Los déficits posturales como la hiperlordosis (espalda hueca) o la hipercifosis (joroba) son problemas de salud relevantes. Los diagnósticos dependen de la experiencia del examinador y, por lo tanto, suelen ser subjetivos y propensos a errores. Los métodos de aprendizaje automático (ML) en combinación con herramientas de inteligencia artificial explicables (XAI) han demostrado ser útiles para proporcionar una orientación objetiva basada en datos. Sin embargo, solo unos pocos trabajos han considerado parámetros posturales, dejando aún sin explorar el potencial de interpretaciones XAI más amigables para los humanos. Por lo tanto, el presente trabajo propone un sistema de ML objetivo y basado en datos para el apoyo a decisiones médicas que permite interpretaciones especialmente amigables para los humanos utilizando explicaciones contrafactuales (CFs). Los datos posturales de 1151 sujetos fueron registrados mediante estereofotogrametría. Se realizó inicialmente una clasificación basada en expertos de los sujetos con respecto a la presencia de hiperlordosis o hipercifosis. Utilizando un clasificador de progreso gaussiano, los modelos fueron entrenados e interpretados utilizando CFs. Los errores de etiquetado fueron señalados y reevaluados utilizando aprendizaje confiable. Se encontraron muy buenos rendimientos de clasificación tanto para hiperlordosis como para hipercifosis, donde la reevaluación y corrección de las etiquetas de prueba llevaron a una mejora significativa (M = 0.97). Una evaluación estadística mostró que los CFs parecían ser plausibles en general. En el contexto de la medicina personalizada, el enfoque del presente estudio podría ser importante para reducir errores diagnósticos y, por lo tanto, mejorar la adaptación individual de medidas terapéuticas. Asimismo, podría ser la base para el desarrollo de aplicaciones para la evaluación preventiva de la postura.