Development and Validation of a Nomogram for Predicting the Electrophysiological Response to Postpartum Pelvic Floor Rehabilitation: A Machine Learning–Enhanced Study

Resumen Técnico: Desarrollo y Validación de un Nomograma para la Predicción de la Respuesta Electrofisiológica a la Rehabilitación del Suelo Pélvico Postparto

1. Planteamiento del Problema

La disfunción del suelo pélvico (DSP) es una condición prevalente tras el parto, que a menudo se gestiona inicialmente mediante rehabilitación conservadora (p. ej., entrenamiento de los músculos del suelo pélvico, estimulación eléctrica/magnética). Aunque es eficaz para muchas mujeres, la respuesta al tratamiento es altamente heterogénea; una proporción significativa de mujeres no logra una mejora mensurable. Actualmente, no existe una herramienta de pretratamiento validada para predecir qué pacientes exhibirán una respuesta electrofisiológica positiva a la rehabilitación. Los estudios de predicción existentes suelen ser de muestras pequeñas, carecen de una validación rigurosa y no logran integrar la electrofisiología basal con factores obstétricos de rutina en un instrumento clínicamente aplicable. Además, el campo carece de evidencia sobre si los modelos complejos de aprendizaje automático (ML) ofrecen un rendimiento superior a los modelos estadísticos parsimoniosos para esta tarea específica.

2. Metodología

Este estudio de cohorte retrospectivo de centro único analizó 1,007 mujeres postparto del Hospital Popular de Jinhua (enero de 2023 – enero de 2026) que se sometieron a electromiografía de superficie (sEMG) de la pelvis pre y post-tratamiento utilizando el protocolo Glazer.

• Definición del Resultado: El resultado primario fue un indicador binario de respuesta electrofisiológica, definido como una ganancia relativa de ≥20% en la amplitud máxima de sEMG de fibras de contracción rápida. Un análisis de sensibilidad secundario utilizó un resultado de mejora absoluta (≥5 μV) para abordar el acoplamiento matemático entre los valores basales y el cambio relativo.
• Predictores: Se cribaron veinticinco predictores candidatos, que cubrían aspectos demográficos, antecedentes obstétricos, índices de sEMG basales (puntuación Glazer, contracción rápida, tónica, resistencia) y características clínicas.
• Desarrollo del Modelo:
  • Selección de Características: Los candidatos fueron cribados mediante análisis univariante y regresión logística LASSO (Least Absolute Shrinkage and Selection Operator) con validación cruzada de 10 pliegues.
  • Modelo Final: Las variables seleccionadas entraron en una regresión logística multivariable con eliminación hacia atrás. El modelo final se tradujo en un nomograma (un sistema de puntuación basado en puntos).
  • Estrategia de Validación: Se empleó un enfoque de validación riguroso de tres niveles:
    1. Interna: 200 remuestreos de bootstrap para la corrección del optimismo.
    2. Retención Aleatoria (Hold-out): Aplicación a una división aleatoria del 30% de los datos.
    3. Temporal: Reajuste con los datos de 2023–2024 y prueba con los datos de 2025–2026 para simular el despliegue prospectivo.
• Benchmarks (Puntos de Referencia): El nomograma se comparó con Random Forest, XGBoost, Support Vector Machine (SVM) y una regresión logística de todas las variables (usando los 25 predictores) para asegurar una comparación justa entre modelos simples y complejos.
• Análisis de Acoplamiento: El estudio investigó explícitamente el "acoplamiento matemático" (el artefacto donde el cambio relativo está intrínsecamente vinculado al valor basal) mediante análisis de correlación, la prueba de Olds (regresión del cambio sobre la base) y el modelo de mejora absoluta.

3. Resultados Clave

• Modelo Final: El nomograma óptimo conservó solo dos variables:
  1. Edad: Cada año adicional aumentó las probabilidades de respuesta en un 3.8% (OR 1.038).
  2. Máximo de Contracción Rápida Basal: Cada aumento de 1 μV disminuyó las probabilidades de respuesta en un 6.9% (OR 0.931).
  • Interpretación: Las mujeres más jóvenes con amplitudes de contracción rápida basales más bajas tienen más probabilidades de mostrar una mejora relativa ≥20%.
• Rendimiento:
  • Discriminación: El índice C corregido por bootstrap fue de 0.754. En el conjunto de validación temporal, el AUC fue de 0.742.
  • Comparación: El nomograma de dos variables funcionó a la par o mejor que los modelos complejos de ML (AUC de Random Forest 0.720; XGBoost 0.713; SVM 0.693). Notablemente, la regresión logística de todas las variables (25 predictores) sufrió de sobreajuste (overfitting), logrando un AUC de validación (0.697) inferior al del nomograma parsimonioso.
• Calibración: El modelo mostró una calibración adecuada (p de Hosmer–Lemeshow > 0.05) y demostró un beneficio clínico neto a través de umbrales de probabilidad de 0.2–0.8 en el Análisis de la Curva de Decisión (DCA).
• Robustez:
  • Subgrupos: La asociación inversa entre la amplitud basal y la respuesta fue consistente en los modos de parto, grupos de edad, paridad y severidad basal (sin interacciones significativas).
  • Verificación de Acoplamiento: Cuando el resultado se redefinió como mejora absoluta (≥5 μV), los predictores principales (Edad y Contracción Rápida Basal) mantuvieron su dirección y significancia estadística, aunque con tamaños de efecto atenuados. Esto confirma que la señal no es puramente un artefacto de la definición de cambio relativo.

4. Contribuciones Clave

1. Primer Nomograma de Gran Muestra: Este estudio presenta la primera herramienta de predicción de gran muestra (n > 1,000) específicamente para la respuesta electrofisiológica a la rehabilitación del suelo pélvico postparto, que requiere solo dos variables de pretratamiento rutinariamente disponibles.
2. Validación Rigurosa: Emplea una estrategia de validación de tres niveles que incluye la validación temporal, la cual simula el uso prospectivo y demuestra la transportabilidad del modelo a través del tiempo.
3. Benchmarking de Aprendizaje Automático: Proporciona una comparación justa y directa que muestra que los algoritmos complejos de ML no superan a un modelo logístico simple de dos variables, y que los modelos logísticos de variables completas son propensos al sobreajuste.
4. Interrogación del Acoplamiento Matemático: El estudio va más allá de la desestimación retórica de la dependencia basal al demostrar cuantitativamente que la señal persiste bajo una definición de mejora absoluta.

5. Significado y Afirmaciones

Los autores afirman que este nomograma de dos variables ofrece un método moderado, temporalmente robusto y bien calibrado para predecir la respuesta electrofisiológica. Su principal significancia radica en su simplicidad y utilidad clínica:

• Aplicación a pie de cama: Puede calcularse en segundos sin necesidad de software, utilizando solo la edad y una medición estándar de sEMG basal.
• Utilidad Clínica: Está destinado a apoyar el asesguramiento previo al tratamiento (tranquilizar a las pacientes con alta probabilidad de respuesta) y la planificación individualizada (identificar a pacientes con baja respuesta predicha que podrían necesitar protocolos intensificados).
• Advertencias: Los autores declaran explícitamente que el modelo predice la mejora electrofisiológica, no necesariamente el alivio de los síntomas o las ganancias en la calidad de vida, ya que los resultados reportados por las pacientes estaban mayoritariamente ausentes en el conjunto de datos. Advierten contra la interpretación del modelo como identificador de "respondedores biológicos" en un sentido de reparación tisular, recomendando estudios futuros que vinculen los cambios de sEMG con medidas de resultados reportados por pacientes (PROMs) validadas.

El estudio concluye que, si bien el modelo es un valioso complemento al juicio clínico, su generalizabilidad requiere una validación prospectiva y multicéntrica, así como la recopilación sistemática de variables obstétricas (p. ej., grado de lesión perineal) que fueron excluidas debido a la falta de datos en este estudio retrospectivo.