THE ROLE OF THE LUMBAR PARAVERTEBRAL MUSCLES IN THE DEVELOPMENT OF SHORT-TERM RESIDUAL PAIN AFTER LUMBAR FUSION SURGERY

Study Design: Retrospective real-world study.

Objective: To identify risk factors for residual pain following posterior lumbar interbody fusion (PLIF) using machine learning models.

Methods: A total of 936 patients with degenerative lumbar spine disease who underwent PLIF were divided into two groups based on the duration of residual pain (VAS ≥ 3 for ≥ 7 days vs. < 7 days). Paravertebral muscle parameters, anxiety levels, and radiographic features were analyzed via logistic regression and machine learning (Random Forest, SVM, etc.).

Results: Residual pain was observed in 46.5% of patients. Independent risk factors included: surgical segment number, psoas muscle index (PMI), multifidus muscle index (MMI), and preoperative anxiety. The Random Forest model predicted residual pain with 95.7% accuracy, 96.4% sensitivity, and 94.1% specificity.

Conclusion: Poor paravertebral muscle quality and high anxiety levels are strong predictors of early postoperative residual pain. These factors may be useful for preoperative stratification and perioperative planning.

Se identificaron como factores de riesgo independientes el número de niveles fusionados, el índice de masa muscular del psoas (PMI), el del multífido (MMI), y el grado de ansiedad preoperatoria. Un mayor índice de mejora de la lordosis lumbar también se asoció a más dolor residual en el postoperatorio inmediato. El modelo Random Forest mostró una capacidad predictiva robusta, con un AUC cercano al 96%. Nota: La principal limitación del estudio es su diseño retrospectivo y en un solo centro, que puede limitar la generalización de los resultados.

Este trabajo refuerza el valor clínico de evaluar la calidad muscular paravertebral y el estado emocional antes de la cirugía de columna. Identificar pacientes con baja masa muscular y ansiedad preoperatoria permite adaptar el plan quirúrgico y la rehabilitación temprana. La integración de modelos predictivos como Random Forest podría facilitar decisiones personalizadas y mejorar el pronóstico funcional tras una PLIF.

Este estudio analiza la prevalencia y predictores de dolor lumbar residual en el primer mes tras cirugía de artrodesis lumbar intersomática (PLIF). Destaca por integrar variables musculares y psicológicas, poco estudiadas hasta la fecha, y por usar modelos predictivos basados en inteligencia artificial para mejorar la precisión predictiva.