La osteoartritis de rodilla afecta a más de 650 millones de pacientes en todo el mundo. La artroplastia total de rodilla está dirigida a la osteoartritis en etapa terminal para aliviar los síntomas de dolor, rigidez y movilidad reducida. Sin embargo, el papel de las modalidades de imagen en el monitoreo de la progresión sintomática de la enfermedad sigue siendo incierto. Este estudio tuvo como objetivo comparar modelos de aprendizaje automático (ML), con y sin características de imagen, en la predicción de la puntuación de dos años del Índice de Artritis de Western Ontario y McMaster Universities (WOMAC) para pacientes con osteoartritis de rodilla. Incluimos 2408 pacientes de la base de datos de la Iniciativa de la Osteoartritis (OAI), con 629 pacientes de la base de datos del Estudio Multicéntrico de Osteoartritis (MOST). El conjunto de datos clínicos incluyó 18 características clínicas, mientras que el conjunto de datos de imagen contenía 10 características adicionales de imagen. La Diferencia Clínicamente Importante Mínima (MCID) se estableció en 24, reflejando una discapacidad física significativa. Los modelos de conjunto de datos clínicos e imagen produjeron puntuaciones de área bajo la curva (AUC) similares, resaltando bajas diferencias en el rendimiento AUC < 0.025). Tanto para los conjuntos de datos clínicos como de imagen, los modelos de Máquina de Refuerzo de Gradiente (GBM) tuvieron el mejor rendimiento en la validación externa, con un AUC clínicamente aceptable de 0.734 (IC del 95% 0.687-0.781) y 0.747 (IC del 95% 0.701-0.792), respectivamente. Las cinco características identificadas incluyeron formación educativa, antecedentes familiares de osteoartritis, comorbilidades, uso de medicamentos para la osteoporosis y procedimientos previos en la rodilla. Este es el primer estudio que demuestra que los modelos de ML logran un rendimiento comparable con y sin características de imagen.