Un estudio multicéntrico sobre el modelo de predicción del dolor lumbar crónico después de una cirugía de descompresión lumbar en pacientes con diabetes mellitus: integración de las características metabólicas y de los músculos paraespinales

Objetivo: Basado en datos clínicos multicéntricos, este estudio tuvo como objetivo desarrollar y validar un modelo predictivo para el dolor lumbar crónico (CLBP) después de una cirugía de descompresión lumbar en pacientes con diabetes mellitus y hernia de disco lumbar. El modelo integró indicadores metabólicos y características derivadas de imágenes de los músculos paraespinales.

Métodos: Este estudio fue diseñado como un estudio de cohorte retrospectivo multicéntrico. Se incluyeron un total de 2.776 pacientes con diabetes mellitus y hernia de disco lumbar. Todos los pacientes se sometieron a descompresión endoscópica biportal unilateral (UBE) entre enero de 2021 y diciembre de 2024 en seis centros médicos. El CLBP posoperatorio se definió como dolor lumbar o lumbosacro persistente o recurrente que dura más de seis meses después de la cirugía. Se utilizó una puntuación de la escala visual analógica (EVA) superior a 4 como umbral para la evaluación de resultados. Se excluyó a los pacientes si el dolor posoperatorio podía atribuirse a complicaciones estructurales o patología recurrente. También se excluyeron los pacientes con condiciones psiquiátricas o psicosociales graves que pudieran afectar la fiabilidad de la evaluación del dolor. Se utilizaron datos de cuatro centros para el desarrollo del modelo y la validación interna, mientras que los dos centros restantes sirvieron como cohortes de validación externa independientes. Se integraron variables clínicas, hallazgos de laboratorio y parámetros de imágenes para desarrollar múltiples modelos predictivos basados ​​en aprendizaje automático. El rendimiento del modelo se evaluó en función de la discriminación, la calibración y el beneficio clínico neto. Además, se realizó un análisis de spline cúbico restringido (RCS) para evaluar posibles relaciones no lineales entre variables continuas clave y el riesgo de CLBP posoperatorio. Se utilizaron explicaciones aditivas de Shapley (SHAP) y explicaciones independientes del modelo interpretable local (LIME) para interpretar las predicciones del modelo tanto a nivel global como individual.

Resultados: Entre los modelos individuales, el algoritmo ExtraTrees logró el rendimiento discriminativo más alto en la cohorte de validación (AUC = 0,855) y mostró un rendimiento estable en las dos cohortes de validación externa. Sin embargo, su sensibilidad (0,413) y su puntuación F1 (0,531) se mantuvieron relativamente bajos. Después de una evaluación exhaustiva de la discriminación, el rendimiento de la clasificación y la calibración, se seleccionó como modelo final un modelo de conjunto de apilamiento que combina XGBoost, redes neuronales artificiales (ANN) y análisis discriminante lineal (LDA) debido a su rendimiento general más equilibrado. En la cohorte de validación, este modelo logró un AUC de 0,838, ligeramente inferior al de ExtraTrees. Sin embargo, demostró mejoras sustanciales en la sensibilidad, la puntuación F1 y la precisión del 43,8 %, 24,7 % y 4,9 %, respectivamente, junto con un mejor rendimiento de la calibración (puntuación de Brier = 0,146). El análisis de la curva de decisión demostró un beneficio clínico neto estable en toda la cohorte de validación y en ambas cohortes de validación externa. El análisis RCS reveló asociaciones no lineales significativas entre el riesgo de CLBP posoperatorio y la edad, la glucemia al ingreso, la hemoglobina glucosilada, el índice del músculo psoas, la infiltración de grasa multífida, la albúmina, la fosfatasa alcalina y el calcio sérico. Los análisis SHAP y LIME identificaron el grado de degeneración del disco intervertebral, la edad, el índice del músculo psoas, la glucosa en sangre al ingreso y la infiltración de grasa del músculo paraespinal como los predictores más importantes en el modelo.

Conclusión: Este estudio multicéntrico desarrolló y validó externamente un modelo predictivo para CLBP posoperatorio utilizando datos clínicos y de imágenes integrados. El modelo demostró buena capacidad discriminativa e interpretabilidad. Puede ser útil para estimar el riesgo de CLBP después de una cirugía de descompresión lumbar en pacientes con diabetes mellitus. Las anomalías metabólicas y las características relacionadas con la degeneración del músculo paraespinal contribuyeron sustancialmente a las predicciones del modelo, lo que sugiere una asociación estadística con el desarrollo de dolor crónico posoperatorio. El modelo puede respaldar la estratificación individualizada del riesgo, el seguimiento posoperatorio y la planificación de la rehabilitación. Sin embargo, dada su sensibilidad limitada, se requiere una validación adicional en estudios prospectivos antes de su aplicación clínica.