Impacto del estado nutricional y del metabolismo hueso-músculo anormal en el dolor lumbar crónico después de una cirugía de descompresión lumbar: un estudio de modelo predictivo multicéntrico basado en parámetros de los músculos paraespinales

Objetivo: Este estudio tuvo como objetivo investigar las asociaciones del estado nutricional preoperatorio, las anomalías metabólicas hueso-músculo y la degeneración de los músculos paraespinales con el dolor lumbar crónico (CLBP) después de una cirugía de descompresión lumbar. Se desarrolló un modelo predictivo multicéntrico para mejorar la estratificación del riesgo preoperatorio, permitir la identificación temprana de pacientes de alto riesgo y respaldar el manejo perioperatorio individualizado.

Métodos: Se inscribieron retrospectivamente un total de 2.333 pacientes sometidos a cirugía de descompresión endoscópica biportal unilateral (UBE) en cinco centros. La cohorte se dividió en un conjunto de entrenamiento, un conjunto de validación interna y un conjunto de prueba externo. Se recogieron características demográficas, variables de laboratorio y parámetros de imagen de los músculos paraespinales. Se realizó un análisis de regresión logística multivariable para identificar factores independientes asociados con CLBP posoperatorio. A partir de las variables seleccionadas se desarrollaron múltiples modelos de aprendizaje automático. El rendimiento del modelo se evaluó mediante análisis de características operativas del receptor (ROC), curvas de calibración y análisis de curvas de decisión. Además, se realizaron análisis de interpretabilidad del modelo para evaluar las contribuciones de variables clave a las predicciones.

Resultados: El análisis de regresión logística multivariable identificó la edad, la albúmina (Alb), el calcio (Ca), la fosfatasa alcalina (ALP), el índice del músculo psoas (PMI), la infiltración de grasa multifidus (MF FI) y la infiltración de grasa del erector de la columna (ES FI) como factores independientes asociados con CLBP posoperatorio. Entre los modelos predictivos, los modelos de aprendizaje automático mostraron una mejor discriminación que el modelo de regresión logística tradicional. Este hallazgo sugiere que el aprendizaje automático puede ser más eficaz para capturar relaciones complejas no lineales asociadas con el CLBP posoperatorio. El modelo ExtraTrees mostró el mejor rendimiento, con valores de área bajo la curva (AUC) de 0,834 en el conjunto de validación interna y 0,816 en el conjunto de prueba externo. Estos valores fueron superiores a los del modelo de regresión logística. El modelo también mostró una buena calibración, con puntuaciones de Brier de 0,168 y 0,171 en los conjuntos de pruebas de validación interna y externa, respectivamente, y proporcionó un beneficio clínico neto estable. Un análisis más detallado mostró que la edad, el PMI y la infiltración de grasa del músculo paraespinal fueron los predictores más importantes de CLBP posoperatorio. Posteriormente se desarrolló una calculadora basada en web para mejorar la aplicabilidad clínica del modelo.

Conclusión: La insuficiencia nutricional preoperatoria, las anomalías metabólicas hueso-músculo y la degeneración de los músculos paraespinales se asociaron estrechamente con CLBP después de la cirugía de descompresión lumbar. Un modelo predictivo que integra estos factores mostró una buena capacidad discriminativa para predecir el riesgo de dolor posoperatorio. La evaluación preoperatoria basada en estas variables puede ayudar a identificar a los pacientes de alto riesgo en una etapa temprana. También puede guiar estrategias para la optimización nutricional, el manejo del metabolismo hueso-músculo y la rehabilitación perioperatoria, apoyando así la atención perioperatoria individualizada.