AI tools for enhanced follow-up of patients with low-back pain

Chronic low back pain (LBP) is a leading global cause of disability. Its effective management is complicated by a persistent clinical gap in which objective imaging findings are often weakly aligned with patients’ subjective experiences, limiting the delivery of personalized, biopsychosocial care. This dissertation addresses this challenge by proposing and systematically evaluating an integrative artificial intelligence (AI) framework designed to combine spine imaging analysis with patient-reported outcome measures (PROMs) into clinically meaningful decision support. The research makes five primary contributions. First, it introduces a modular architectural framework for multimodal integration that emphasizes explainability, clinician oversight, and human-in-the-loop governance. A proof-of-concept evaluation involving radiologists suggests that such integration can improve workflow efficiency and inform treatment prioritization in selected clinical scenarios. Second, the dissertation advances automated imaging analysis through LumbarAI, a multi-view transformer-based model incorporating curriculum learning for the grading of eleven lumbar spinal pathologies. Third, it establishes a methodological approach for patient phenotyping using unsupervised clustering to derive clinically interpretable patient groups from combined imaging and psychosocial data. The resulting patterns provide empirical support for the biopsychosocial model by revealing meaningful heterogeneity in pain-related presentation that is not fully explained by structural MRI findings alone. Fourth, this analysis highlights coping-related psychosocial factors, particularly Avoidance and Positive Attitude, as influential maladaptive and adaptive coping strategies associated with patient stratification. Fifth, to facilitate clinical translation, the dissertation develops a parsimonious predictive model aimed at reducing assessment burden while preserving discriminative capability. Building on the full variable clustering framework, a simplified four-variable model was derived based on statistical relevance, clinical interpretability, and feasibility. This model demonstrated strong predictive performance and enabled the formulation of transparent decision rules and a risk-scoring scheme suitable for early screening and stratified intervention. By progressing from critical validation of existing imaging technologies, through the development of an improved core imaging model, to the principled integration of psychosocial data, this dissertation offers both a technical foundation and a clinical roadmap. It demonstrates how AI can support the integration of structural, functional, and psychosocial information while preserving clinician agency, contributing to more holistic, evidence-informed, and patient-centered spine care.

La lombalgia cronica è una delle principali cause di disabilità a livello globale. La sua gestione è complicata da un persistente divario clinico, in cui i risultati oggettivi delle immagini diagnostiche risultano spesso debolmente allineati con l’esperienza soggettiva dei pazienti, limitando l’erogazione di cure personalizzate di tipo biopsicosociale. Questa tesi affronta tale sfida proponendo e valutando sistematicamente un quadro integrativo di intelligenza artificiale (IA) progettato per combinare l’analisi delle immagini della colonna vertebrale con le misure degli esiti riferiti dai pazienti in un supporto decisionale clinicamente significativo. La ricerca apporta cinque contributi principali. In primo luogo, introduce un quadro architetturale modulare per l’integrazione multimodale, che enfatizza la spiegabilità, la supervisione clinica e la governance human-in-the-loop. Una valutazione proof-of-concept con radiologi suggerisce potenziali miglioramenti nell’efficienza del flusso di lavoro e nella prioritizzazione terapeutica in specifici scenari clinici. In secondo luogo, la tesi avanza l’analisi automatizzata delle immagini attraverso LumbarAI, un modello multi-vista basato su architetture transformer per la valutazione di undici patologie della colonna lombare. In terzo luogo, viene definito un approccio metodologico per la fenotipizzazione dei pazienti mediante clustering non supervisionato, finalizzato all’identificazione di gruppi clinicamente interpretabili a partire da dati di imaging e variabili psicosociali. I risultati forniscono supporto empirico al modello biopsicosociale, evidenziando una variabilità clinica non pienamente spiegata dai soli reperti strutturali della risonanza magnetica. In quarto luogo, l’analisi evidenzia il ruolo di fattori psicosociali legati alle strategie di coping, in particolare l’evitamento e l’atteggiamento positivo, quali dimensioni disadattive e adattive associate alla stratificazione dei pazienti. Infine, per favorire la traduzione clinica, la tesi sviluppa un modello predittivo semplificato volto a ridurre il carico valutativo mantenendo una solida capacità discriminatoria. A partire dal modello multimodale completo, è stato derivato un modello a quattro variabili, selezionate in base alla rilevanza statistica, all’interpretabilità clinica e alla fattibilità, che consente la definizione di regole decisionali trasparenti e di uno schema di valutazione del rischio per lo screening precoce e l’intervento stratificato. Nel complesso, questa tesi fornisce una base tecnica e una roadmap clinicamente fondata, dimostrando come l’intelligenza artificiale possa supportare l’integrazione di informazioni strutturali, funzionali e psicosociali, preservando l’autonomia decisionale del clinico e contribuendo a una cura della lombalgia più olistica, basata su evidenze scientifiche e incentrata sul paziente.