La Universidad de León crea un modelo de IA que predice la discapacidad en el dolor lumbar subagudo
Predecir gracias a la Inteligencia Artificial el dolor que tendrán los pacientes de lumbalgia subaguda es el logro obtenido por investigadores de la Universidad de León. El trabajo al que ha tenido acceso la Agencia EFE ha sido recientemente publicado en la revista BMC Medical Informatics and Decision Making y abre la puerta a herramientas de apoyo clínico que permitan detectar de forma temprana a las personas con peor pronóstico y adaptar su atención.
El estudio, firmado por investigadores de los grupos Alba [Advanced Learning for Biomedical Analytics, en español Aprendizaje avanzado en anaLítica BiomédicA] y Salbis (Salud Bienestar Ingeniería y Sostenibildad Sociosanitaria) de la Universidad Legionense junto a profesionales asistenciales de Villablino y Ponferrada, analizó a 92 pacientes atendidos en la sanidad pública de Castilla y León con dolor lumbar de entre seis y doce semanas de evolución, una fase considerada clave para evitar que la molestia se cronifique.
Según recuerda el artículo, el dolor lumbar es la principal causa de discapacidad en el mundo y afecta a cientos de millones de personas.
La etapa subaguda es especialmente crítica: no se trata ya del episodio leve que suele remitir solo, pero aún se está a tiempo de evitar que se convierta en un problema persistente de gran impacto social, laboral y sanitario.
Los investigadores recopilaron información clínica y psicosocial de cada participante en tres momentos: la primera sesión de fisioterapia, el alta y un seguimiento telefónico tres meses después.
Con esos datos entrenaron varios algoritmos de aprendizaje automático para intentar clasificar el nivel futuro de discapacidad y dolor, tanto tras el tratamiento como en el medio plazo.
El modelo que mejor resultado obtuvo fue un árbol de decisión, una herramienta de inteligencia artificial especialmente interpretable y útil para contextos clínicos.
Con la combinación de todas las variables disponibles y tras ajustar el desequilibrio entre categorías, alcanzó una precisión del 81 % en la predicción de la discapacidad a los tres meses.
El análisis de relevancia de variables arrojó además una conclusión que los autores consideran de gran importancia práctica: el mejor predictor de la discapacidad futura fue la intensidad del dolor inicial, mientras que el mejor predictor del dolor posterior fue el nivel de discapacidad con el que el paciente llegaba a consulta.
A estos parámetros les siguieron factores psicosociales como la autoeficacia (confianza del paciente para desenvolverse a pesar del dolor), la kinesiofobia (miedo al movimiento) o el riesgo psicosocial medido por herramientas estandarizadas.
Por el contrario, la edad y el sexo mostraron mínima influencia en los resultados, lo que refuerza la idea de que el perfil clínico y emocional pesa más que los factores demográficos.
Implicaciones para la sanidad pública
Los investigadores subrayan que al basarse en datos que ya se recogen de forma rutinaria en Atención Primaria este tipo de modelos tiene un potencial real para integrarse en las historias clínicas electrónicas y ayudar a los fisioterapeutas a priorizar recursos, detectar pacientes en riesgo de mala evolución y diseñar intervenciones personalizadas.
El trabajo destaca también que el uso de modelos simples e interpretables (como los árboles de decisión) facilita su adopción por parte de los profesionales, al permitir comprender por qué el sistema recomienda una u otra clasificación.
Aunque los resultados son prometedores, el equipo reconoce varias limitaciones: el tamaño de la muestra es reducido, todos los pacientes proceden de un único área sanitaria y aún no se ha realizado una validación externa en otras regiones o sistemas de salud.
Futuras investigaciones deberían incorporar muestras más amplias y variables adicionales, como características del tratamiento o datos recogidos por sensores.
Referencia: José Alberto Benítez-Andrades, Luis Laballos-González, Lorena Pujante-Otalora, Sonia Nieto-Marcos, Arrate Pinto-Carral & María José Álvarez-Álvarez — 'Machine learning-based prediction of disability in subacute low back pain: a primary care study on clinical and psychosocial determinants'. Revista BMC Medical Informatics and Decision Making (febrero de 2026) | DOI: 10.1186/s12911-026-03384-6.