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

Resumo Técnico: Modelagem das Interações entre Estresse Psicossocial e Cortisol na Dinâmica do Ciclo Menstrual

Definição do Problema
A saúde menstrual é governada por uma complexa interação de regulação endócrina, estado psicológico e fatores ambientais, mediada principalmente pelo eixo hipotálamo-pituitária-ovário (HPO). Embora evidências extensas vinculem o estresse psicossocial e os níveis elevados de cortisol à disfunção menstrual (como irregularidade, alteração no fluxo e dismenorreia), permanece uma significativa variabilidade interindividual não explicada. A literatura atual frequentemente trata o estresse e o cortisol como drivers universais da patologia, negligenciando moderadores constitucionais que determinam a responsividade ao estresse e os desfechos reprodutivos individuais. Este estudo aborda a lacuna na compreensão de como o "temperamento" (Mizaj) — um conceito da medicina Unani que representa um estado biopsicológico estável combinando taxa metabólica e responsividade emocional — modera a tradução do estresse psicossocial em fenótipos endócrinos e menstruais.

Metodologia
O estudo empregou um delineamento observacional transversal com uma coorte de 119 mulheres, com idades entre 19 e 28 anos. As participantes foram estratificadas em dois grupos dominantes de temperamento baseados em um questionário padronizado de medicina Unani: Safrawi (quente-seco, n=59) e Balghami (frio-úmido, n=60).

• Coleta de Dados: Os pesquisadores coletaram dados sobre estresse psicossocial (usando a escala ADSSBSPSA), níveis séricos de cortisol (medidos via imunoensaio quimioluminescente na fase folicular, das 08:00 às 10:00 h) e parâmetros menstruais (duração, intensidade do fluxo, perda sanguínea, severidade da dor e regularidade). Métricas fisiológicas incluindo IMC, pulso e pressão arterial também foram registradas.
• Estrutura Analítica: Foi utilizada uma abordagem analítica dupla:
  1. Estatística Clássica: Testes t para amostras independentes e testes U de Mann-Whitney foram usados para comparar diferenças entre grupos. Coeficientes de correlação de Pearson avaliaram relações lineares entre variáveis contínuas. A regressão logística binária foi aplicada para modelar a probabilidade de regularidade do ciclo.
  2. Aprendizado de Máquina (ML): Classificadores/regressores de Regressão Logística e Random Forest (RF) foram treinados em uma divisão de treino-teste de 80:20 para prever desfechos menstruais (regularidade, intensidade da dor, espessura do fluxo e perda de sangue). O desempenho do modelo foi avaliado utilizando acurácia, precisão, recall, F1-score, curvas ROC-AUC e curvas de Precisão-Recall (PR). A análise de importância de atributos foi realizada para identificar os preditores dominantes.

Principais Resultados

• Temperamento e Dinâmica Menstrual: A análise estatística revelou diferenças significativas entre os grupos de temperamento. Mulheres Safrawi exibiram durações menstruais mais curtas (média ~5 dias), fluxo mais intenso e maior perda de sangue em comparação com as mulheres Balghami (média ~6 dias, fluxo mais leve). A regressão logística identificou o temperamento como o principal preditor de regularidade do ciclo (B = +2.89, p < 0.001), enquanto os escores de estresse psicossocial não predisseram significativamente a regularidade.
• Estresse e Dor: Em contraste com a regularidade, a intensidade da dor menstrual mostrou uma forte correlação positiva com o estresse psicossocial (r = 0.64, p < 0.001) em ambos os grupos de temperamento. Isso sugere que o estresse atua como um agravador universal da dismenorreia, independentemente do tipo constitucional.
• Predições de Aprendizado de Máquina:
  • Regularidade do Ciclo: Tanto os modelos de Regressão Logística quanto os de Random Forest alcançaram 78% de acurácia. A análise de importância de atributos indicou que o cortisol sérico e o IMC foram os preditores mais fortes de regularidade, superando o estresse percebido e o temperamento em contextos multivariados não lineares.
  • Intensidade da Dor: O classificador Random Forest para dor (baixa vs. alta) alcançou 81% de acurácia com um ROC-AUC de 0.87. O cortisol sérico e os escores de estresse foram os preditores mais significativos.
  • Fluxo e Perda de Sangue: Os modelos de ML identificaram o cortisol sérico e o IMC como os principais preditores para a intensidade do fluxo e perda de sangue. Embora os modelos tenham desempenhado bem na detecção de fenótipos extremos (ex: perda de sangue intensa), enfrentaram desafios com o desequilíbrio de classes nas categorias intermediárias.

Principais Contribuições

1. Operacionalização do Mizaj: O estudo operacionalizou com sucesso o conceito tradicional de temperamento Unani em um construto estatisticamente tratável, demonstrando seu papel como uma variável moderadora na fisiologia reprodiva.
2. Estrutura Triádica: Estabelece um modelo triádico onde o estresse psicossocial é a força perturbadora, o cortisol é o mediador bioquímico e o temperamento é a matriz regulatória que determina a vulnerabilidade ou resiliência individual.
3. Análise Híbrida: Ao integrar estatística inferencial clássica com aprendizado de máquina, o estudo revela interações não lineares e hierarquias preditivas que os métodos clássicos sozinhos poderiam perder, destacando especificamente a dominância de marcadores fisiológicos (cortisol, IMC) sobre o estresse subjetivo na predição da regularidade do ciclo.

Significância e Alegações
O artigo postula que a variabilidade menstrual não é meramente uma reação patológica consistente ao estresse, mas uma expressão fisiológica individualizada da interação entre estresse e constituição. Os achados apoiam uma mudança em direção à medicina de precisão na saúde reprodutiva, onde a individualidade biológica (temperamento) condiciona os desfechos reprodutivos.

Os autores alegam que esta abordagem fornece uma estrutura escalável para a estratificação de risco, permitindo a identificação de indivíduos suscetíveis a interrupções menstruais induzidas pelo estresse através da combinação de perfil constitucional e biomarcadores psicofisiológicos. Embora o estudo destaque o potencial para a "modelagem computacional informada pelo temperamento" na saúde reprodutiva integrativa, nota modestamente que pesquisas adicionais com acompanhamento longitudinal e sinais fisiológicos mais amplos são necessárias para aprimorar a predição em todo o espectro de fenótipos menstruais. O trabalho visa ir além de abordagens reducionistas de fator único para uma perspectiva de engenharia de sistemas holística sobre a saúde menstrual.