¿Pueden los dispositivos portátiles clasificar la marcha de un perro? Un estudio con 29 perros

Un resumen de estudio basado en fuentes sobre sensores inerciales, aprendizaje profundo y la diferencia entre evaluar perros conocidos y perros no vistos durante el entrenamiento.

Investigación y evidencia | Resumen del estudio | Actualizado el 1 de septiembre de 2026

La respuesta breve

Un estudio de 2026 de Scientific Reports demostró que un modelo de investigación podía clasificar tres grupos en registros controlados de la marcha: perros sanos, perros con trastornos ortopédicos y perros con trastornos neurológicos. En una división aleatoria de los datos del estudio, la mejor precisión multiclase fue de 0.960. Cuando los investigadores reservaron perros completos para la evaluación, la mejor precisión binaria comunicada fue de 0.849 y la mejor precisión multiclase, de 0.800. Para la tarea del estudio de distinguir entre trastornos ortopédicos y neurológicos, la mejor precisión con perros no vistos fue de 0.893.

Estas cifras describen un único modelo de investigación, un grupo pequeño de perros y protocolos específicos de caminar y trotar. No validan un dispositivo portátil de consumo, no permiten diagnosticar a un perro en casa ni demuestran que sea seguro que un perro haga ejercicio porque el dispositivo emita una clasificación con un alto nivel de confianza.

Este resumen plantea la siguiente pregunta: ¿Cómo utilizó el estudio sensores inerciales portátiles y aprendizaje profundo para clasificar la marcha de los perros, y qué cambió cuando el modelo se encontró con un perro que no había visto durante el entrenamiento?

Qué midió el estudio

Palez y sus colaboradores estudiaron a 29 perros en el Departamento de Medicina y Cirugía de Pequeños Animales de la Universidad de Medicina Veterinaria de Hannover, Alemania. El grupo incluía 17 perros sanos, 6 perros con trastornos ortopédicos y 6 perros con trastornos neurológicos. La clasificación clínica de los grupos se basó en evaluaciones generales, ortopédicas y neurológicas. Algunos casos neurológicos también contaban con imágenes por resonancia magnética para respaldar la evaluación clínica.

Las grabaciones se realizaron en una zona de pruebas controlada. Los perros recorrieron el mismo pasillo guiados con una correa. El protocolo incluía caminar y trotar. Los investigadores utilizaron unidades de medición inercial Xsens Movella DOT, que registraron señales del acelerómetro y el giroscopio a 120 Hz. Probaron sensores en la parte superior de la cabeza o el lomo, en la zona lumbar cerca de la cola, en el cuello o collar, y una combinación de las tres posiciones.

El modelo recibió seis canales de señal: tres del acelerómetro y tres del giroscopio. El estudio utilizó una pequeña red convolucional unidimensional seguida de capas totalmente conectadas. En el conjunto de datos del modelo, los investigadores informan de 193 minutos de grabaciones, de los cuales 154 minutos se utilizaron para el entrenamiento y 39 para la evaluación.

El artículo planteó tres preguntas de clasificación relacionadas:

1. ¿Puede el modelo distinguir entre los grupos de perros sanos, ortopédicos y neurológicos?
2. ¿Puede distinguir a los perros sanos de los dos grupos con trastornos diagnosticados combinados?
3. Entre los perros con trastornos diagnosticados, ¿puede diferenciar el grupo ortopédico del grupo neurológico?

La tercera pregunta corresponde a una clasificación de investigación utilizada en este artículo. No es un diagnóstico que el modelo pueda realizar en un perro nuevo en casa.

Por qué importa la división de los datos de evaluación

En primer lugar, el artículo utilizó una división aleatoria 80/20. Esto permite evaluar el rendimiento del modelo cuando los datos de entrenamiento y de prueba proceden del mismo conjunto de perros registrados. Resulta útil para medir el rendimiento dentro del estudio, pero no responde a cómo se comportará el modelo con un perro completamente nuevo.

Después, los investigadores utilizaron una validación cruzada dejando un perro fuera en cada ronda. En cada ronda, todas las grabaciones de un perro se reservaron para la evaluación, mientras el modelo se entrenaba con los demás perros. Ninguna ventana temporal del perro reservado entró en el conjunto de entrenamiento. Se trata de una prueba más exigente de la variación individual.

La tabla resumen del artículo informa de las siguientes combinaciones óptimas de sensores y movimiento:

La tabla permite ver dos aspectos con mayor claridad. En primer lugar, la exactitud y la puntuación F1 corresponden a una tarea y una configuración concretas. En segundo lugar, el resultado cambia cuando el modelo tiene que generalizar a un perro que no formaba parte de los datos de entrenamiento.

Qué aprendió el modelo y qué no demostró

El estudio respalda una conclusión concreta: los patrones de las señales inerciales pueden ayudar a un modelo a clasificar los grupos representados en este conjunto de datos. La colocación de los sensores y el protocolo de movimiento influyeron en el resultado. La mejor combinación para una tarea no fue automáticamente la mejor para otra.

La diferencia entre la división aleatoria y la prueba con perros no vistos es tan importante como la cifra elevada. Los perros difieren en tamaño, forma corporal, estrategia de marcha y capacidad para completar un protocolo. Un modelo que funciona bien con registros de perros conocidos puede necesitar más datos y pruebas más amplias antes de funcionar de forma fiable con perros nuevos.

El estudio no demuestra que:

• un monitor de actividad para consumidores pueda identificar una enfermedad ortopédica o neurológica;
• una grabación realizada en casa pueda sustituir una evaluación veterinaria;
• todas las razas, formas corporales o patrones de marcha estén representados en esta muestra;
• los resultados de un dispositivo puedan indicar a una familia si el ejercicio es seguro; ni
• las cifras comunicadas constituyan una clasificación comparativa de los dispositivos portátiles para mascotas.

Los autores describen este enfoque como una opción con potencial para apoyar la práctica clínica. Se trata de una línea de investigación, no de una prueba de que el modelo haya sido validado para uso doméstico. El conjunto de datos del estudio no es un parámetro de referencia público para consumidores. Los autores indican que se puede acceder a él mediante una solicitud razonable al autor de correspondencia.

Una limitación que cambia la interpretación

Solo dos perros del grupo neurológico pudieron trotar. Varios perros afectados no pudieron completar el protocolo de trote, por lo que las situaciones de trote estaban considerablemente desequilibradas. Esto es importante cuando los mejores resultados aparecen en una fila correspondiente al trote.

La muestra también era pequeña y se recopiló en un único entorno clínico controlado. La correa, el recorrido conocido, la ruta fija y una posición concreta del sensor forman parte de la medición. No son detalles secundarios que puedan omitirse al trasladar un resultado a un hogar, un parque o una clínica con equipos diferentes.

El artículo también informa de una diferencia entre el rendimiento dentro de la muestra y el rendimiento obtenido con perros no vistos durante el entrenamiento. Esta diferencia coincide con una regla básica para interpretar la investigación basada en sensores animales: a menudo, la unidad relevante es el perro, no solo el número de breves ventanas de señal generadas por ese perro.

Preguntas que conviene hacerse ante una futura afirmación sobre un dispositivo portátil

Cuando un producto tecnológico para mascotas informa de una puntuación de marcha o de salud, pregunta qué se entrenó a clasificar al modelo. Después, averigua cuántos perros aportaron los datos, qué razas y afecciones se incluyeron, si se dejaron perros completos fuera del entrenamiento, qué movimiento debía realizar el perro y si la prueba utilizó perros nuevos en entornos nuevos.

La precisión por sí sola no puede responder a esas preguntas. El F1, la sensibilidad, la precisión y los intervalos de confianza también deben interpretarse en función de la tarea, la población y la división de los datos. Una puntuación obtenida en un conjunto de datos de investigación controlado aporta evidencia sobre ese conjunto. No constituye una promesa general aplicable a todos los perros que lleven un dispositivo.

Un límite útil para las familias con mascotas

Si notas un cambio nuevo o un empeoramiento en la marcha de tu perro, considéralo una observación para compartir con el veterinario. Una grabación breve puede ayudarte a describir lo que has visto, pero una puntuación de investigación no puede determinar la causa. No utilices la etiqueta de un dispositivo para retrasar la atención veterinaria ni para decidir que el ejercicio es seguro.

Para obtener información práctica sobre cuidados, consulta nuestra guía sobre lesiones del corvejón en perros. La finalidad de esa guía para el lector es distinta de la de este resumen del estudio: las recomendaciones de cuidado no deben deducirse de una métrica de investigación del modelo.

En resumen

Este estudio es útil porque analiza una cuestión que es fácil de simplificar en exceso. Los sensores inerciales portátiles registraron el movimiento y un modelo de aprendizaje profundo detectó patrones que diferenciaban los grupos definidos en el estudio. La prueba con perros no vistos durante el entrenamiento mostró entonces por qué la muestra original y el diseño de la evaluación deben seguir vinculados al resultado.

La conclusión responsable debe ser moderada. Los modelos de marcha canina pueden ayudar a los investigadores a cuantificar el movimiento en condiciones definidas. El artículo no demuestra la existencia de una herramienta de diagnóstico para el hogar, una puntuación de marcha universal ni una garantía de que el ejercicio sea seguro. Ante futuras afirmaciones, busca una separación a nivel individual del perro, validación con perros nuevos, etiquetas claras y una vía profesional para interpretar un cambio real en el movimiento.

Del resultado del estudio a una señal útil

El resultado de un dispositivo portátil resulta más útil cuando puede compararse con el movimiento habitual del mismo perro. Para ello, conviene tener en cuenta la superficie por la que camina, el ritmo, la dirección y la hora del día, y después buscar un patrón en lugar de reaccionar ante un único paso inusual. Un dispositivo puede ayudar a registrar el movimiento, pero no decide si un cambio es importante en el caso de un perro concreto.

Por tanto, el límite práctico está claro. Los propietarios pueden utilizar una medición para detectar una cuestión y describírsela con mayor precisión a un profesional. No deben utilizar una clasificación del estudio como diagnóstico en casa ni considerar la puntuación de un dispositivo un sustituto de una exploración. El valor reside en entablar una conversación más útil a partir de observaciones repetidas y contextualizadas.

Fuentes y nota de actualización

El artículo original y sus tablas pertinentes se revisaron el 1 de septiembre de 2026. Este es el resumen de un único estudio, no una revisión sistemática ni un metanálisis. El artículo presenta la muestra, los métodos y las métricas del estudio junto con el contexto de la tarea y de la prueba. Nuestra interpretación se identifica cuando va más allá del resultado directo del artículo.

1. Palez, N., Straß, L., Meller, S. et al. «Análisis de la marcha canina mediante sensores inerciales y aprendizaje profundo para trastornos ortopédicos y neurológicos». Scientific Reports 16, 13966 (2026). Registro de Nature
2. Tabla 5: Rendimiento de la clasificación multiclase en el escenario de generalización
3. Tabla 6: Resumen de los principales resultados de clasificación

Este artículo tiene carácter informativo y no ofrece diagnóstico ni asesoramiento veterinario sobre tratamientos.