El aprendizaje automático identifica agrupaciones distintas de alteración del control del movimiento en pacientes con dolor cervical crónico

Por qué el dolor de cuello es más que un simple punto dolorido

El dolor de cuello es hoy una de las principales causas de discapacidad en todo el mundo, y para muchas personas no desaparece tras unos días malos. Persiste durante meses, reaparece con frecuencia y puede remodelar de forma sutil cómo se mueven la cabeza y el cuello en la vida cotidiana. Sin embargo, los médicos a menudo tratan el dolor cervical crónico como si la mayoría de los pacientes fueran iguales. Este estudio plantea una pregunta distinta: ¿existen subgrupos ocultos de personas con dolor de cuello, cada uno con su propio patrón de problemas de movimiento, que podrían necesitar tipos diferentes de rehabilitación?

Un objetivo en movimiento para el cuello

Para sondear cómo controlan su cabeza y cuello las personas con dolor cervical crónico, los investigadores utilizaron una prueba llamada prueba Mariposa. Los participantes llevan un pequeño sensor de movimiento en la cabeza y se les pide que sigan un objetivo que se mueve de forma impredecible girando y inclinando la cabeza. El objetivo acelera, desacelera y cambia de dirección en tres niveles de dificultad: fácil, medio y difícil. A partir de estas pruebas, el equipo extrajo varias medidas: cuánto tiempo la cabeza permanecía sobre el objetivo en movimiento, con qué frecuencia quedaba rezagada, con qué frecuencia se adelantaba y cuánto se desviaba en general la posición de la cabeza de la trayectoria ideal. Combinaron estas medidas de movimiento con la intensidad del dolor que cada persona había reportado.

Dejar que los algoritmos encuentren grupos ocultos

En lugar de decidir de antemano cómo etiquetar a los pacientes como «leves» o «graves», los autores recurrieron a métodos basados en datos. Aplicaron varias técnicas de agrupamiento —herramientas matemáticas que buscan agrupaciones naturales en datos complejos— usando 13 características de la prueba Mariposa más las puntuaciones de dolor. Para evaluar qué método separaba a las personas de forma más nítida, emplearon una medida de calidad que comprueba cuán distinto es cada clúster respecto a los demás. El agrupamiento K-means, un algoritmo ampliamente usado, produjo el mejor equilibrio entre claridad y tamaños razonables de grupo. La solución más informativa dividió a los 135 pacientes en cuatro clústeres distintos, cada uno reflejando no solo cuán alterados estaban los movimientos, sino también cómo estaban alterados.

Cuatro maneras diferentes en que el movimiento puede fallar

En un extremo del espectro había un clúster con problemas de movimiento leves y dolor de leve a moderado. Estos pacientes normalmente mantenían la cabeza cerca de la trayectoria objetivo y pasaban más tiempo en la diana, con poca tendencia a quedarse rezagados o a pasarse de largo. Otro clúster mostró déficits moderados pero un patrón característico de moverse demasiado despacio y quedarse rezagado respecto al objetivo a mayores velocidades, lo que sugiere un estilo de movimiento cauteloso asociado con temor al movimiento. Un tercer clúster presentó problemas mayores, especialmente adelantarse al objetivo, lo que apunta a dificultad para frenar o controlar finamente los músculos del cuello al cambiar de dirección. El clúster más afectado combinó dolor de moderado a severo con grandes errores en todos los niveles de dificultad —incluido el supuestamente fácil— y mostró tanto un marcado retraso como adelantamientos, lo que indica una amplia alteración del control del movimiento del cuello.

De los patrones a herramientas personalizadas

Para comprobar si estos clústeres podían reconocerse con fiabilidad, los investigadores entrenaron varios modelos de aprendizaje automático para predecir la pertenencia a un clúster a partir de los mismos datos de movimiento y dolor. Redes neuronales y modelos combinados «apilados» pudieron asignar pacientes a los cuatro grupos con muy alta precisión, sensibilidad y especificidad, superando ampliamente a una simple regla del vecino más cercano. Usando una técnica llamada SHAP, el equipo examinó después qué características de movimiento impulsaban con más fuerza esas decisiones. Las medidas de cuánto se adelantaban o se quedaban cortos respecto al objetivo, especialmente en las dificultades media y alta, surgieron como ingredientes clave que distinguían los clústeres entre sí.

Qué significa esto para las personas que viven con dolor de cuello

Para un lector general, la conclusión es que el dolor cervical crónico no es un problema uniforme. Al pedirles que sigan un objetivo en movimiento impredecible, los pacientes encajan de forma natural en varios patrones distintos de control del movimiento: algunos principalmente más lentos y cautelosos, otros menos estables y más propensos a adelantarse, y otros con alteraciones severas en todos los aspectos. El estudio muestra que los métodos modernos de análisis de datos pueden detectar con fiabilidad estos perfiles ocultos a partir de una prueba breve de movimiento y una puntuación de dolor. Aunque este trabajo es una prueba de concepto inicial, apunta hacia un futuro en el que la rehabilitación del dolor cervical se adapte al patrón específico de control del movimiento de cada persona, en lugar de ofrecerse como un programa único para todos.

Cita: Majcen Rosker, Z., Rosker, J. Machine learning identifies distinct movement control impairment clusters in patients with chronic neck pain. Sci Rep 16, 12993 (2026). https://doi.org/10.1038/s41598-026-43903-z

Palabras clave: dolor cervical crónico, control del movimiento, pruebas kinestésicas, aprendizaje automático, subgrupos de rehabilitación