Evaluación del grado de responsabilidad en atropellos de peatones mediante algoritmos de aprendizaje automático

Por qué esto importa para peatones y conductores cotidianos

Cruzar la calle o conducir por la ciudad parece rutinario, pero cuando ocurre un accidente, las vidas pueden cambiar en un instante—seguido de preguntas dolorosas sobre quién tiene la culpa. Este estudio analiza atropellos de peatones en una ciudad española y plantea si las herramientas informáticas modernas pueden ayudar a policías y jueces a dilucidar la responsabilidad de forma más justa y coherente, aprovechando patrones ocultos en datos reales de siniestros.

Convertir accidentes trágicos en datos útiles

Los investigadores recopilaron información detallada de 510 accidentes reales en Badajoz, España, todos ellos con expediente judicial completo. Para cada siniestro registraron cómo se asignó finalmente la responsabilidad entre conductor y peatón en cinco categorías: desde choques en los que el conductor tenía plena responsabilidad hasta aquellos con culpa compartida por igual. Junto a esto, codificaron 14 hechos sencillos de sí o no sobre cada caso, agrupados en cuatro áreas: comportamiento humano (como alcohol, drogas, atención, tiempo de reacción), tecnología (inspección del vehículo y visibilidad de la ropa del peatón), entorno vial (ubicación e iluminación) y normas de circulación (estado del permiso, velocidad y uso del teléfono móvil).

Enseñar a los ordenadores a reconocer patrones de culpa

Con este conjunto de datos, el equipo probó varios métodos de aprendizaje automático—programas informáticos que aprenden patrones a partir de ejemplos. Compararon enfoques conocidos y se centraron en tres que funcionaron mejor para esta tarea: árboles de decisión, Naïve Bayes y máquinas de vectores de soporte. Cada modelo se entrenó con el 60% de los siniestros y luego se retó a predecir las categorías de responsabilidad del 40% restante. Para evitar que los modelos simplemente “memorizaran” los datos, los investigadores usaron técnicas de validación cruzada y equilibraron cuidadosamente las categorías menos comunes, como los casos con responsabilidad exactamente 50–50.

Limpiar las señales antes de consultar al ordenador

Más información no siempre es mejor. El equipo comprobó primero si alguna de las 14 variables contaba esencialmente la misma historia. Encontraron que el consumo de alcohol y drogas, tanto del conductor como del peatón, formaban pares con fuerte solapamiento. Mantener solo una variable de cada par redujo la lista a 12 factores distintos. Los modelos entrenados con este conjunto más limpio de entradas en realidad funcionaron mejor: eliminar la información redundante redujo el ruido y ayudó a los algoritmos a distinguir con mayor claridad entre los distintos niveles de responsabilidad.

Qué modelo ganó y qué factores importan realmente

En numerosas pruebas, el modelo de árbol de decisión resultó el mejor. Alcanzó alrededor de un 78% de precisión global con el conjunto reducido de 12 variables y fue más rápido y menos exigente en recursos computacionales que los otros métodos. Los árboles de decisión tienen otra ventaja: muestran de forma natural qué piezas de información pesan más en la decisión final. En este estudio, con diferencia el factor más influyente—casi la mitad del peso decisorio—fue si el conductor tenía licencia válida. A continuación en importancia estuvieron la ubicación del peatón (especialmente si se hallaba en o cerca de un paso de peatones), si el conductor estaba bajo la influencia de alcohol o drogas, y si el conductor estaba distraído por un teléfono móvil. Las distracciones del peatón, la visibilidad de la ropa y la iluminación también jugaron un papel, pero en menor medida.

Desde ayuda en tribunales hasta calles más seguras

Algunas situaciones siguieron siendo difíciles de juzgar para los algoritmos, especialmente los casos poco frecuentes en los que la responsabilidad se compartía exactamente entre conductor y peatón. Los autores sostienen que estas situaciones límite deberían seguir siendo revisadas cuidadosamente por expertos humanos. Aun así, las herramientas que desarrollaron pueden apoyar a jueces y policías de tráfico proporcionando una “segunda opinión” objetiva y basada en datos, destacando cuando los patrones coinciden con fallos pasados y liberando a los profesionales para centrarse en los casos más complejos. Igualmente importante, los hallazgos señalan prioridades claras para la prevención: hacer cumplir las normas de licencia, combatir la conducción bajo los efectos del alcohol o las drogas, limitar el uso del móvil al volante y proteger a los peatones en los pasos de peatones. En términos cotidianos, el estudio muestra que tanto unos ordenadores más inteligentes como conductas más seguras pueden ayudar a decidir la responsabilidad con mayor equidad—y reducir el número de personas que acaban, en primer lugar, en estas situaciones trágicas.

Cita: Moreno-Sanfélix, A., Gragera-Peña, F.C. & Jaramillo-Morán, M.A. Evaluation of the level of responsibility in pedestrian crashes using machine learning algorithms. Sci Rep 16, 12093 (2026). https://doi.org/10.1038/s41598-026-42875-4

Palabras clave: seguridad de peatones, responsabilidad vial, aprendizaje automático, árboles de decisión, accidentes de tráfico