Un algoritmo basado en IA para analizar la actividad física y la aptitud relacionada con la salud en jóvenes

Por qué importa seguir la forma física de los niños con herramientas inteligentes

Padres y profesores han confiado durante mucho tiempo en las pruebas físicas escolares anuales para evaluar qué tan sanos y activos están los niños. Sin embargo, estas pruebas a menudo acaban en archivadores, y las puntuaciones pueden verse afectadas por cálculos apresurados o criterios de evaluación inconsistentes. Este artículo explora cómo la inteligencia artificial puede convertir esas mediciones rutinarias—como tiempos en sprints o conteos de salto de cuerda—en un sistema potente y fiable que no solo puntúe a los niños de forma más justa, sino que también prediga cómo es probable que cambie su condición física con el tiempo.

De simples notas a historias ricas sobre la salud

Los investigadores partieron de un amplio conjunto de datos del mundo real: más de 13 000 registros de aptitud de alumnos de primaria recopilados durante cinco años, de 2018 a 2022. El registro de cada niño incluía medidas corporales básicas como altura, peso e índice de masa corporal, junto con resultados de pruebas como carrera de 50 metros, test de flexibilidad sentado y alcanzado, salto de cuerda en un minuto, abdominales y capacidad pulmonar. Tradicionalmente, los profesores usaban estos resultados para asignar calificaciones generales como “suspenso” u “excelente”, pero el proceso era lento, propenso a errores y hacía un uso limitado de la información oculta en los datos. El objetivo del equipo fue limpiar, estandarizar y replantear estos datos para que pudieran respaldar decisiones mucho más inteligentes.

Enseñar a los ordenadores a calificar con justicia

Para mejorar el proceso de evaluación, los autores construyeron un modelo informático llamado red neuronal de retropropagación (BP). En lugar de depender de reglas escritas a mano, este modelo aprende a partir de ejemplos: estudia los resultados de muchos alumnos junto con las calificaciones finales que habían asignado los profesores y descubre gradualmente patrones que relacionan ambos. Antes de entrenar el modelo, el equipo eliminó entradas defectuosas, escaló los números a un rango común y utilizó una técnica llamada análisis de componentes principales para reducir la redundancia entre medidas muy relacionadas como altura, peso y capacidad pulmonar. Una vez entrenada, la red BP podía tomar las medidas de un nuevo alumno y asignar al instante uno de cuatro niveles—suspenso, aprobado, bueno o excelente—con aproximadamente un 98% de precisión, superando con claridad a un método más tradicional llamado máquina de vectores de soporte.

Mirando al futuro: predecir el rendimiento venidero

Puntuar la prueba de este año es útil, pero los profesores también quieren saber cómo es probable que evolucione la aptitud de un niño a lo largo de varios cursos escolares. Para abordar esto, los investigadores diseñaron un segundo modelo que combina dos técnicas de aprendizaje profundo. Una red convolucional (CNN) aprende primero cómo se relacionan entre sí los distintos ítems de prueba en un momento dado, mientras que una red de memoria a largo y corto plazo (LSTM) analiza cómo cambian las puntuaciones de cada alumno de un año a otro. Una capa de “atención” añadida ayuda al sistema a centrarse en los puntos más informativos del historial de cada niño. Entrenado con datos de 2018 a 2021 y probado en 2022, este modelo combinado CNN‑LSTM predijo el rendimiento futuro de los alumnos con mayor precisión que usar solo CNN o LSTM, logrando más del 90% de exactitud y un fuerte equilibrio entre detectar problemas y evitar falsas alarmas.

Convertir predicciones en mejores clases de educación física

Con estas predicciones, los profesores no necesitan adivinar qué alumnos podrían tener dificultades el próximo año o qué habilidades se están quedando rezagadas. Si el modelo prevé una caída en la resistencia, por ejemplo, el personal puede planificar carreras adicionales o juegos aeróbicos para ese alumno. Si la flexibilidad o la fuerza del tronco parecen débiles, pueden ajustar las rutinas de estiramiento o de abdominales. En lugar de sustituir a los docentes, el sistema actúa como una herramienta de apoyo a la decisión: saca a la luz tendencias que podrían pasar desapercibidas en aulas llenas y en montones de formularios en papel.

Qué significa esto para familias y escuelas

En términos sencillos, esta investigación muestra que las pruebas físicas rutinarias pueden convertirse en mucho más que números en las notas anuales. Al permitir que la IA analice años de resultados, las escuelas pueden calificar con mayor justicia, detectar problemas antes y personalizar planes de ejercicio según las necesidades de cada niño. Los modelos del estudio demuestran que los ordenadores pueden reconocer patrones en el desarrollo físico de los niños y prever hacia dónde se dirigen. Para padres y educadores, eso supone una mejor oportunidad de mantener a los niños activos, sanos y seguros de sí mismos—usando la información que ya recopilan, pero de una manera mucho más inteligente.

Cita: Lv, M., Wang, J., Yang, Y. et al. An AI-based algorithm for analyzing physical activity and health-related fitness in youth. Sci Rep 16, 5105 (2026). https://doi.org/10.1038/s41598-026-35514-5

Palabras clave: aptitud física juvenil, educación física escolar, inteligencia artificial, monitorización de la salud, predicción del rendimiento