Objetivos: El ictus es una de las principales causas de discapacidad a largo plazo, siendo la recuperación de la marcha un objetivo prioritario en neurorrehabilitación. Este trabajo presenta la creación de una base de datos clínica estructurada que integra variables demográficas, clínicas y terapéuticas, con el fin de desarrollar modelos matemáticos predictivos, especialmente en relación con la marcha, mediante técnicas de aprendizaje automático.

Material y métodos: Se recopilaron datos retrospectivos de 80 pacientes tratados en un centro especializado, estructurando más de 70 variables agrupadas en categorías como diagnóstico, comorbilidades, nivel cognitivo y motor, y parámetros de tratamiento. El procesamiento incluyó limpieza, armonización y tratamiento de datos faltantes. Los modelos aplicados incluyen Random Forest, XGBoost, LightGBM, redes neuronales y regresiones regularizadas, incorporando además cuantificación de incertidumbre.

Resultados: Los resultados preliminares muestran una capacidad predictiva variable: el modelo para el 6MWT alcanzó un R² del 17%, el Berg Balance Scale un 50%, y el 10MWT obtuvo los mejores resultados con un 68% a velocidad cómoda y 77% a velocidad rápida. Los factores más relevantes para la predicción fueron los valores iniciales del TUG, 10MWT y 6MWT.

Conclusión: Este trabajo sienta las bases para una herramienta predictiva que, mediante inteligencia artificial y datos clínicos estructurados, podría transformar la rehabilitación de la marcha en pacientes con ictus. Su eficacia depende de la integración en la práctica clínica diaria, mediante rutas asistenciales estructuradas y colaboración transdisciplinar, lo que permite decisiones más personalizadas y basadas en evidencia.