La manera en que una persona se mueve por una habitación transmite información. No solo sobre músculos y articulaciones, sino sobre el sistema cardiovascular, la salud metabólica, la función neurológica y docenas de otros procesos biológicos que ocurren simultáneamente bajo la superficie. Durante décadas, la medicina lo ha sabido en principio. Un documento técnico de 2009 elaborado por Fritz y Lusardi argumentó esto formalmente, sugiriendo que la velocidad al caminar debería considerarse un sexto signo vital, junto con la presión arterial, la frecuencia cardíaca y el resto. Lo que siguió fue una investigación sustancial sobre la evaluación de la marcha. La mayor parte, sin embargo, se mantuvo limitada. Una revisión sistemática de 2020 de más de 2.700 estudios instrumentados de la marcha descubrió que más del 99% abordaba únicamente preguntas técnicas o específicas de una condición. El panorama general quedó inexplorado.
Un estudio publicado en Nature Medicine en noviembre de 2026 cambia ese marco significativamente.
Lo que revelaron 3.328 personas caminando frente a una cámara
La investigación, dirigida por Gabet y sus colegas, construyó lo que llaman un modelo base de la marcha. La entrada consistió en datos de movimiento esquelético tridimensional, capturados por una cámara de profundidad mientras los participantes realizaban cinco tareas motoras diferentes. El conjunto de datos provino de 3.328 adultos profundamente fenotipados, lo que significa individuos cuya salud se había caracterizado con un detalle excepcional en una amplia gama de dimensiones biológicas y clínicas. La cohorte se extrajo del Human Phenotype Project, un esfuerzo de investigación a gran escala descrito en un artículo de Nature Medicine de 2025 por Reicher y sus colegas.
El modelo no se limitó a medir la velocidad al caminar o la longitud de la zancada. Generó lo que los investigadores llaman embeddings: representaciones numéricas comprimidas de cómo se movía cada persona, codificando patrones a través de toda la complejidad del movimiento tridimensional. Estos embeddings se probaron luego contra una vasta biblioteca de resultados de salud.
Los resultados fueron llamativos. De 3.210 objetivos fenotípicos evaluados, los embeddings de la marcha predijeron significativamente 1.887 de ellos. Eso es más de la mitad de todos los resultados examinados, abarcando un territorio biológico enormemente amplio.
A través de cada sistema corporal, no solo las piernas
Esto es lo que la mayor parte de la cobertura sobre la investigación de la marcha pasa por alto. El poder predictivo no se limitó a los resultados musculoesqueléticos o neurológicos, lo cual sería la expectativa intuitiva. El modelo proporcionó ganancias predictivas en los 18 sistemas corporales examinados en hombres, y en 17 de 18 en mujeres. También mejoró la predicción de diagnósticos clínicos y el uso de medicamentos.
La arquitectura técnica detrás de esto se basa en un método llamado autoencodificación enmascarada, un enfoque de aprendizaje autosupervisado establecido en un artículo de 2022 por He y sus colegas en la IEEE/CVF Conference on Computer Vision and Pattern Recognition. La técnica original fue diseñada para datos de imagen. El equipo de investigación de la marcha la adaptó para trabajar con movimiento esquelético espacio-temporal tridimensional, lo que significa que el modelo aprendió a comprender los patrones de movimiento entrenándose con los datos mismos, sin requerir etiquetas manuales para cada resultado de salud.
Un modelo base paralelo para la marcha, llamado GaitDynamics, fue publicado en Nature Biomedical Engineering en 2026 por Tan y sus colegas, con un enfoque en la estimación biomecánica en entornos clínicos. El estudio de Gabet adopta un ángulo diferente: en lugar de reconstruir la biomecánica, se pregunta qué pueden predecir los patrones de movimiento sobre la salud en todo el cuerpo.
Por qué esto importa más allá de la clínica
El significado más profundo aquí tiene que ver con qué tipo de datos transportan información sobre la salud, y cuánta de ella se ha quedado sin leer.
Una cámara de profundidad no es una resonancia magnética. No requiere un hospital, un especialista o una cita larga. Los datos que captura, el movimiento esquelético tridimensional durante tareas de movimiento ordinarias, son el tipo de señal que podría, en principio, recopilarse en una amplia variedad de entornos. La investigación no hace afirmaciones sobre el despliegue o la preparación clínica. Pero el hallazgo subyacente, que el movimiento codifica información de salud multisistémica a esta escala, abre una pregunta digna de reflexión: cuánta señal diagnóstica está ya presente en la forma en que las personas se mueven en su vida diaria, y cuánta de ella simplemente nunca se ha leído.
También hay un punto metodológico que vale la pena señalar. El enfoque de modelo base significa que el sistema no se construyó para predecir una condición específica. Fue entrenado para representar el movimiento de manera general, y esa representación general resultó ser predictiva en una gama de resultados inesperadamente amplia. Esta es la misma lógica detrás de los LLMs: aprender una representación general rica, y que esta se transfiera a muchas tareas específicas. Aplicado al cuerpo en movimiento, los resultados sugieren que el movimiento es una fuente de información más rica de lo que la medicina ha considerado históricamente.
Para los sistemas de salud, esto importa porque apunta hacia una categoría de evaluación que no es invasiva, es escalable y potencialmente continua. Para los individuos, replantea cómo podría ser en el futuro un chequeo médico rutinario. Para los investigadores, plantea la pregunta de qué otras señales conductuales o físicas transportan información biológica igualmente densa, esperando un modelo capaz de leerlas.
En resumen
Un modelo base de la marcha entrenado con datos de movimiento esquelético 3D de 3.328 adultos predijo significativamente 1.887 de 3.210 resultados de salud, abarcando los 18 sistemas corporales en hombres y 17 de 18 en mujeres. El hallazgo no es que caminar prediga problemas ortopédicos. Es que la forma en que una persona se mueve codifica información sobre casi todos los sistemas del cuerpo, y el aprendizaje profundo ahora puede empezar a leerla.
Basado en información de Nature Medicine.