Modelos de aprendizagem de máquina para prever desfechos de tratamento em pacientes com dor crônica inespecífica na lombar submetidos à tração de extensão lombar

Por que a dor nas costas e computadores inteligentes importam para você

A dor lombar crônica é uma das principais razões pelas quais as pessoas faltam ao trabalho, deixam de participar de atividades familiares ou vivem com desconforto constante. Existem muitos tratamentos, mas eles não funcionam igualmente bem para todos. Este estudo faz uma pergunta prática: podemos usar ferramentas computacionais modernas, conhecidas como aprendizagem de máquina, para prever quais pacientes se beneficiarão mais de uma terapia específica da coluna que restabelece suavemente a curvatura natural da parte inferior das costas?

Um olhar mais atento sobre um problema comum nas costas

A coluna lombar tem naturalmente uma curva suave voltada para dentro chamada lordose. Em muitas pessoas com dor lombar inespecífica e de longa duração, essa curva está reduzida ou achatada. Essa alteração pode modificar como as forças se distribuem pela coluna, sobrecarregando articulações, discos e músculos. Um tratamento, a tração de extensão lombar, é projetado para restaurar lentamente essa curva perdida, colocando o paciente em uma mesa especializada e aplicando uma tração controlada que arqueia a região lombar ao longo de várias sessões. Ensaios clínicos pequenos e anteriores sugeriram que esse método pode reduzir dor e incapacidade, mas os médicos ainda não dispunham de um modo de prever antecipadamente quem responderia melhor.

Como o estudo foi realizado

Os pesquisadores revisaram prontuários de 431 adultos com dor lombar crônica e uma curva lombar claramente reduzida em radiografia. Todos os pacientes seguiram um programa de reabilitação padronizado que combinava métodos de fisioterapia, como estimulação elétrica, calor, alongamentos e tração de extensão lombar. Os tratamentos foram aplicados três a seis vezes por semana, por quatro a dez semanas, com flexibilidade para se ajustar à agenda e tolerância de cada pessoa. Antes e depois do programa, a equipe mediu a forma da região lombar em radiografia, a dor em uma escala de 0–10 e a incapacidade usando um questionário amplamente usado sobre atividades diárias.

Ensinando o computador a prever a recuperação

Para verificar se os desfechos podiam ser previstos antecipadamente, os autores forneceram dez informações a três modelos diferentes de aprendizagem de máquina. Essas entradas incluíram idade, índice de massa corporal, curva inicial da coluna e ângulo pélvico nas radiografias, escores iniciais de dor e incapacidade, frequência e duração da tração, adesão ao tratamento e um tipo descritivo de “ajuste” que capturava quão bem a curva da coluna e o ângulo pélvico se correspondiam. Os sistemas foram treinados com a maior parte dos dados dos pacientes e depois testados no restante, usando medidas padrão para avaliar quão bem as previsões correspondiam à realidade. Verificações adicionais investigaram quais fatores eram mais relevantes e quão sensíveis os modelos eram a ruído de medição ou dados ausentes.

O que os modelos e os pacientes mostraram

Em média, os pacientes tiveram ganhos significativos: a curva lombar aumentou cerca de 12 graus, a dor caiu de aproximadamente 7 para 3 em 10, e os escores de incapacidade reduziram-se para cerca de um terço do nível inicial. Oito em cada dez pacientes atingiram um limiar amplamente aceito de alívio importante da dor, e mais da metade alcançou uma forte melhora na função. Entre as ferramentas computacionais, duas abordagens baseadas em árvores — Random Forest e XGBoost — foram as melhores para prever quem obteria esses benefícios. Elas explicaram grande parte da variação na curva final da coluna, na dor e na incapacidade, enquanto um modelo de rede neural teve dificuldade em prever a recuperação funcional.

Os fatores que mais importam

Ao examinar como os modelos tomavam decisões, a equipe encontrou um padrão consistente. A forma inicial da coluna lombar e sua relação com o ângulo pélvico foram fatores determinantes sobre se a curva poderia ser restaurada. Pacientes cuja curva e pelve estavam mais “desajustadas” frequentemente apresentaram as maiores correções. A regularidade de comparecimento às sessões (adesão), a frequência semanal da tração e o peso corporal também desempenharam papéis importantes, especialmente para os resultados de dor. Demográficos padrão, como a idade, importaram menos do que a combinação de achados radiográficos precisos e a intensidade e regularidade do tratamento.

O que isso significa para pessoas com dor nas costas

Para o paciente comum e seu clínico, esta pesquisa sugere que uma abordagem personalizada para restaurar a curva lombar natural pode ser eficaz e previsível. Uma avaliação radiográfica cuidadosa, combinada com informações sobre o plano de tratamento e a assiduidade, pode alimentar ferramentas de aprendizagem de máquina que estimam as prováveis melhorias em dor e função. Em termos simples, computadores podem ajudar médicos a selecionar os pacientes adequados para tração de extensão lombar, definir expectativas realistas e ajustar com que frequência e por quanto tempo o tratamento deve durar. Embora sejam necessários mais estudos, especialmente com seguimento mais longo e grupos de pacientes mais amplos, este estudo aponta para um futuro em que o cuidado da dor nas costas seja mais personalizado, orientado por dados e eficiente.

Citação: 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

Palavras-chave: dor lombar crônica, tração de extensão lombar, curvatura da coluna, aprendizagem de máquina na medicina, predição de tratamento