Investigadores del Instituto Weizmann de Ciencias desarrollaron un modelo de inteligencia artificial que analiza movimientos corporales tridimensionales y permite estimar indicadores de salud relacionados con 18 sistemas del organismo.
Redacción: Redacción Mundo de la Salud
Editor: Karem Díaz S.
La manera de caminar de una persona puede contener información sobre su estado de salud que va mucho más allá de la movilidad o la fuerza muscular. Una investigación encabezada por científicos del Instituto Weizmann de Ciencias, en Israel, ha demostrado que el análisis tridimensional de los movimientos corporales mediante inteligencia artificial permite estimar numerosas características biológicas y clínicas relacionadas con diferentes sistemas del organismo.
El estudio, publicado el 6 de noviembre de 2026 en la revista científica Nature Medicine, utilizó registros de movimiento de 3.328 adultos. Los investigadores desarrollaron un modelo computacional capaz de identificar patrones complejos en la coordinación de las articulaciones y relacionarlos con información sobre composición corporal, metabolismo, sueño, fragilidad y otras características de salud.
Los resultados fueron objeto de un análisis complementario publicado por la misma revista el 9 de noviembre. El trabajo abre nuevas posibilidades para incorporar la evaluación del movimiento a los controles sanitarios, aunque todavía no demuestra que esta tecnología pueda sustituir las pruebas diagnósticas convencionales.
Una cámara registra los movimientos de todo el cuerpo
La investigación fue encabezada por Adam Gabet, Sarah Kohn y Guy Lutsker, con la participación de Eran Segal y otros especialistas del Instituto Weizmann de Ciencias. También colaboraron investigadores vinculados a instituciones y empresas tecnológicas de Israel, Estados Unidos y Emiratos Árabes Unidos.
Los participantes formaban parte del Human Phenotype Project, un programa de investigación que reúne información detallada sobre numerosas características biológicas, clínicas y funcionales de las personas.
Para registrar los movimientos, los científicos utilizaron una cámara de profundidad que permite reconstruir la posición tridimensional de diferentes puntos del cuerpo. El sistema siguió 26 articulaciones durante cinco tareas motoras.
Las actividades incluyeron caminar sobre una cinta a velocidad elegida por el participante, caminar a una velocidad establecida de tres kilómetros por hora, realizar marcha estacionaria, levantarse de una silla y efectuar una prueba de equilibrio de Romberg.
Estas tareas proporcionaron información sobre la coordinación corporal, la estabilidad, la postura y la manera en que diferentes segmentos del cuerpo se desplazan conjuntamente.
El procedimiento amplía el enfoque tradicional de las evaluaciones funcionales. Desde hace años, la velocidad de la marcha se estudia como indicador del envejecimiento saludable y de la capacidad de las personas mayores para conservar su independencia.
El nuevo trabajo plantea que los movimientos completos del cuerpo contienen información adicional que no siempre puede identificarse mediante la medición aislada de la velocidad o la longitud de los pasos.
La inteligencia artificial identifica patrones que escapan a las mediciones convencionales
Los investigadores desarrollaron un modelo de aprendizaje profundo que transforma las secuencias de movimiento en representaciones numéricas capaces de describir cómo se coordinan las articulaciones a lo largo del tiempo.
Estas representaciones, conocidas en inteligencia artificial como embeddings, permiten identificar características que pueden resultar difíciles de detectar mediante parámetros previamente definidos, como la cadencia de los pasos, la longitud de la zancada o la oscilación corporal.
El objetivo no consistía simplemente en determinar si una persona caminaba correctamente, sino en investigar hasta qué punto sus movimientos reflejaban características de su organismo que aparentemente no estaban relacionadas de manera directa con la marcha.
La investigación se inscribe en una línea tecnológica que busca aprovechar el movimiento como fuente de información sanitaria. Otros equipos científicos han desarrollado sistemas de radar e inteligencia artificial para detectar cambios sutiles en la forma de caminar, especialmente en hospitales y centros de atención a personas mayores.
El modelo del Instituto Weizmann incorpora una perspectiva diferente: utilizar los patrones tridimensionales de movimiento para explorar simultáneamente múltiples dimensiones de la salud.
El modelo identificó información sobre 1.887 características de salud
Los científicos evaluaron la capacidad del sistema para estimar 3.210 características biológicas y clínicas. De ellas, 1.887 pudieron predecirse con resultados estadísticamente significativos mediante las representaciones del movimiento.
Entre los indicadores que mostraron una capacidad predictiva especialmente destacada se encontraron la edad cronológica, el índice de masa corporal y la cantidad de grasa visceral.
El coeficiente de correlación de Pearson entre los valores estimados y los observados alcanzó 0,69 para la edad, 0,91 para el índice de masa corporal y 0,83 para el área de tejido adiposo visceral.
Estos valores indican diferentes grados de correspondencia estadística entre las estimaciones del modelo y las mediciones reales. No deben interpretarse como porcentajes de acierto diagnóstico ni como una garantía de que el sistema pueda determinar con exactitud estas características en cualquier persona.
La capacidad para estimar aspectos de la composición corporal resulta especialmente interesante porque el movimiento depende, entre otros factores, de la distribución de la masa corporal, la fuerza muscular y las características biomecánicas de cada individuo.
Información adicional más allá de la edad y el peso corporal
Uno de los objetivos centrales del estudio fue comprobar si el análisis de los movimientos aportaba información que no pudiera obtenerse simplemente mediante datos básicos de los participantes.
Para ello, los investigadores compararon los resultados con los de un modelo que utilizaba la edad, el índice de masa corporal, la grasa visceral y la estatura.
La incorporación de las características del movimiento mejoró la capacidad predictiva en los 18 sistemas corporales examinados entre los hombres y en 17 de los 18 sistemas entre las mujeres.
Este resultado sugiere que la información contenida en la marcha no se explica exclusivamente por diferencias de edad, tamaño corporal o composición física.
Los investigadores también observaron mejoras en la capacidad de estimar determinadas condiciones clínicas y el uso de medicamentos cuando añadieron los patrones de movimiento a los modelos de referencia.
Sin embargo, estas asociaciones no permiten establecer que una determinada alteración de la marcha sea la causa de una enfermedad. Tampoco demuestran que los movimientos observados puedan identificar de manera inequívoca qué medicamento utiliza una persona.
Las piernas y el torso aportan diferentes tipos de información
El equipo científico examinó qué regiones del cuerpo contribuían en mayor medida a las estimaciones del modelo.
Para ello, realizó análisis en los que se evaluaba la importancia de la información procedente de diferentes segmentos corporales.
Los movimientos de las piernas tuvieron una participación especialmente destacada en las estimaciones relacionadas con características metabólicas y fragilidad física.
Por su parte, los movimientos del torso aportaron información relevante para estimar características asociadas con el sueño y determinados hábitos de vida.
Estas diferencias respaldan la idea de que la coordinación corporal constituye una fuente de información compleja, en la que distintas regiones pueden reflejar aspectos diferentes del funcionamiento del organismo.
El interés por analizar conjuntamente varias capacidades físicas también aparece en investigaciones anteriores sobre la relación entre el equilibrio, la fuerza muscular y el envejecimiento, que han mostrado la utilidad de las pruebas funcionales para evaluar cambios asociados con la edad.
La marcha como posible signo vital complementario
En la práctica clínica, la evaluación de la marcha ya se utiliza en especialidades como neurología, geriatría, traumatología y rehabilitación.
Las alteraciones del movimiento pueden proporcionar información sobre enfermedades neurológicas, problemas musculoesqueléticos, pérdida de fuerza y dificultades para mantener el equilibrio.
La aportación del nuevo estudio consiste en explorar una utilización más amplia de estos registros, considerándolos una posible señal biológica relacionada con múltiples sistemas corporales.
En el futuro, una evaluación automatizada de corta duración podría ayudar a identificar personas que necesiten exploraciones adicionales o un seguimiento clínico más detallado.
Por ejemplo, los cambios en la movilidad podrían complementar otras mediciones utilizadas para detectar deterioro funcional, especialmente en adultos mayores.
La posibilidad de obtener información mediante una cámara también plantea ventajas potenciales para desarrollar evaluaciones no invasivas, sin necesidad de colocar numerosos sensores directamente sobre el cuerpo.
No obstante, antes de incorporar esta tecnología a programas de detección sanitaria será necesario establecer protocolos estandarizados y comprobar su rendimiento en condiciones clínicas reales.
Por qué el sistema todavía no sustituye las pruebas médicas
A pesar de los resultados favorables, la investigación presenta limitaciones que deben considerarse antes de trasladar sus conclusiones a la atención sanitaria.
El modelo fue desarrollado y evaluado utilizando información de una población perteneciente a un programa específico de investigación. Por tanto, será necesario comprobar si mantiene su capacidad predictiva en personas de diferentes edades, orígenes geográficos, características clínicas y niveles de movilidad.
También deberán estudiarse los efectos de factores que pueden modificar temporalmente la marcha, como el cansancio, el dolor, las lesiones, el calzado o la utilización de dispositivos de asistencia.
Otra cuestión importante es que una asociación estadística entre un patrón de movimiento y una característica clínica no constituye por sí sola un diagnóstico médico.
El sistema no ha demostrado que pueda reemplazar análisis de sangre, estudios de imagen, exploraciones neurológicas ni otras pruebas establecidas para identificar enfermedades.
Asimismo, todavía debe determinarse si la incorporación de esta tecnología a los controles sanitarios mejora efectivamente la detección de enfermedades, reduce complicaciones o beneficia a los pacientes a largo plazo.
Los autores informaron también de vínculos profesionales de algunos participantes en la investigación con empresas tecnológicas relacionadas con la adquisición y el análisis de datos de movimiento. Esta información forma parte de las declaraciones de intereses del artículo científico.
Una nueva herramienta para estudiar la salud mediante el movimiento
La investigación del Instituto Weizmann amplía el conocimiento sobre la información biológica contenida en los movimientos cotidianos del cuerpo humano.
Su principal aportación es mostrar que un análisis detallado de la coordinación corporal puede proporcionar información complementaria a los indicadores demográficos y antropométricos utilizados habitualmente.
Los investigadores han puesto a disposición de la comunidad científica el código utilizado para desarrollar el modelo, facilitando la evaluación independiente de sus métodos y la realización de nuevos estudios.
La validación en poblaciones independientes y la comparación con procedimientos clínicos establecidos serán pasos fundamentales para determinar si el análisis automatizado de la marcha puede convertirse en una herramienta útil para la prevención, el seguimiento de enfermedades y la evaluación integral de la salud.
Fuentes referenciales:
Nature Medicine — A gait foundation model for prediction of multisystem health phenotypes from 3D skeletal motion. Adam Gabet, Sarah Kohn, Guy Lutsker y colaboradores. Publicado el 6 de noviembre de 2026. DOI: 10.1038/s41591-026-04724-9.
Nature Medicine — Deep learning-based gait analysis predicts multisystem health phenotypes. Análisis científico publicado el 9 de noviembre de 2026.
PubMed — Referencia bibliográfica, resumen científico, autores y afiliaciones institucionales del estudio.
