Un framework di machine learning per la prescrizione di esercizio personalizzato basato su BMI e valutazione della forma fisica

Perché gli allenamenti più intelligenti contano

Molti giovani adulti faticano a controllare il peso anche quando cercano di mantenersi attivi. Consigli generici come “esercitati 150 minuti a settimana” spesso risultano vaghi e non tengono conto delle differenze individuali in termini di forma fisica, tipo di corpo o progressi. Questo studio esplora se l’intelligenza artificiale può trasformare semplici risultati di test di fitness in piani di allenamento altamente personalizzati che aiutino i giovani a uscire dalla fascia di sovrappeso in modo più efficiente e sicuro rispetto alle linee guida uguali per tutti.

Trasformare i test di fitness in un profilo personale

I ricercatori hanno lavorato con i dati di 6.698 studenti universitari di sesso maschile di età compresa tra 18 e 20 anni. A ogni studente è stata misurata l’indice di massa corporea (BMI) e sono stati sottoposti a quattro test di fitness standard: una corsa di 3.000 metri per la resistenza, trazioni per la forza della parte superiore del corpo, sit-up per la resistenza del core e uno shuttle run per velocità e agilità. Insieme, queste misure offrono un quadro piuttosto completo del funzionamento del cuore, dei muscoli e dei sistemi di movimento. Invece di considerare ogni test in isolamento, il team ha voluto comprendere il complesso pattern che collega questo profilo di fitness alla categoria di BMI di una persona—sottopeso, normale, sovrappeso o obeso.

Un’IA ibrida che interpreta il tuo movimento

Per comprendere questi pattern, il team ha costruito un sistema ibrido di machine learning che combina due punti di forza diversi. Primo, una rete neurale convoluzionale unidimensionale, supportata da un meccanismo di attenzione, analizza la sequenza dei tempi al giro nella corsa di 3.000 metri considerando anche i risultati di forza e velocità. Questo consente al sistema di cogliere dettagli come se qualcuno rallenta notevolmente negli ultimi giri o mantiene un passo costante. Secondo, le informazioni compresse vengono passate a un modello di decisione a gradient boosting, molto efficace nel tracciare confini netti tra categorie—qui, le quattro classi di BMI. Questo approccio combinato ha classificato il BMI con il 94,5% di accuratezza, superando nettamente modelli standard come la regressione logistica, le foreste casuali e XGBoost sugli stessi dati, pur effettuando previsioni in meno di un millisecondo per persona.

Dalle previsioni ai piani di allenamento su misura

Il passaggio chiave è tradurre queste previsioni in allenamenti pratici. Per mantenere il sistema comprensibile per allenatori e clinici, i ricercatori hanno utilizzato un metodo chiamato SHAP che mostra quanto ciascun test di fitness spinge la previsione del BMI verso una categoria più sana o meno sana. Per ogni studente, il modello classifica le aree deboli più rilevanti—ad esempio un basso numero di trazioni o tempi di corsa lenti. Un motore basato su regole mappa quindi queste priorità su tipi di esercizio specifici, come più sessioni per la forza della parte superiore del corpo, ulteriore allenamento aerobico o lavoro aggiuntivo su velocità e agilità. Ogni due settimane, nel trial, i nuovi risultati dei test venivano reinseriti nel sistema in modo che potesse aumentare o diminuire il volume di allenamento e ridurre il carico se segnali di affaticamento suggerivano un rischio di sovrallenamento.

Mettere il sistema alla prova

Per verificare se questo approccio guidato dall’IA migliorasse effettivamente la salute, il team ha condotto uno studio clinico randomizzato di 12 settimane con 1.160 nuovi studenti. Metà ha ricevuto istruzioni di esercizio convenzionali; l’altra metà ha seguito le prescrizioni personalizzate generate dal modello, inclusi intervalli strutturati ad alta intensità, lavoro aerobico costante, allenamento della forza e indicazioni nutrizionali di base. Il gruppo personalizzato ha mostrato miglioramenti marcati: la proporzione complessiva di studenti sovrappeso o obesi è diminuita del 23,5%, quasi sette partecipanti su dieci in sovrappeso sono passati alla fascia normale e molti partecipanti obesi sono scesi alla categoria sovrappeso. Anche la forma fisica è migliorata in modo sostanziale, con circa il 15% in più di trazioni, tempi di corsa sui 3.000 metri quasi il 10% più veloci e shuttle run oltre il 10% più rapidi rispetto al gruppo di controllo, il tutto senza un aumento degli infortuni.

Cosa significa per la salute quotidiana

Per i non specialisti, la conclusione è che test semplici e familiari—quanto lontano puoi correre, quante trazioni e sit-up riesci a fare e quanto velocemente puoi sprintare avanti e indietro—possono alimentare un sistema di IA che progetta allenamenti tarati sul tuo corpo e sulle tue capacità attuali. Questo studio mostra che un simile sistema può non solo prevedere chi è a rischio legato al peso, ma anche fornire piani di esercizio che aiutano le persone a muoversi in sicurezza verso un BMI più sano migliorando forza e forma fisica. Sebbene il lavoro finora si concentri su giovani uomini in un unico contesto, indica un futuro in cui app per smartphone o strumenti clinici potrebbero offrire indicazioni di esercizio veramente personalizzate e continuamente aggiornate per molti gruppi diversi.

Citazione: 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

Parole chiave: esercizio personalizzato, machine learning in ambito sanitario, BMI e forma fisica, prevenzione dell’obesità giovanile, pianificazione degli allenamenti con l’IA