Un nuevo estudio liderado por la Universidad de León demuestra que modelos de inteligencia artificial pueden predecir la evolución del dolor y la discapacidad en pacientes con dolor lumbar subagudo, combinando datos clínicos y factores psicológicos. Este avance abre la puerta a tratamientos más personalizados y decisiones clínicas más precisas en atención primaria.
¿Por qué es importante el dolor lumbar?
El dolor lumbar es una de las principales causas de discapacidad en el mundo, afectando a cientos de millones de personas y generando un enorme impacto en los sistemas sanitarios.
Especialmente relevante es la fase subaguda (entre 6 y 12 semanas), ya que representa una ventana crítica en la que se puede evitar que el dolor se vuelva crónico.
El reto: anticipar qué pacientes evolucionarán peor
No todos los pacientes evolucionan igual, incluso siguiendo tratamientos similares. Factores como:
- la intensidad del dolor,
- el nivel de discapacidad,
- o aspectos psicológicos como el miedo al movimiento,
influyen de forma significativa en la recuperación.
El problema es que estos factores interactúan de forma compleja, lo que dificulta su análisis con métodos tradicionales.
La solución: modelos de inteligencia artificial
En este estudio se analizaron datos de 92 pacientes en atención primaria, recogidos en condiciones reales de práctica clínica.
Se aplicaron distintos modelos de machine learning, como:
- Decision Trees
- k-Nearest Neighbors
- Naive Bayes
El objetivo: predecir la evolución del dolor y la discapacidad al alta y a los 3 meses.
Resultados clave
Los resultados muestran que la IA puede ser una herramienta útil en este contexto:
- El modelo Decision Tree alcanzó una precisión del 81 %, con un F1-score de 0.80.
- Los factores más importantes fueron:
- el dolor inicial,
- la discapacidad inicial,
- y variables psicológicas como la autoeficacia o el miedo al movimiento.
- Variables como la edad o el sexo tuvieron poca relevancia predictiva.
Además, los modelos permiten clasificar a los pacientes en diferentes niveles de riesgo, facilitando una mejor toma de decisiones clínicas.
¿Qué significa esto en la práctica?
Este trabajo demuestra que es posible:
- Identificar de forma temprana a pacientes con mayor riesgo de mala evolución
- Adaptar los tratamientos de forma personalizada
- Optimizar recursos en atención primaria
- Avanzar hacia sistemas de soporte a la decisión clínica basados en datos
Más allá de este estudio
Uno de los aspectos más relevantes es que el modelo utiliza datos rutinarios, lo que facilita su futura integración en sistemas clínicos reales, como las historias clínicas electrónicas.
Además, el enfoque es interpretable, algo clave para que los profesionales sanitarios confíen en estas herramientas.
Publicación científica
Este trabajo ha sido publicado en la revista BMC Medical Informatics and Decision Making.
🔗 Acceso al artículo completo:
https://albalab.eu/paper2601
