Evaluación del equilibrio infantil mediante sensores e IA
En este trabajo se explora cómo los datos de acelerómetros colocados en la espalda de niños y niñas de entre 6 y 12 años, recogidos durante tareas simples como estar de pie o caminar, pueden utilizarse para predecir los resultados de pruebas clínicas de equilibrio ampliamente utilizadas en el ámbito educativo y sanitario.
En concreto, se analizan dos pruebas de referencia:
Flamingo Balance Test
Balance Beam Test
El objetivo es avanzar hacia métodos digitales, objetivos y no invasivos que complementen la evaluación tradicional del desarrollo motor infantil.
Metodología y resultados principales
Se aplicaron distintos modelos de machine learning, entre ellos Random Forest, Support Vector Regression (SVR) y k-Nearest Neighbors (kNN), obteniendo resultados relevantes:
Las tareas estáticas mostraron mayor capacidad predictiva que las dinámicas.
El modelo Random Forest alcanzó un rendimiento de hasta R² = 0.45 en la predicción del test de Flamingo.
La metodología propuesta es no invasiva, escalable y fácilmente integrable en entornos escolares.
Estos resultados respaldan el uso combinado de sensores portátiles e inteligencia artificial como herramientas de apoyo para la evaluación del equilibrio y el desarrollo motor en edad escolar.
Implicaciones y aplicación práctica
El estudio demuestra la viabilidad de soluciones basadas en IA y acelerometría para aportar información objetiva y cuantificable en el seguimiento del desarrollo motor infantil, con potencial impacto en ámbitos como:
Educación física y educación primaria
Salud infantil
Detección temprana de posibles alteraciones motoras
Transformación digital de la evaluación funcional
Publicación científica
El artículo ha sido publicado en la revista Scientific Reports (Nature Portfolio).
Acceso al artículo completo:
https://www.nature.com/articles/s41598-025-30160-9
