Video Experimental Relacionado
Updated: Feb 23, 2026
Biomechanical Changes Related to Low Back Pain: An Innovative Tool for Movement Pattern Assessment and Treatment Evaluation in Rehabilitation
Published on: December 13, 2024
Predicción de la discapacidad basada en el aprendizaje automático en el dolor lumbar subagudo: un estudio de atención
José Alberto Benítez-Andrades1, Luis Laballos-González2, Lorena Pujante-Otalora2
1Advanced Learning for Biomedical Analytics (ALBA) Laboratory, Escuela de Ingenierías Industrial, Informática y Aeroespacial, Universidad de León, Campus de Vegazana s/n, León, 24071, Spain. jbena@unileon.es.
El aprendizaje automático predice con precisión la discapacidad funcional y el dolor en pacientes con dolor lumbar subagudo (LBP, por sus siglas en inglés). Los modelos de árboles de decisión que utilizan datos clínicos y psicosociales ayudan a la estratificación temprana del riesgo para la atención primaria personalizada.
Área de la Ciencia:
- La informática biomédica es la informática biomédica.
- La informática clínica es la informática clínica.
- La medicina de la rehabilitación es una medicina de rehabilitación.
Sus antecedentes:
- El dolor lumbar subagudo (LBP) es una causa generalizada de discapacidad y costos de atención médica.
- La identificación temprana de las personas en riesgo de recuperación funcional deficiente es crucial para la atención primaria.
- Las aplicaciones de aprendizaje automático para predecir los resultados de LBP siguen siendo poco exploradas.
Objetivo del estudio:
- Desarrollar y evaluar modelos de aprendizaje automático para predecir la discapacidad funcional y la intensidad del dolor en pacientes con LBP subaguda.
- Identificar los principales predictores clínicos y psicosociales de los resultados de la LBP.
- Evaluar el potencial de estos modelos en entornos de fisioterapia de atención primaria.
Principales métodos:
- Estudio observacional prospectivo de 92 pacientes adultos con LBP subaguda.
- Las evaluaciones iniciales incluyeron discapacidad, intensidad del dolor, autoeficacia, miedo al movimiento y riesgo psicosocial.
- Se utilizaron los clasificadores Gaussian Naive Bayes, Complement Naive Bayes, k-Nearest Neighbors y árbol de decisión.
- Los modelos fueron entrenados en conjuntos de características intrínsecas, extrínsecas y combinadas, con y sin técnicas de sobremostración.
Principales resultados:
- El clasificador de árboles de decisión con un conjunto de características combinadas logró la mayor precisión (0,81) y puntaje F1 (0,80).
- La intensidad del dolor basal predijo la discapacidad, mientras que la discapacidad basal predijo la intensidad del dolor.
- Los factores psicosociales (autoeficacia, kinesiofobia, riesgo psicosocial) tuvieron un valor predictivo moderado; la edad y el sexo tuvieron un impacto mínimo.
Conclusiones:
- Los modelos de aprendizaje automático, especialmente los árboles de decisión, pueden predecir con precisión la discapacidad funcional y el dolor en la LBP subaguda.
- Estos modelos utilizan datos clínicos y psicosociales recopilados de forma rutinaria.
- Los hallazgos apoyan el desarrollo de herramientas de apoyo a la decisión clínica para la fisioterapia personalizada de atención primaria.
