Comparamos la eficiencia de predicción del ancho del espacio de múltiples articulaciones (JSW) y el mínimo-JSW en la gravedad y progresión de la osteoartritis de rodilla (KOA) utilizando un enfoque de aprendizaje profundo. Se desarrolló una red neuronal convolucional (CNN) con arquitectura ResU-Net para la segmentación de imágenes de rayos X de rodilla y ha alcanzado una eficiencia de segmentación del 98.9% de intersección sobre unión (IoU) en el fémur distal y la tibia proximal. Posteriormente, aprovechando la segmentación de imágenes, se estimaron el mínimo y los múltiples-JSW en la articulación tibiofemoral y luego se validaron mediante mediciones de radiólogos en el conjunto de datos de la Iniciativa de Osteoartritis (OAI) utilizando correlación de Pearson y gráficos de Bland-Altman. El acuerdo entre la estimación basada en CNN y la medición del radiólogo de los mínimos-JSW alcanzó 0.7801 (< 0.0001). Los JSW estimados se utilizaron para predecir la gravedad radiográfica y la progresión de la KOA definida por los grados de Kellgren-Lawrence (KL) utilizando el modelo XGBoost. Los múltiples-JSW de 64 puntos lograron el mejor rendimiento en la predicción de la progresión de la KOA dentro de los 48 meses, con un área bajo la curva característica operativa del receptor (AUC) de 0.621, superando al mínimo-JSW comúnmente utilizado con un AUC de 0.554. Proporcionamos una herramienta de evaluación radiográfica totalmente automatizada para la KOA con un rendimiento comparable al de los radiólogos y demostramos que la medición detallada de múltiples-JSW ofrece un rendimiento de predicción superior para la KOA en comparación con el mínimo-JSW.