Identificazione dei predittori delle differenze interindividuali nello stato di risposta del cortisolo allo stress psicosociale tramite un approccio di machine learning

La risposta del cortisolo a stress psicosociale acuto varia notevolmente tra individui, ma i meccanismi sottostanti sono ancora poco chiari. Lo studio ha utilizzato un approccio di machine learning, in particolare la classificazione random forest, per individuare predittori chiave dello stato di risposta del cortisolo integrando fattori biologici, psicologici e comportamentali. Il campione era composto da 229 studenti di medicina sottoposti a una simulazione stressante di comunicazione di cattive notizie. Il modello ha classificato i soggetti come responder o non responder in base agli incrementi del cortisolo da baseline al picco, raggiungendo un punteggio F1 di 0.59 e un'accuratezza del 61.2%, entrambi significativamente superiori a valori attesi da permutazioni casuali. Il sesso è emerso come il predittore più forte, con i maschi più propensi a mostrare una risposta cortisolica marcata. Alcuni ulteriori predittori evidenziavano relazioni non lineari: la durata del compito mostrava un'associazione complessa con la probabilità di risposta, aumentando con durate più lunghe; bassi livelli di ansia, valenza emotiva positiva e esperienza pratica e teorica precedente nel comunicare cattive notizie erano associati a una maggiore probabilità di risposta; inoltre, uno stato mentale neutrali allo stress e un indice di massa corporea moderato seguivano una relazione a forma di U invertita con la risposta. Le associazioni erano generalmente simili tra i sessi, sebbene alcune differenze richiedano ulteriori approfondimenti. Questo studio sottolinea la complessità dei meccanismi della risposta cortisolica e l'utilità di metodi multivariati, fornendo indicazioni rilevanti per ricerche future.