Hallazgo del laboratorio — semana 25 de mayo 2026 Esta es la sesión de cierre conceptual de la línea L2 (eje HPA-HPO) de Lua Labs. Sub-tema 2.5 — biomarcadores digitales integradores del eje HPA.
Carmen vuelve, ahora con 60 días de seguimiento
Carmen tiene 47 años. Sus análisis siguen "normales": FSH borderline, estradiol dentro de rango, perfil tiroideo limpio. La endocrinóloga la felicitó y le dijo que volviera en seis meses.
Pero a los 60 días de registrar cómo se siente cada mañana, cómo come, cómo duerme y cuándo le aparece cada síntoma, el cuadro completo cuenta otra historia. Días seguidos de energía matutina en 2 sobre 5. Picos de mood en fase lútea que ya no se parecen a los de hace dos años. Un patrón clarísimo de cafeína después del mediodía seguido de insomnio de conciliación. Dos semanas sin nopal ni un solo fermentado. Y un score de fragmentación de sueño que su Apple Watch reporta en el percentil 80 de su propio histórico personal.
Cada uno de esos datos, aislado, no significa nada. Juntos pintan un cuadro de carga alostática hormonal perimenopáusica que su perfil sérico no puede pintar — porque no fue diseñado para pintarlo.
La pregunta de esta semana en Lua Labs es: ¿podemos hacer ese cuadro operativo? ¿Podemos construir, desde la literatura científica más reciente, un score que integre las múltiples dimensiones del eje del estrés y que tenga sentido tanto para Carmen como para su médica?
La carga alostática: el constructo que la endocrinología no terminó de digitalizar
El término carga alostática lo introdujeron Bruce McEwen y Teresa Seeman a mediados de los noventa para nombrar algo que la fisiología llevaba décadas intuyendo: el cuerpo no se daña por el estrés agudo, sino por el desgaste acumulado de adaptarse repetidamente.
Cuando algo te estresa — una llamada difícil, una noche de mal sueño, un cólico, una preocupación financiera — tu cuerpo activa una respuesta coordinada: cortisol sube, frecuencia cardiaca sube, presión sube, sistema inmune se reordena. Esto se llama alostasis: literalmente, "estabilidad a través del cambio". Es adaptativo y útil.
El problema aparece cuando esa activación deja de apagarse limpiamente. Cuando el cortisol no vuelve a su nadir nocturno. Cuando la frecuencia cardiaca durante el sueño pierde amplitud. Cuando el sistema inmune se queda en modo de bajo grado inflamatorio. Cuando el microbioma pierde la diversidad que amortiguaba esas señales. Ese desgaste estructural acumulado es la carga alostática.
McEwen y Seeman propusieron medirla con un panel de marcadores séricos: cortisol, DHEA-S, IL-6, fibrinógeno, HDL, presión arterial, HbA1c, circunferencia abdominal. El Allostatic Load Index (ALI) cuenta cuántos de esos marcadores están en el cuartil de riesgo. Funciona — predice mortalidad, deterioro cognitivo, riesgo cardiometabólico. Pero requiere extracción venosa, laboratorio y protocolo estandarizado.
Treinta años después, la pregunta que la literatura está empezando a responder en serio es: ¿se puede traducir la carga alostática al dominio digital? ¿Se puede medir con un wearable, un food log y un registro de cómo te sientes — sin sangre?
El paper que cambió la conversación en 2025
En 2025 apareció el primer estudio que cruzó las dos cosas en una misma cohorte. Wedge y colaboradores, publicado en American Journal of Physiology — Regulatory, Integrative and Comparative Physiology, midieron simultáneamente:
- El Allostatic Load Index sérico clásico (panel multibiomarcador completo)
- Datos continuos de wearable de grado militar (fotopletismografía + acelerometría)
…en una cohorte sometida a entrenamiento militar arduo. El resultado central:
La carga alostática elevada tiene una firma digital específica: actividad cardiometabólica crónicamente elevada y variable durante el día, combinada con variación atenuada de la frecuencia cardiaca durante el sueño.
Tres lecciones que reordenaron la forma de pensar el problema:
Primera. La firma de la carga alostática aparece durante el sueño, no durante el día. La frecuencia cardiaca diurna está contaminada por actividad, comida y emociones. La frecuencia cardiaca durante el sueño es más limpia — y es ahí donde el desgaste estructural se hace visible.
Segunda. La carga alostática no se manifiesta como un valor alto o bajo. Se manifiesta como inestabilidad — variabilidad inter-día anormalmente alta. Esto cambia cómo hay que mirar los datos: no basta con el promedio, hay que mirar la dispersión.
Tercera. El paper es explícito: el fenotipo digital no reemplaza la medición clínica. Es un proxy de detección temprana y monitoreo de tendencia. Esto es importante para evitar el discurso simplista de "tu reloj te dice si tienes burnout".
El paper contraintuitivo: agregar cortisol no mejora la predicción
Hay otro hallazgo de 2025 que reorienta la estrategia. Kim y colaboradores (publicado en Digital Health) entrenaron modelos de machine learning para clasificar fatiga usando:
- Solo variables de HRV (variabilidad de frecuencia cardiaca)
- HRV + cortisol salival
El modelo solo con HRV alcanzó AUC = 0.774. El modelo con HRV + cortisol salival alcanzó AUC = 0.741 — es decir, el cortisol no aportó información adicional y de hecho redujo marginalmente el rendimiento, probablemente por el ruido inherente a su medición.
La implicación es profunda y cuestiona el reflejo natural de "medir el cortisol con más kits caseros". Si los proxies digitales (HRV, sueño, fatiga subjetiva, patrones comportamentales) ya capturan suficiente información del eje del estrés para predecir outcomes clínicamente relevantes, entonces la prioridad no es agregar más mediciones bioquímicas — es hacer mejor instrumentación digital del comportamiento.
El sueño fragmentado desordena el cortisol por sí mismo
Uno de los papers más mecanísticamente claros disponibles hoy para entender qué pasa específicamente en perimenopausia es Grant y colaboradores (2023, Journal of Clinical Endocrinology & Metabolism). El diseño es exquisito: tomaron 22 mujeres premenopáusicas saludables y las sometieron a un protocolo experimental de fragmentación de sueño + supresión farmacológica de estradiol con leuprolide, para crear un modelo controlado de menopausia.
Resultado:
- +27% cortisol al acostarse (pérdida del nadir nocturno)
- −57% en el cortisol matutino de despertar (CAR atenuado)
- El efecto se mantuvo bajo supresión de estradiol
La conclusión operativa es importante: el sueño fragmentado desordena el eje del estrés por sí mismo, no como consecuencia secundaria del cambio hormonal. En perimenopausia natural — donde los despertares nocturnos por hot flashes o ansiedad son frecuentes — este mecanismo se acumula noche tras noche, semana tras semana.
Es por eso que cualquier intento de construir un score digital de carga alostática hormonal tiene que incluir la fragmentación del sueño como dimensión propia, no como simple síntoma derivado.
La cohorte que demostró que el self-report basta para encontrar fenotipos
Otro paper de 2025 — Tariyal y colaboradores en npj Women's Health — analizó 147,501 registros de síntomas de 4,789 usuarias de la app MenoLife. Aplicaron clustering jerárquico, K-means sobre componentes principales y análisis de redes binomiales. Encontraron tres clusters claros: pre-, peri-, menopausal — con sub-fenotipos correlacionados de mood, cognición, piel, digestión, sistema nervioso y sexualidad.
Lo importante metodológicamente: los fenotipos emergieron de datos puramente self-report. Sin wearable, sin cortisol, sin AMH. Solo síntomas registrados consistentemente.
Esto demuestra algo que la conversación clínica todavía no asume del todo: la profundidad y granularidad de los check-ins comportamentales alcanzan para distinguir fenotipos hormonales válidos. La medición bioquímica es valiosa, pero no es prerrequisito para hacer ciencia útil del cuerpo de las mujeres.
El timing de las comidas modula el ritmo del cortisol
Dos papers cierran el panorama de lo que un score digital puede capturar sin sangre. Loy y colaboradores (2023, cohorte MY-CARE) encontraron que saltarse el desayuno se asocia con cortisol matutino más bajo, y que el patrón de comidas tardías altera el ritmo coordinado de melatonina y cortisol. Pickering y colaboradores (2025, Nutrients) revisan los mecanismos: la composición de macronutrientes en el desayuno (proteína + tirosina), el timing relativo al pico natural de cortisol, la duración de la ventana de alimentación — todos modulan la amplitud del ritmo de cortisol a través del sistema de relojes circadianos.
La implicación práctica es directa: la hora a la que comes por primera vez en el día es una variable del eje del estrés, capturable sin ningún hardware adicional. Y casi nadie la trackea.
Lo que un análisis sérico no captura — las seis dimensiones
Combinando lo anterior, emerge la idea conceptual central de esta sesión: el eje del estrés tiene al menos seis dimensiones medibles parcialmente independientes, y la mayoría de las evaluaciones clínicas estándar capturan solo una o dos.
Dimensión 1 — Buffer biológico. La diversidad del microbioma intestinal y la densidad de prebióticos en la dieta. Mide la capacidad amortiguadora del sistema. Se construye en ventana de 14 días desde un food log estructurado.
Dimensión 2 — Tono autonómico. El balance vagal medido vía sueño, alcohol, comida y, opcionalmente, HRV de wearable. Mide el contrapeso parasimpático que apaga la respuesta de estrés.
Dimensión 3 — Carga alostática activa. El estrés subjetivo (PSS-4), la carga de cuidado de dependientes (predictor dominante en cohortes latinoamericanas), los síntomas específicos en fase lútea. Mide el input acumulado al sistema.
Dimensión 4 — Fenotipo de cortisol diurno. La forma de la curva — alta amplitud reactiva versus colapsada plana — derivable digitalmente desde patrones de energía matutina y vespertina, tipo de insomnio, presencia y horario de hot flashes. Es la dimensión que más cambia cómo deben leerse las otras cinco.
Dimensión 5 — Carga ovárica. El eje CRH paracrino ovárico, capturable desde regularidad del ciclo, síntomas androgénicos y estrés concurrente. Específico de mujeres con ovario activo.
Dimensión 6 — Calibración circadiana. La hora del primer alimento, la exposición a luz solar en la primera hora del día, el timing de la primera cafeína. Es la dimensión más modificable a corto plazo — y casi nunca se mide.
Cada dimensión opera en una escala temporal distinta. El buffer biológico se mueve en semanas a meses. El tono autonómico en días a semanas. El fenotipo de cortisol es relativamente estable como biotipo. La calibración circadiana cambia día a día. Esa diferencia de escalas no es un problema — es una fortaleza: permite que un score integrado capture señales que un solo biomarcador jamás capturaría. El "deslizamiento lento" del buffer microbial puede preceder por semanas el "descompensar rápido" del fenotipo de cortisol.
Por qué esto importa especialmente en perimenopausia
En perimenopausia, dos sistemas hormonales entran en transición al mismo tiempo. El ovario empieza a fallar — anovulaciones intermitentes, fase lútea acortada, oscilaciones erráticas de estradiol — justo cuando el eje del estrés ya lleva años acumulando desgaste. La progesterona, que en mujeres jóvenes amortigua el cortisol compitiendo por el receptor glucocorticoide, se vuelve intermitente. El estradiol, que normalmente modula la sensibilidad del eje HPA, oscila violentamente.
El resultado: una mujer perimenopáusica puede tener carga alostática hormonal sustancialmente más alta que su edad sugiere, sin que ningún análisis estándar lo refleje. Su FSH dice "casi". Su estradiol dice "normal". Su tiroides está limpia. Y aun así, su cuerpo está señalizando con claridad — solo que en variables que la consulta de 15 minutos no captura.
Esto es lo que Carmen experimenta cuando le dicen que vuelva en seis meses. Es lo que la conversación pública sobre menopausia todavía no termina de articular bien. Y es por eso que la idea de un score digital integrador, computado desde lo que una mujer ya hace — registrar cómo se siente, qué come y cómo duerme — es una pieza intelectual relevante.
Cómo Lua Labs está pensando esto
En el laboratorio de Lua estamos cruzando esta semana lo que se publica en la literatura de carga alostática digital con el razonamiento mecanístico construido en las sesiones anteriores. La síntesis es el concepto del Biomarcador Digital Integrador del eje HPA (BDI-HPA): una arquitectura conceptual con seis dimensiones, un fenotipo modulador (el biotipo de cortisol descrito en la sesión anterior), una fórmula composite con pesos derivados de literatura, y un protocolo de validación con outcomes definidos.
El BDI-HPA no es una medición de cortisol. No es un diagnóstico. No reemplaza el panel sérico clínico de allostatic load. Su utilidad conceptual es como score de tendencia y auto-conocimiento — un objeto distinto, con utilidad propia: detección temprana de tendencia, segmentación de fenotipos, alerta personalizada de descompensación.
Tres aclaraciones importantes sobre lo que esto significa hoy:
- El BDI-HPA es por ahora una propuesta conceptual derivada de literatura, no un feature ya disponible en la app. Esta nota documenta la formulación pública del concepto, no su despliegue.
- La hipótesis que la formulación deja explícitamente abierta — y que se irá evaluando con el tiempo — es si un composite de seis dimensiones, derivado solo de variables comportamentales y de food log, puede predecir descompensación perimenopáusica con AUC ≥ 0.70, equivalente o mejor que un modelo nulo basado solo en estrés subjetivo + edad + fase del ciclo.
- Cualquier traducción del concepto a producto exigirá validación rigurosa, criterios objetivos de descompensación, y línea ética clara: el BDI-HPA jamás debe presentarse como "tu cortisol estimado" — solo como índice de tendencia con utilidad de auto-conocimiento.
Lo que cambia después de esta sesión
La línea L2 de Lua Labs — el eje HPA-HPO en mujeres — se cierra conceptualmente esta semana con la idea de que los seis biomarcadores construidos a lo largo de las sesiones anteriores no son seis cosas sueltas, sino seis dimensiones de un mismo sistema. La carga alostática hormonal perimenopáusica no es un valor, es un perfil — un vector con seis ejes que cambia de semana en semana y que requiere ser leído en su forma completa.
Para Carmen, lo concreto es que el lenguaje clínico que necesita para llevar a su próxima consulta ya no es "estoy estresada" ni "tengo hot flashes" ni "no duermo bien". Es: "mi curva diurna de energía cambió en las últimas seis semanas, mi sueño está más fragmentado, mi ventana de alimentación se desplazó, y mi mood en fase lútea ya no se parece al del año pasado. Mi análisis dice 'normal'. Mi trayectoria dice 'esto se está moviendo'."
Esa es la diferencia entre un análisis y un fenotipo. Y es por eso que la categoría de inteligencia hormonal longitudinal existe — porque la conversación que las mujeres en perimenopausia merecen tener con sus médicas no cabe en un solo número, ni en un solo día, ni en un solo análisis.
Referencias citadas
Wedge FM, Phillips MR, Brown PJ, Friedl KE, Hoyt RW, Buller MJ, et al. (2025). Identifying a digital phenotype of allostatic load: association between allostatic load index score and wearable physiological response during military training. American Journal of Physiology — Regulatory, Integrative and Comparative Physiology. DOI: 10.1152/ajpregu.00216.2025
Kim JE, Kim NH, Choi SK, Lee J-Y, Lee K, Han JS. (2025). Machine learning-based fatigue classification using heart rate variability and cortisol: A multimodal approach to wearable health monitoring. Digital Health. DOI: 10.1177/20552076251395570
Grant LK, Coborn JE, Cohn A, Nathan MD, Scheer FAJL, Klerman EB, et al. (2023). Effects of Sleep Fragmentation and Estradiol Decline on Cortisol in a Human Experimental Model of Menopause. Journal of Clinical Endocrinology & Metabolism, 108(11): e1347–e1357. DOI: 10.1210/clinem/dgad285
Velazquez Sanchez C, Dalley JW. (2025). The cortisol awakening response: Fact or fiction? Brain and Neuroscience Advances, 9. DOI: 10.1177/23982128251327712
Tariyal R, Yoo S, Kennedy C, Kraschnewski JL, et al. (2025). Clustering of >145,000 symptom logs reveals distinct pre-, peri-, and menopausal phenotypes. npj Women's Health. PMC11699220
Loy SL, Cheng TS, Colega M, Cheung YB, Godfrey KM, Tan KH, et al. (2023). Chrononutrition is associated with melatonin and cortisol rhythm during pregnancy: Findings from MY-CARE cohort study. Frontiers in Nutrition. PMC9852999
Pickering G, Mazur A, Trousselard M, et al. (2025). 'Feeding the Rhythm' — Effects of Food and Nutrients on Daily Cortisol Secretion: From Molecular Mechanisms to Clinical Impact. Nutrients. PMC12653711
Crook H, Ramirez A, Hosseini AA, et al. (2023). Towards a consensus definition of allostatic load: a multi-cohort, multi-system, multi-biomarker individual participant data meta-analysis. eBioMedicine. PMID: 37100008