos, particularmente em mulheres com ciclos irregulares. Além disso, modelos tradicionais baseados em parâmetros médios de ciclo são imprecisos para prever fases em ciclos irregulares. Embora as tecnologias de rastreamento de hormônios urinários em domicílio (por exemplo, o Mira Monitor) forneçam agora dados quantitativos de alta resolução, há uma carência de estruturas computacionais capazes de modelar a dinâmica hormonal dia a dia para definir fases fisiologicamente significativas em diversas populações.

Metodologia
Este estudo utilizou uma análise secundária de dados de hormônios reprodutivos urinários auto-rastreados (Estrona-3-glucuronídeo [E13G], Hormônio Luteinizante [LH] e Pregnanediol Glucuronídeo [PDG]) coletados de mais de 1.100 indivíduos (277 controles saudáveis e 841 com PMOS autorrelatado) via Mira Monitor. O conjunto de dados compreendeu mais de 3.800 ciclos menstruais.

A inovação metodológica central foi o desenvolvimento de um Modelo Oculto de Markov autorregressivo (arHMM) para mapear os dias do ciclo para fases fisiológicas latentes. A abordagem envolveu:

Curadoria e Indexação de Dados: Um conjunto curado de ciclos de controle saudável (24–38 dias) foi utilizado para treinar o modelo. Três estratégias de indexação foram empregadas para alinhar os dados: indexação direta (Dia 1 = início do sangramento), indexação reversa (Dia -1 = fim do ciclo) e indexação por LH (Dia 0 = pico do surto de LH).
Definição de Fase: Seis fases distintas foram definidas com base na trajetória direcional dos hormônios (ascendente, descendente ou constante):
- Fase 1: Folicular inicial (Dias 1–5).
- Fase 2: Folicular tardia (10 a 2 dias antes do surto de LH).
- Fase 3: Periovulatória (2 a 0 dias antes do surto de LH).
- Fase 4: Lútea inicial (0–4 dias pós-surto de LH).
- Fase 5: Lútea média (9–5 dias antes do fim do ciclo).
- Fase 6: Lútea tardia (Últimos 5 dias).
Arquitetura do Modelo: O arHMM utilizou uma matriz de transição que impõe a progressão sequencial através das fases 1–6. O modelo de emissão foi autorregressivo, prevendo o nível hormonal no dia $i$ ( $X_i$ ) com base no nível do dia $i-1$ ( $X_{i-1}$ ) e na fase latente atual ( $Y_i$ ). Isso permitiu que o modelo capturasse trajetórias dia a dia (inclinações) em vez de níveis absolutos de hormônios, acomodando a variabilidade nas concentrações absolutas entre indivíduos.
Extração de Características e Classificação: Características de nível individual foram extraídas da saída do modelo, incluindo estatísticas hormonais (mínimo, máximo, média, mediana, DP) dentro de cada fase, durações de fase e escores de ajuste do modelo. Um classificador Random Forest foi treinado sobre essas características para distinguir entre indivíduos com PMOS e controles saudáveis.
Proxy de Ovulação: Os ciclos foram rotulados como ovulatórios ou anovulatórios com base em uma análise de limiar de níveis de PDG na Fase 5 em relação às linhas de base da Fase 3.

Principais Resultados

Desempenho do Modelo: O arHMM reproduziu com sucesso as trajetórias hormonais esperadas através das seis fases, incluindo os aumentos de E13G nas fases folicular tardia/periovulatória, surtos de LH na fase periovulatória e aumentos de PDG na fase lútea.
Teste Baseado em Fase vs. Dia do Ciclo: Comparando os níveis hormonais em fases derivadas do arHMM versus dias fixos do calendário, o teste baseado em fases superou significativamente os protocolos de dias fixos. Especificamente, os níveis máximos de LH na Fase 3 e os níveis médios de PDG na Fase 5 foram significativamente maiores do que os capturados em dias clínicos padrão (13–16 e 19–22, respectivamente; $p < 0,001$ ), sugerindo que os protocolos de dias fixos frequentemente perdem os eventos fisiológicos de pico.
Fenotipagem de PMOS: Diferenças específicas de fase foram identificadas entre os controles saudáveis e o grupo PMOS:
- LH: Níveis de LH mais baixos na Fase 3 (periovulatória) para o grupo PMOS.
- PDG: Níveis reduzidos de PDG nas Fases 5 e 6 (lútea média e tardia) para o grupo PMOS.
- E13G: Geralmente níveis de E13G mais altos através das fases no grupo PMOS, embora os padrões tenham sido heterogêneos.
- Duração da Fase: Os ciclos de PMOS passaram significativamente mais tempo na Fase 2 (folicular tardia) em comparação aos controles ( $p < 0,001$ ), o que é consistente com a oligomenorreia.
Acurácia de Classificação: Utilizando características de hormônios e de duração de fase derivadas do arHMM, o classificador Random Forest alcançou 78,4% de acurácia na distinção do status de PMOS. A inclusão de características de duração do ciclo melhorou ligeiramente a acurácia para 79,2%.
Status Ovulatório: Os ciclos no grupo PMOS foram menos propensos a atender aos limiares baseados em PDG para ovulação em comparação aos controles saudáveis, alinhando-se com as expectativas clínicas de disfunção anovulatória em PMOS.

Significância e Alegações
O artigo afirma que a estrutura arHMM oferece uma abordagem nova e biologicamente fundamentada para modelar a dinâmica do ciclo menstrual, que supera as limitações dos protocolos clínicos de dias fixos. Ao focar em trajetórias direcionais em vez de níveis absolutos, o modelo acomoda a variabilidade natural na duração do ciclo e no tempo de ovulação.

Os autores afirmam que esta abordagem demonstra o potencial para:

Triagem Não Invasiva: Fornecer um método para triagem de PMOS e caracterização da saúde reprodutiva usando dados auto-rastreados com ~78% de acurácia.
Melhoria de Protocolos Clínicos: Destacar as limitações do teste de dias fixos e sugerir que o tempo baseado em fases pode gerar avaliações hormonais mais precisas, particularmente para indivíduos com ciclos irregulares.
Insight Fisiológico: Permitir a identificação de subfases latentes e assinaturas hormonais distintas associadas à PMOS, como a redução da progesterona lútea e déficits de LH periovulatórios.

O estudo conclui que a integração de modelagem probabilística com o rastreamento hormonal quantitativo em domicílio representa um passo em direção ao monitoramento da saúde reprodutiva personalizado e escalável, embora reconheça a necessidade de validação futura em coortes maiores e mais diversas com ovulação confirmada por ultrassonografia e fenótipos de PMOS bem definidos.