El dolor lumbar (LBP) es una afección musculoesquelética que afecta a millones de personas en todo el mundo y limita significativamente su movilidad y actividades diarias. La ergonomía adecuada y el ejercicio son medidas preventivas cruciales que desempeñan un papel vital en el manejo y la reducción del riesgo de LBP. Las personas con LBP a menudo presentan anomalías espinales, que pueden servir como indicadores valiosos para un diagnóstico temprano. Proponemos una metodología avanzada de aprendizaje automático para la detección de LBP que incorpora técnicas de equilibrado de datos y de bootstrapping. Aprovechando las características asociadas con las anomalías espinales, nuestro método ofrece un enfoque prometedor para la detección temprana de LBP. Nuestro estudio utiliza un conjunto de datos estándar que comprende 310 registros de pacientes, incluidas características de anomalías espinales. Proponemos un método de conjunto llamado RGXE (Random Forest Gradient Boosting XGBoost Ensemble), que integra el poder combinado de los métodos de random forest, gradient boosting y XGBoost para la detección de LBP. Los resultados experimentales demuestran que el método de conjunto propuesto, RGXE Voting, supera a los métodos de vanguardia, logrando una alta precisión de 0.99. Afinamos cada método y validamos su rendimiento utilizando validación cruzada k-fold además de determinar la complejidad computacional de los métodos. Esta investigación innovadora tiene un gran potencial para revolucionar la detección temprana de LBP, mejorando así la calidad de vida.