Explorando el impacto de las métricas de actividad física en el consumo de calorías: un enfoque de aprendizaje automático combinado con análisis SHAP

Por qué el movimiento diario importa más de lo que crees

Para cualquiera que use un rastreador de actividad o se pregunte cuántas calorías quema realmente su entrenamiento, este estudio ofrece una mirada bajo el capó. Los investigadores formularon una pregunta sencilla pero importante: ¿cómo se acumulan distintos tipos de movimiento a lo largo del día en gasto calórico, y pueden los ordenadores convertir el revoltijo de datos de los rastreadores en orientaciones claras y fiables para mejorar la salud?

De los simples recuentos de pasos a predicciones inteligentes

Los métodos tradicionales estiman el gasto calórico usando valores medios para tipos amplios de actividad como caminar o correr. Estas reglas prácticas ignoran cuánto difieren las personas en tamaño corporal, estilo de movimiento y patrones de actividad. Con la proliferación de dispositivos de muñeca, ahora recopilamos flujos ricos de datos sobre pasos, distancia y tiempo en distintos niveles de actividad. Este estudio usó datos reales de 30 usuarios de Fitbit durante dos meses para ver si modelos informáticos más avanzados podían tomar esos registros diarios de actividad y predecir con mayor precisión cuántas calorías gastan las personas.

Poner a prueba cuatro máquinas de aprendizaje

El equipo comparó cuatro tipos de modelos de aprendizaje automático que “aprenden” patrones de maneras diferentes: un modelo de regresión por vectores de soporte, una red neuronal con función base radial y dos métodos basados en árboles populares conocidos como random forest y XGBoost. Entrenaron los modelos con parte de los datos y luego los probaron con días no vistos para ver cómo se mantenían las predicciones. Un modelo destacó: la regresión por vectores de soporte ofreció el mejor equilibrio entre ajuste y realismo, explicando alrededor de tres cuartas partes de la variación en el gasto de calorías en datos nuevos. Algunos de los modelos más complejos parecían excelentes en los datos de entrenamiento pero fallaron en los datos de prueba, señal de que estaban memorizando ruido en vez de capturar patrones reales.

Qué es lo que realmente impulsa el gasto calórico

Más allá de la precisión, los investigadores quisieron saber qué aspectos del movimiento importan más. Usaron una técnica llamada SHAP, que trata cada medida de actividad como un jugador en un equipo y calcula cuánto contribuye ese jugador al resultado final. Dos características dominaron con claridad: la distancia total recorrida y el total de pasos dados en un día. Las personas que se movían más y daban más pasos generalmente quemaban muchas más calorías. El tiempo y la distancia dedicados a actividad de muy alta intensidad —caminar rápido, correr o similar— también tuvieron un fuerte impacto positivo, especialmente una vez que esos valores superaban la mediana del grupo. En contraste, la actividad ligera y el tiempo sentado se vincularon débilmente con el gasto calórico, y los periodos sedentarios largos a menudo empujaban la predicción de consumo energético hacia abajo.

Cuando más pasos no siempre significan mejor

Al indagar más, el estudio encontró que el conteo de pasos y la distancia están fuertemente vinculados pero no son idénticos. Un alto número de pasos sin mucha distancia —piense en pasos cortos y arrastrados— no siempre se traduce en un gran gasto calórico. La explicación es intuitiva: la distancia refleja cuánto terreno cubres realmente y suele correlacionarse con mayor velocidad y esfuerzo. El modelo sugirió una especie de umbral de eficiencia: una vez alcanzado un nivel básico de movimiento, añadir más pasos de bajo esfuerzo produce rendimientos decrecientes a menos que aumente la longitud de la zancada o el ritmo. Esta matización ayuda a explicar por qué dos personas con recuentos de pasos similares pueden ver resultados diferentes en la báscula.

Convertir los hallazgos en consejos para el día a día

Al combinar predicción y explicación, el estudio apunta hacia orientaciones de ejercicio más personalizadas. Para las personas con poco tiempo, breves ráfagas de movimiento muy activo parecen mucho más efectivas para quemar calorías que tramos prolongados de caminar suave. Para quienes ya alcanzan altos recuentos de pasos, centrarse en caminar un poco más rápido o más lejos puede importar más que aumentar simplemente el número bruto de pasos. Y aunque el movimiento ligero y las pausas para levantarse siguen siendo importantes para la salud a largo plazo, contribuyen relativamente poco al gasto energético inmediato en comparación con la actividad sostenida de mayor intensidad.

Qué significa esto para tu rutina diaria

En términos sencillos, los hallazgos sugieren que no todo el movimiento se crea por igual. La distancia total, el total de pasos y, especialmente, el tiempo pasado en movimiento vigoroso son los principales impulsores del gasto calórico diario, mientras que paseos ligeros y largos periodos sentado hacen mucho menos. El modelo de vectores de soporte, hecho transparente con el análisis SHAP, muestra que el uso inteligente de tus minutos activos limitados —ir un poco más lejos y más intenso en lugar de simplemente más a menudo— puede hacer que las cifras de tu rastreador sean más significativas y que tus esfuerzos sean más eficaces para gestionar el peso y la salud general.

Cita: Lin, S., Zhang, Y. Exploring the Impact of Physical Activity Metrics on Calorie Consumption: A Machine Learning Approach Combined with SHAP Analysis. Sci Rep 16, 11053 (2026). https://doi.org/10.1038/s41598-026-40830-x

Palabras clave: actividad física, gasto calórico, dispositivos de seguimiento de fitness, aprendizaje automático, intensidad del ejercicio