BackTracker: Aprendizaje automático para identificar fenotipos cinemáticos para la gestión personalizada del...

Área de la Ciencia:

• Ingeniería Biomédica
• Ciencia de la Rehabilitación
• Inteligencia Artificial en la Atención Sanitaria

Sus antecedentes:

• El dolor lumbar (DL) es una discapacidad global importante, y la mayoría de los casos son inespecíficos (DLIN) y carecen de causas claras.
• Las directrices clínicas actuales recomiendan el manejo activo temprano para el DLIN, pero la prescripción de ejercicios individualizada está limitada por la variabilidad de las alteraciones y la complejidad de los sistemas de clasificación existentes.
• La atención oportuna y personalizada para el DLIN se ve obstaculizada por los largos procedimientos de evaluación y la necesidad de una amplia formación clínica en los métodos de diagnóstico actuales.

Objetivo del estudio:

• Desarrollar y validar un modelo de Inteligencia Artificial (IA) para identificar las dos alteraciones de control motor (MCI) más comunes en el dolor lumbar inespecífico (DLIN): patrón de flexión (PF) y patrón de extensión (PE).
• Utilizar siluetas espinales extraídas de vídeos de movimiento para la auto-fenotipación y para guiar la selección de ejercicios personalizados para pacientes con DLIN.
• Evaluar la precisión diagnóstica y la solidez del modelo de IA en la clasificación del DLIN en función de los patrones de control motor.

Principales métodos:

• Se reclutaron noventa participantes con DLIN, clasificados por un fisioterapeuta experto en MCI de PF o PE.
• Los participantes realizaron tareas estándar de flexión hacia adelante y hacia atrás, y los movimientos se registraron mediante vídeo en el plano sagital.
• Se emplearon técnicas de estimación de pose y segmentación de instancias para extraer características de movimiento y siluetas espinales, que luego se utilizaron para entrenar una red neuronal feedforward.

Principales resultados:

• El modelo de IA logró una alta precisión diagnóstica del 91,91 % para los movimientos de flexión hacia atrás, superando las tasas de fiabilidad interexaminador de fisioterapeutas capacitados.
• El modelo demostró solidez con un Área bajo la curva (AUC) media de 0,9422.
• La precisión de la clasificación fue menor para las imágenes de flexión hacia adelante (86,69 %) y las tareas combinadas (86,29 %), y las medidas de resultados informadas por el paciente (PROMs) por sí solas arrojaron solo un 63,82 % de precisión.

Conclusiones:

• El modelo de IA diferencia de manera confiable entre los subgrupos de DLIN con PF y PE, lo que resalta su potencial para respaldar estrategias de rehabilitación rápidas y personalizadas.
• La integración de PROMs con características de movimiento no mejoró significativamente la precisión de la clasificación, lo que sugiere un valor añadido limitado para la adaptación de ejercicios cuando las alteraciones físicas son el enfoque principal.
• El análisis impulsado por IA de los patrones de movimiento ofrece una vía prometedora para la fenotipación objetiva y la selección personalizada de ejercicios en el manejo del DLIN.