Introducción

La restauración del alineamiento sagital es un objetivo central en la cirugía de la deformidad espinal del adulto (ASD), ya que se asocia directamente con mejores resultados clínicos y menor incidencia de complicaciones mecánicas. Sin embargo, las estrategias actuales de realineación muestran resultados heterogéneos debido a la variabilidad poblacional y al uso de criterios empíricos. La incidencia pélvica (IP), por su carácter constante a lo largo de la degeneración espinal, se perfila como un biomarcador clave para estimar la morfología sagital ideal. Este estudio propone un enfoque objetivo mediante aprendizaje automático no supervisado para clasificar la alineación sagital normal y derivar criterios quirúrgicos personalizados.

Métodos

Se realizó un estudio transversal en 635 adultos chinos asintomáticos de mediana y avanzada edad, utilizando radiografías panorámicas de columna completa y 21 parámetros sagitales espinopélvicos. Se aplicó análisis de componentes principales seguido de clustering k-means para identificar subtipos morfológicos sagitales. Posteriormente, se desarrollaron clasificadores basados en IP y modelos de aprendizaje automático (KNN, random forest y redes neuronales). Para validar clínicamente los criterios de corrección derivados, se analizó una cohorte retrospectiva de 103 pacientes con ASD sometidos a cirugía de realineación, comparando complicaciones mecánicas y resultados clínicos entre grupos restaurados y no restaurados.

Resultados

El análisis identificó cuatro subtipos morfológicos sagitales claramente diferenciados, con la IP como el parámetro de mayor variabilidad intersubtipo. Se establecieron puntos de corte específicos de IP para clasificar cada subtipo. La lordosis lumbar fue identificada como el principal objetivo quirúrgico corregible y se definieron rangos normativos dependientes de la IP mediante modelos de regresión. En la cohorte de validación, los pacientes cuya corrección quirúrgica cumplió con los criterios propuestos presentaron una incidencia significativamente menor de cifosis de unión proximal, reintervenciones y reingresos no programados, así como mejores resultados reportados por los pacientes.

Discusión

La clasificación propuesta amplía y refina modelos previos como la clasificación de Roussouly, al integrar parámetros globales, apicales y puntos de inflexión, y al basarse en un enfoque completamente objetivo mediante aprendizaje automático. El uso de la IP como variable central permite una estimación retrospectiva fiable de la alineación fisiológica ideal, incluso en presencia de degeneración. Este enfoque supera limitaciones de otros sistemas de corrección sagital que no logran reducir simultáneamente complicaciones mecánicas y mejorar resultados clínicos.

Conclusión

La aplicación de aprendizaje automático no supervisado permitió identificar cuatro subtipos morfológicos sagitales en adultos asintomáticos y desarrollar criterios de corrección quirúrgica dependientes de la incidencia pélvica. Estos criterios se asociaron con mejores resultados clínicos y menor tasa de complicaciones mecánicas tras cirugía de deformidad espinal del adulto, ofreciendo una herramienta práctica y personalizada para la planificación quirúrgica.

Palabras clave

Alineación sagital; incidencia pélvica; deformidad espinal del adulto; aprendizaje automático; clustering no supervisado; lordosis lumbar; complicaciones mecánicas; resultados clínicos.

Frase clave

El alineamiento sagital puede optimizarse al clasificar la morfología espinal por incidencia pélvica mediante aprendizaje automático, reduciendo complicaciones mecánicas y mejorando resultado

Pelvic Incidence-Dependent Clustering of Sagittal Spinal Alignment in Asymptomatic Middle-Aged and Elderly Adults: A Machine Learning Approach – PubMed
Pelvic Incidence-Dependent Clustering of Sagittal Spinal Alignment in Asymptomatic Middle-Aged and Elderly Adults: A Machine Learning Approach – PMC
Spine
Wang Q, Wang D, Li X, Zhu W, Cui P, Wang Z, Wang W, Wang JC, Chen X, Lu S. Pelvic Incidence-Dependent Clustering of Sagittal Spinal Alignment in Asymptomatic Middle-Aged and Elderly Adults: A Machine Learning Approach. Spine (Phila Pa 1976). 2025 Dec 15;50(24):1715-1727. doi: 10.1097/BRS.0000000000005441. Epub 2025 Jun 24. PMID: 40552510; PMCID: PMC12637105.