Modelos de aprendizaje automático para predecir los resultados del tratamiento en pacientes con dolor lumbar crónico no específico sometidos a tracción de extensión lumbar

Por qué te importan el dolor de espalda y los ordenadores inteligentes

El dolor lumbar crónico es una de las principales causas por las que las personas faltan al trabajo, renuncian a actividades familiares o viven con molestias constantes. Existen muchos tratamientos, pero no funcionan igual de bien para todos. Este estudio plantea una pregunta muy práctica: ¿podemos usar herramientas informáticas modernas, conocidas como aprendizaje automático, para predecir qué pacientes se beneficiarán más de una terapia específica de columna que restaura suavemente la curva natural de la zona lumbar?

Una mirada más cercana a un problema lombar común

La columna lumbar tiene de forma natural una ligera curva hacia dentro llamada lordosis. En muchas personas con dolor lumbar crónico no específico, esta curva está reducida o aplanada. Ese cambio puede alterar cómo se transmiten las fuerzas a través de la columna, tensionando articulaciones, discos y músculos. Un tratamiento, la tracción de extensión lumbar, está diseñado para restaurar gradualmente esta curva perdida colocando al paciente en una mesa especializada y aplicando un tirón controlado que arquea la zona lumbar a lo largo de varias sesiones. Ensayos clínicos pequeños y anteriores sugirieron que este método puede reducir el dolor y la discapacidad, pero los médicos seguían sin una forma de saber de antemano quién respondería mejor.

Cómo se realizó el estudio

Los investigadores revisaron los registros de 431 adultos con dolor lumbar crónico y una curva lumbar claramente reducida en radiografía. Todos los pacientes siguieron un programa de rehabilitación estandarizado que combinaba métodos de fisioterapia como estimulación eléctrica, calor, ejercicios de estiramiento y tracción de extensión lumbar. Los tratamientos se administraron de tres a seis veces por semana durante cuatro a diez semanas, con flexibilidad para ajustarse al horario y la tolerancia de cada persona. Antes y después del programa, el equipo midió la forma de la columna lumbar en radiografías, el dolor en una escala de 0 a 10 y la discapacidad mediante un cuestionario ampliamente usado sobre actividades diarias.

Enseñando al ordenador a predecir la recuperación

Para comprobar si los resultados podían predecirse de antemano, los autores introdujeron diez piezas de información en tres modelos diferentes de aprendizaje automático. Estas entradas incluyeron edad, índice de masa corporal, curva inicial de la columna y ángulo pélvico en radiografías, puntuaciones iniciales de dolor y discapacidad, con qué frecuencia y cuánto tiempo se aplicó la tracción, cumplimiento del tratamiento y un “tipo de ajuste” descriptivo que recogía cómo de bien coincidían la curva lumbar y el ángulo pélvico. Los sistemas informáticos se entrenaron con la mayor parte de los datos de los pacientes y luego se probaron con el resto, usando medidas estándar para ver qué tan bien concordaban las predicciones con la realidad. Comprobaciones adicionales investigaron qué factores importaban más y cómo de sensibles eran los modelos al ruido de medición o a la falta de información.

Lo que revelaron los modelos y los pacientes

En promedio, los pacientes lograron mejoras significativas: la curva lumbar aumentó alrededor de 12 grados, el dolor cayó de aproximadamente 7 a 3 sobre 10 y las puntuaciones de discapacidad se redujeron hasta aproximadamente un tercio de su nivel inicial. Ocho de cada diez pacientes alcanzaron un umbral ampliamente aceptado de alivio importante del dolor y más de la mitad obtuvo una mejora notable en la función. Entre las herramientas informáticas, dos enfoques basados en árboles—Random Forest y XGBoost—fueron los mejores para predecir quién lograría estos beneficios. Explicaron una gran parte de la variación en la curva final de la columna, el dolor y la discapacidad, mientras que un modelo de red neuronal tuvo dificultades para pronosticar la recuperación funcional.

Los factores que más importan

Al examinar cómo tomaban decisiones los modelos, el equipo encontró un patrón consistente. La forma inicial de la columna lumbar y su relación con el ángulo pélvico fueron factores determinantes de si la curva podía restaurarse. Los pacientes cuya curva y pelvis estaban más “desincronizadas” a menudo mostraron las correcciones más grandes. La regularidad con la que asistían a las sesiones (cumplimiento), la frecuencia semanal de la tracción y el peso corporal también desempeñaron papeles importantes, especialmente en los resultados de dolor. Demografías estándar como la edad importaron menos que la combinación de hallazgos radiográficos precisos y la intensidad y regularidad del tratamiento.

Qué significa esto para las personas con dolor de espalda

Para el paciente común y su clínico, esta investigación sugiere que un enfoque personalizado para restaurar la curva lumbar natural puede ser eficaz y predecible. Una valoración radiográfica cuidadosa, combinada con información sobre el plan de tratamiento y la asistencia, puede alimentar herramientas de aprendizaje automático que estimen las mejoras probables en dolor y función. En palabras sencillas, los ordenadores pueden ayudar a los médicos a emparejar a los pacientes adecuados con la tracción de extensión lumbar, fijar expectativas realistas y afinar con qué frecuencia y cuánto debería durar el tratamiento. Aunque se necesita más trabajo, especialmente con seguimientos más prolongados y grupos de pacientes más amplios, este estudio apunta hacia un futuro en el que el cuidado del dolor de espalda sea más personalizado, basado en datos y eficiente.

Cita: Moustafa, I.M., Ozsahin, D.U., Mustapha, M.T. et al. Machine learning models for predicting treatment outcomes in chronic non-specific back pain patients undergoing lumbar extension traction. Sci Rep 16, 6738 (2026). https://doi.org/10.1038/s41598-026-38059-9

Palabras clave: dolor lumbar crónico, tracción de extensión lumbar, curvatura espinal, aprendizaje automático en medicina, predicción del tratamiento