Un marco de aprendizaje automático para la prescripción personalizada de ejercicio basado en el IMC y la evaluación de la condición física

Por qué importan los entrenamientos más inteligentes

Muchos jóvenes adultos luchan contra el aumento de peso incluso cuando intentan mantenerse activos. Consejos genéricos como “haz 150 minutos de ejercicio a la semana” suelen resultar vagos y no reflejan las diferencias individuales en condición física, tipo de cuerpo o progreso. Este estudio explora si la inteligencia artificial puede convertir resultados simples de pruebas físicas en planes de entrenamiento altamente personalizados que ayuden a los jóvenes a salir del rango de sobrepeso de forma más eficiente y segura que las recomendaciones estándar de talla única.

Convertir las pruebas de condición física en un perfil personal

Los investigadores trabajaron con datos de 6.698 estudiantes varones universitarios de 18 a 20 años. A cada estudiante se le midió el índice de masa corporal (IMC) y se le sometió a cuatro pruebas físicas estándar: carrera de 3.000 metros para resistencia, dominadas para fuerza de la parte superior, abdominales para la resistencia del core y un test de ida y vuelta (shuttle run) para velocidad y agilidad. En conjunto, estas medidas ofrecen una imagen bastante completa de cómo funcionan el corazón, los músculos y los sistemas de movimiento. En lugar de analizar cada prueba de forma aislada, el equipo quiso entender el patrón complejo que vincula este perfil de condición física con la categoría de IMC de una persona —bajo peso, normal, sobrepeso u obesidad.

Una IA híbrida que interpreta cómo te mueves

Para interpretar esos patrones, el equipo construyó un sistema híbrido de aprendizaje automático que combina dos fortalezas diferentes. En primer lugar, una red neuronal convolucional unidimensional, asistida por un mecanismo de atención, analiza la secuencia de tiempos de vuelta en la carrera de 3.000 metros teniendo también en cuenta los resultados de fuerza y velocidad. Esto permite que el sistema detecte detalles como si alguien decae mucho en las últimas vueltas o mantiene un ritmo constante. En segundo lugar, la información condensada se pasa a un modelo de decisión por potenciación de gradiente (gradient boosting), muy bueno para trazar límites de categoría claros —en este caso, los cuatro grupos de IMC. Este enfoque combinado clasificó el IMC con un 94,5% de precisión, superando claramente a modelos estándar como regresión logística, bosques aleatorios y XGBoost con los mismos datos, y además realiza predicciones en menos de un milisegundo por persona.

De las predicciones a planes de entrenamiento personalizados

El paso clave es traducir estas predicciones en entrenamientos prácticos. Para mantener el sistema comprensible para entrenadores y clínicos, los investigadores emplearon un método llamado SHAP que muestra cuánto empuja cada prueba física la predicción de IMC de una persona hacia una categoría más saludable o menos saludable. Para cada estudiante, el modelo ordena qué áreas débiles importan más —por ejemplo, pocas dominadas o tiempos lentos en la carrera. Un motor basado en reglas mapea esas prioridades a tipos de ejercicio específicos, como más sesiones de fuerza de la parte superior, entrenamiento aeróbico adicional o trabajo extra de velocidad y agilidad. Cada dos semanas en el ensayo, los nuevos resultados de las pruebas se reintegraban al sistema para que pudiera subir o bajar el volumen de entrenamiento y reducir la carga si los signos de fatiga sugerían riesgo de sobreentrenamiento.

Poner el sistema a prueba

Para ver si este enfoque guiado por IA realmente mejora la salud, el equipo realizó un ensayo controlado aleatorizado de 12 semanas con 1.160 nuevos estudiantes. La mitad recibió instrucciones de ejercicio convencionales; la otra mitad siguió las prescripciones personalizadas generadas por el modelo, que incluían intervalos de alta intensidad estructurados, trabajo aeróbico sostenido, entrenamiento de fuerza y orientaciones básicas de nutrición. El grupo personalizado mostró mejoras notables: la proporción total de estudiantes con sobrepeso u obesidad disminuyó un 23,5%, casi siete de cada diez participantes con sobrepeso pasó al rango normal, y muchos participantes obesos descendieron a sobrepeso. La condición física también mejoró sustancialmente, con aproximadamente un 15% más de dominadas, casi un 10% de mejoría en los tiempos de carrera de 3.000 metros y más del 10% de mejora en el shuttle run respecto al grupo control, todo ello sin aumento de lesiones.

Qué significa esto para la salud cotidiana

Para el público general, la conclusión es que pruebas simples y familiares —cuánto puedes correr, cuántas dominadas y abdominales puedes hacer y con qué rapidez eres capaz de ir de un lado a otro— pueden alimentar un sistema de IA que diseña entrenamientos ajustados a tu cuerpo y capacidades actuales. Este estudio muestra que dicho sistema no solo puede predecir quién está en mayor riesgo relacionado con el peso, sino también entregar planes de ejercicio que ayudan a las personas a aproximarse a un IMC más saludable de forma segura mientras ganan fuerza y condición. Aunque el trabajo hasta ahora se centra en hombres jóvenes en un único entorno, apunta a un futuro en el que aplicaciones móviles o herramientas clínicas podrían ofrecer orientación de ejercicio verdaderamente personalizada y continuamente actualizada para muchos grupos diferentes.

Cita: Mo, M., Li, B., Yang, Y. et al. A machine learning framework for personalized exercise prescription based on BMI and physical fitness assessment. Sci Rep 16, 13336 (2026). https://doi.org/10.1038/s41598-026-42405-2

Palabras clave: ejercicio personalizado, aprendizaje automático en salud, IMC y condición física, prevención de la obesidad juvenil, planificación de entrenamientos con IA