La Universidad de León crea la IA que anticipa quién sufrirá más por lumbalgia subaguda
La Universidad de León y su modelo de IA revolucionan el abordaje del dolor lumbar subagudo en Atención Primaria
El dolor lumbar subagudo, entre las seis y doce semanas de evolución, es una fase crítica para evitar que la molestia se cronifique y derive en discapacidad.
El dolor lumbar es hoy la principal causa de discapacidad en el mundo y, pese a su elevada prevalencia, su evolución sigue siendo imprevisible en muchos casos. En este contexto, la Universidad de León ha dado un paso estratégico: desarrollar un modelo de inteligencia artificial capaz de anticipar con alta precisión el nivel de dolor y discapacidad que experimentarán los pacientes con lumbalgia subaguda tras iniciar tratamiento.
La Universidad de León y el modelo de IA que predice la discapacidad en dolor lumbar subagudo
El estudio ha sido impulsado por los grupos Alba (Advanced Learning for Biomedical Analytics) y Salbis (Salud, Bienestar, Ingeniería y Sostenibilidad Sociosanitaria) de la Universidad de León, en colaboración con profesionales de Fisioterapia de Atención Primaria de Sacyl en Villablino y Ponferrada. Los resultados han sido publicados en febrero de 2026 en la revista científica 'BMC Medical Informatics and Decision Making', una referencia internacional en informática médica y toma de decisiones clínicas.
La investigación se centró en 92 pacientes del sistema público de Castilla y León con dolor lumbar de entre seis y doce semanas de evolución. Esta franja temporal es clave: no se trata de un episodio agudo leve que se resuelve espontáneamente, pero tampoco de una lumbalgia crónica consolidada. Es el punto de inflexión. El momento en el que una intervención adecuada puede evitar meses o años de limitación funcional.
Para construir el modelo predictivo, el equipo recopiló información clínica y psicosocial en tres fases: en la primera sesión de fisioterapia, en el momento del alta y en un seguimiento telefónico tres meses después. Con esos datos entrenaron distintos algoritmos de aprendizaje automático con el objetivo de clasificar el nivel futuro de discapacidad y dolor.
El modelo que ofreció mejores resultados fue un árbol de decisión, una herramienta especialmente valorada en entornos sanitarios por su transparencia. Tras ajustar el desequilibrio entre categorías, logró una precisión del 81 % en la predicción de la discapacidad a los tres meses. En términos clínicos, esta cifra marca un antes y un después.
Dolor lumbar subagudo y Universidad de León: las variables que cambian el pronóstico
Uno de los hallazgos más reveladores del trabajo es que la intensidad del dolor inicial fue el principal predictor de la discapacidad futura. A su vez, el nivel de discapacidad con el que el paciente acudía a consulta resultó ser el mejor indicador del dolor posterior. La explicación más simple y contundente: cómo llegas condiciona cómo evolucionas.
Además de estos factores clínicos, el modelo identificó como determinantes variables psicosociales como la autoeficacia (la confianza del paciente para desenvolverse pese al dolor), la kinesiofobia (el miedo al movimiento por temor a empeorar) y el riesgo psicosocial medido con herramientas estandarizadas. Es decir, el componente emocional y conductual pesa tanto como el físico.
En cambio, la edad y el sexo tuvieron una influencia mínima en los resultados. Este dato refuerza una idea que cada vez gana más respaldo científico: el dolor lumbar no depende tanto de quién eres, sino de cómo afrontas y experimentas el proceso.
La Universidad de León y el impacto del modelo de IA en la sanidad pública
El potencial de esta herramienta es especialmente relevante para la Atención Primaria. El modelo se basa en datos que ya se recogen de manera rutinaria en consulta, lo que facilita su integración en las historias clínicas electrónicas sin necesidad de complejas infraestructuras adicionales.
Esto permitiría a los fisioterapeutas detectar de forma temprana a pacientes con mayor riesgo de mala evolución, priorizar recursos y diseñar intervenciones personalizadas.
El uso de árboles de decisión, en lugar de modelos opacos, facilita además la confianza de los profesionales sanitarios, que pueden comprender qué variables están influyendo en cada clasificación.
El equipo investigador reconoce, no obstante, ciertas limitaciones. La muestra es relativamente reducida y procede de una única área sanitaria, por lo que será necesario validar externamente el modelo en otras regiones y con poblaciones más amplias. Futuras líneas de trabajo podrían incorporar nuevas variables, como características específicas del tratamiento o datos procedentes de sensores digitales.
Lo que sí parece claro es que estamos ante un avance que encaja con la transformación digital de la sanidad.