Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 936
DISEÑO E IMPLEMENTACIÓN DE UN PROTOTIPO DE PLANTILLA SENSORIZADA
PARA PIE DIABÉTICO CON MONITOREO MÓVIL Y ESTIMACIÓN DEL RIESGO DE
ÚLCERAS MEDIANTE INTELIGENCIA ARTIFICIAL
DESIGN AND IMPLEMENTATION OF A SMART INSOLE PROTOTYPE FOR DIABETIC
FOOT WITH MOBILE MONITORING AND ULCER RISK ESTIMATION USING
ARTIFICIAL INTELLIGENCE
Autores: ¹Sonia Mishel Vega Vega y
2
Kerly Jesenia Bolaños Vaca.
¹ORCID ID: https://orcid.org/0009-0004-2158-6319
2
ORCID ID:
https://orcid.org/0000-0003-4094-2281
¹E-mail de contacto: soniavg2004@gmail.com
2
E-mail de contacto:
kbolanos@ups.edu.ec
Afiliación:
1*2*
Universidad Politécnica Salesiana, (Ecuador).
Artículo recibido: 15 de Enero del 2026
Artículo revisado: 28 de Enero del 2026
Artículo aprobado: 06 de Febrero del 2026
¹Estudiante de la carrera de Carrera de Ingeniería Biomédica de la Universidad Politécnica Salesiana, (Ecuador).
²Médico Cirujano. Magíster en Salud Ocupacional. Diplomado en Docencia Superior. Docente de la Universidad Politécnica Salesiana,
(Ecuador).
Resumen
El presente estudio tiene como objetivo el
diseño e implementación de un prototipo de
plantilla sensorizada para personas con pie
diabético, integrando un sistema de monitoreo
móvil y un modelo de inteligencia artificial
para la estimación del riesgo de formación de
úlceras plantares. La metodología se desarrolló
en tres fases: diseño electrónico y estructural
del sistema sensorizado, evaluación
experimental del prototipo en 18 voluntarios
con diabetes mellitus tipo 1 y tipo 2, y análisis
de los datos mediante técnicas de aprendizaje
automático, validando la coherencia de las
mediciones con valores reportados en la
literatura. Los resultados evidenciaron
diferencias significativas entre regiones
plantares, con mayores valores de presión,
temperatura y humedad en zonas asociadas a
mayor riesgo de ulceración; además, el sistema
mostró estabilidad en la adquisición y
transmisión de datos, y el modelo predictivo
basado en Random Forest alcanzó una
exactitud superior al 96 %, con altos valores de
sensibilidad y especificidad según la
clasificación de Wagner. En conjunto, los
hallazgos confirman la viabilidad del prototipo
como herramienta tecnológica para el
monitoreo continuo del pie diabético, con
potencial para la detección temprana del riesgo,
la prevención de úlceras y el apoyo a la toma
de decisiones clínicas.
Palabras clave: Pie diabético, Sensores
plantares, Inteligencia artificial, Monitoreo
móvil, Úlceras diabéticas, Hiperpresión
plantar.
Abstract
The present study aimed to design and
implement a sensorized insole prototype for
individuals with diabetic foot, integrating a
mobile monitoring system and an artificial
intelligence model to estimate the risk of
plantar ulcer formation. The methodology was
developed in three phases: electronic and
structural design of the sensorized system,
experimental evaluation of the prototype in 18
volunteers with type 1 and type 2 diabetes
mellitus, and data analysis using machine
learning techniques, validating the consistency
of the measurements with values reported in the
literature. The results revealed significant
differences among plantar regions, with higher
pressure, temperature, and humidity values in
areas associated with increased ulceration risk;
additionally, the system demonstrated stability
in data acquisition and transmission, and the
Random Forest–based predictive model
achieved an accuracy greater than 96%, with
high sensitivity and specificity according to the
Wagner classification. Overall, these find- ings
confirm the viability of the proposed prototype
as a technological tool for continuous diabetic
foot monitoring, with potential for early risk
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 937
detection, ulcer prevention, and support for
clinical decision-making.
Keywords: Diabetic foot, Plantar sensors,
Artificial intelligence, Mobile monitoring,
Diabetic ulcers, Plantar hyperpressure.
Sumário
O presente estudo tem como objetivo o design
e a implementação de um protótipo de palma
sensorizada para pessoas com diabetes,
integrando um sistema de monitoramento
móvel e um modelo de inteligência artificial
para estimar o risco de formação de úlceras
plantares. A metodologia foi desenvolvida em
três fases: projeto eletrônico e estrutural do
sistema sensorizado, avaliação experimental do
protótipo em 18 voluntários com diabetes
mellitus tipo 1 e tipo 2, e análise dos dados por
meio de técnicas de aprendizado de máquina,
validando a coerência das medições com
valores relacionados na literatura. Os
resultados evidenciam diferenças significativas
entre regiões plantares, com maiores valores de
pressão, temperatura e umidade em zonas
associadas com maior risco de úlcera; além
disso, o sistema mostra estabilidade na
aquisição e transmissão de dados, e o modelo
preditivo baseado em Random Forest alcançou
precisão superior a 96%, com altos valores de
sensibilidade e especificidade segundo a
classificação de Wagner. Em conjunto, os
resultados confirmam a viabilidade do
protótipo como ferramenta tecnológica para o
monitoramento contínuo do paciente diabético,
com potencial para a detecção precoce do risco,
a prevenção de úlceras e o apoio à tomada de
decisões clínicas.
Palavras-chave: Pé diabético, Sensores
plantares, Inteligência artificial,
Monitoramento móvel, Úlceras diabéticas,
Hiperpressão plantar.
Introducción
La diabetes mellitus es una de las enfermedades
crónicas no transmisibles de mayor impacto en
la salud pública mundial, debido a su creciente
prevalencia y a las complicaciones asociadas.
La Federación Internacional de Diabetes estima
que más de 537 millones de adultos viven
actualmente con esta enfermedad, cifra que
podría superar los 643 millones para el año
2030 (Magliano y Boyko, 2021). Entre las
complicaciones más severas se encuentra el pie
diabético, caracterizado por neuropatía
periférica, alteraciones vasculares y pérdida de
la sensibilidad protectora, condiciones que
favorecen la formación de úlceras plantares. Se
estima que entre el 15% y el 25% de las
personas con diabetes desarrollará una úlcera en
el pie durante su vida, y que más del 85% de las
amputaciones no traumáticas están precedidas
por una lesión ulcerativa (Armstrong et al.,
2020; Santos et al., 2025).
En Ecuador, el pie diabético representa una de
las principales causas de amputación no
traumática y una elevada carga para el sistema
de salud. El Ministerio de Salud Pública reporta
que entre el 40% y el 60% de las amputaciones
realizadas en hospitales de tercer nivel están
asociadas a complicaciones de la diabetes
(Ministerio de Salud Pública, 2024). A pesar de
los programas de control metabólico y
educación al paciente, el acceso a tecnologías
de monitoreo preventivo continúa siendo
limitado (Ministerio de Salud Pública, 2024;
Rodríguez et al., 2020). La aparición de úlceras
plantares constituye un punto crítico en la
evolución del pie diabético y suele estar
precedida por factores como presión excesiva,
fricción repetitiva, humedad retenida y cambios
térmicos localizados, inherentes a alteraciones
biomecánicas y fisiológicas del paciente.
Estudios han demostrado que incrementos de
temperatura superiores a 2 °C entre ambos pies
pueden anticipar procesos inflamatorios hasta
con dos semanas de antelación (Lavery et al.,
2019), mientras que la distribución anómala de
cargas plantares se asocia directamente con
lesiones recurrentes (Lockhart et al., 2024).
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 938
El desarrollo de tecnologías biomédicas ha
impulsado la creación de dispositivos portátiles,
como plantillas inteligentes y calcetines
sensorizados, orientados a la detección
temprana del riesgo de ulceración. Sistemas
comerciales como Orpyx® SI y SurroSense Rx
han demostrado reducir la reincidencia
ulcerativa mediante monitoreo continuo y
retroalimentación en tiempo real (ORPYX
Medical Technologies, 2024). No obstante,
estas soluciones presentan limitaciones
relacionadas con su alto costo y dependencia de
infraestructura especializada. En América
Latina, los desarrollos orientados a soluciones
de bajo costo son aún limitados, especialmente
aquellos que integran de forma conjunta
variables como presión, temperatura y humedad
plantar. Esta última resulta crítica, ya que la
maceración del tejido incrementa la fricción,
debilita la barrera epidérmica y favorece la
formación de úlceras (Sánchez, 2024;
Khandakar et al., 2022). Ante este contexto, la
inteligencia artificial surge como una
herramienta clave para el análisis del riesgo de
ulceración en el pie diabético. Modelos de
aprendizaje automático han demostrado alta
precisión en la identificación de patrones
fisiológicos y biomecánicos asociados a
lesiones (Shi et al., 2025). En este trabajo se
propone el diseño e implementación de un
prototipo de plantilla sensorizada con sensores
de presión, temperatura y humedad, integrada a
una aplicación móvil y complementada con un
modelo de inteligencia artificial para la
estimación preliminar del riesgo de úlceras.
Materiales y Métodos
Para el desarrollo del prototipo se utilizaron
diversos componentes electrónicos y
biomédicos seleccionados en función de su
precisión, bajo consumo energético,
compatibilidad con aplicaciones portátiles y
facilidad de integración. Para la medición de la
presión plantar se empleó el sensor de fuerza
resistivo FSR402, cuyo principio de
funcionamiento se basa en la variación de su
resistencia eléctrica ante la aplicación de una
carga mecánica. Este sensor fue seleccionado
debido a su bajo perfil, flexibilidad y facilidad
de integración en superficies curvas,
características que lo hacen adecuado para su
incorporación en una plantilla sensorizada
(Interlink Electronics Inc., s. f.).
Figura 1. Hoja de datos del sensor FSR402
Fuente: (Interlink Electronics Inc., s. f.).
El sensor fue conectado al microcontrolador
ESP32, cuyo conversor analógico-digital
(ADC) cuenta con una resolución de 12 bits,
correspondiente a un rango de cuantificación
entre 0 y 4096 unidades digitales. Los valores
obtenidos representan la señal eléctrica
generada por el sensor ante la presión aplicada,
siguiendo esquemas de adquisición similares a
los reportados en sistemas de medición de
presión plantar (Khandakar et al., 2022).
Figura 2. Proceso de adquisición de datos para
el sen- sor FSR402 y el sensor SHT31
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 939
El diseño de la plantilla sensorizada se centró en
el pie derecho como referencia para la
evaluación biomecánica de la presión plantar.
La plantilla fue concebida para adaptarse a la
anatomía del pie, permitiendo la adecuada
integración y ubicación de los sensores
necesarios para la adquisición de las variables
fisiológicas de interés. Su estructura se
compone de una base de policloruro de vinilo
(PVC), seleccionada por su rigidez moderada y
capacidad de brindar soporte estructural durante
la marcha, sobre la cual se incorporó una capa
de espuma viscoelástica (memory foam) para
mejorar la comodidad del usuario y favorecer
una distribución más uniforme de las cargas
plantares.
La distribución de los sensores se definió a
partir de modelos anatómicos del pie y estudios
biomecánicos reportados en la literatura
científica, los cuales identifican las regiones
asociadas a mayores niveles de carga y riesgo
de ulceración en pacientes con diabetes
(Agrawal et al., 2024; Ye et al., 2025). En
particular, se consideraron puntos
representativos del antepié, mediopié y talón,
incluyendo el hallux, las cabezas metatarsianas
y la región posterior del talón. El sensor SHT31,
destinado a la medición de temperatura y
humedad, se ubicó de manera que permitiera
capturar el microentorno térmico del pie,
minimizando interferencias mecánicas durante
la marcha.
Figura 3. Distribución de los sensores de
presión plantar (FSR402) y de los sensores de
temperatura y humedad (SHT31) para pie
derecho
El desarrollo de la aplicación móvil fue
planteado a partir de una estructura
metodológica compuesta por cuatro fases
funcionales, definidas con el objetivo de
describir la gestión de la información clínica, el
flujo de adquisición de datos provenientes de la
plantilla sensorizada y el esquema de
visualización de las variables monitoreadas. El
flujo general propuesto para el funcionamiento
del sistema se presenta en la Figura 4.
Figura 4. Diagrama de flujo del
funcionamiento propuesto de la aplicación
móvil
En la etapa inicial, la aplicación móvil
contempla el registro de datos
sociodemográficos básicos del paciente y de
antecedentes clínicos relevantes, como alergias
y medicación previa, lo que permite asociar las
mediciones a un identificador único y garantizar
la trazabilidad y contextualización de la
información clínica. La fase de adquisición de
datos incluye la sincronización entre la
aplicación móvil y la plantilla sensorizada, la
visualización de las variables plantares y
ambientales y su comparación con rangos de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 940
referencia para la identificación de condiciones
de riesgo. La estructura de la aplicación permite
el seguimiento continuo y ordenado de las
mediciones en distintos momentos de uso,
mientras que la información registrada se
almacena de forma local y se exporta en formato
CSV, facilitando su consulta posterior y la
interoperabilidad con otros sistemas de análisis.
Para la estimación preliminar del riesgo de
formación de úlceras plantares, se implementó
un modelo predictivo de inteligencia artificial
basado en aprendizaje supervisado, entrenado a
partir de dos fuentes de información: datos
reales obtenidos mediante el prototipo de
plantilla sensorizada y datos simulados
derivados de la literatura científica. Los datos
reales provinieron de pruebas experimentales
realizadas en 18 voluntarios con diagnóstico de
diabetes mellitus tipo 1 y tipo 2, en quienes se
registraron variables de presión plantar,
temperatura superficial y humedad plantar
durante sesiones controladas de marcha y
apoyo, con una frecuencia de muestreo de una
muestra por segundo.
No obstante, debido a consideraciones éticas y
clínicas, no fue posible contar con pacientes que
presentaran úlceras activas en estadios
avanzados (grados Wagner 3, 4, 5, 6, 7 y 8), ni
inducir condiciones de riesgo ele- vado de
forma experimental.
Resultados y Discusión
Resultados del diseño y fabricación de la
plantilla sensorizada
Como resultado del proceso de diseño, se
desarrolló una plantilla sensorizada funcional
capaz de integrar sensores de presión plantar,
temperatura y humedad, garantizando
comodidad para el usuario y estabilidad en la
adquisición de datos, como se ilustra en la
Figura 5
Figura 5. Resultados del diseño y fabricación
de la plantilla sensorizada
Fuente: Elaboración propia
En la figura se observa: (a) Implementación
física de la plantilla sensorizada. (b) Base de
PVC con la fuente de poder y módulo de
adquisición de datos. (c) Resultado final de la
plantilla con su sistema de adquisición de datos
completo. La plantilla base fue fabricada en
material PVC, seleccionado por su rigidez
estructural, facilidad de mecanizado y
capacidad para alojar los sensores electrónicos
sin comprometer su funcionamiento. Sobre la
superficie del PVC se incorporó una capa de es-
puma viscoelástica (memory foam), con el
objetivo de mejorar la ergonomía, distribuir las
cargas plantares y evitar puntos de presión
directa sobre los sensores durante la marcha. La
integración de ambos materiales permitió
obtener una estructura híbrida que combina
soporte mecánico y confort, aspecto
fundamental para aplicaciones prolongadas de
monitoreo plantar.
Figura 6. Evaluación del uso de la plantilla
sensorizada durante las pruebas
experimentales
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 941
En la figura 6 se observa: (a) Paciente
perteneciente al grupo control (sin diabetes). (b)
Colocación y uso correcto de la plantilla
sensorizada. (c) Pa- ciente perteneciente al
grupo con diagnóstico de pie diabético.
Condiciones experimentales y volumen de
datos adquiridos
Las pruebas experimentales del sistema se
realizaron en un total de 18 voluntarios,
incluyendo sujetos con diagnóstico de diabetes
mellitus tipo 1 y tipo 2, sujetos pertenecientes al
grupo control. Para cada voluntario se
efectuaron sesiones de adquisición de datos
bajo dos condiciones funcionales: reposo y
marcha controlada. Durante la fase de reposo,
los participantes permanecieron en posición
estática durante un intervalo aproximado de 1
minuto, permitiendo evaluar la estabilidad basal
de las mediciones de presión, temperatura y
humedad. Posteriormente, se realiza- ron
pruebas dinámicas de marcha, con una duración
aproximada de 1 a 2 minutos por voluntario, en
las cuales se registraron las variaciones de las
variables plantares durante las fases de apoyo y
despegue del pie. La plantilla sensorizada operó
con una frecuencia de muestreo de una muestra
por segundo, lo que permitió obtener
aproximadamente 60 muestras por minuto. En
función de la duración de las pruebas, se
registraron entre 120 y 180 muestras por
voluntario, generando un total aproximado de
2160 muestras utilizadas para el análisis
estadístico y la evaluación del desempeño del
sistema.
Resultados del sistema de sensores
Los sensores FSR402 integrados en la plantilla
permitieron registrar variaciones de presión
plantar en tiempo real durante la fase de apoyo
del pie. Las lecturas obtenidas fueron
convertidas a unidades físicas de presión (kPa)
mediante la ecuación de calibración definida en
la metodología. Los resultados evidenciaron
diferencias entre las regiones anatómicas del
pie, observándose mayores niveles de presión
en el antepié y el talón, en concordancia con
estudios biomecánicos previos (Santos et al.,
2024). A partir de estas mediciones se
clasificaron las presiones plantares en rangos
normales y de riesgo, utilizando valores de
referencia reportados en la literatura.
Tabla 1. Resultados experimentales del sensor
FSR402 durante la calibración
Masa aplicada
Presión
(kPa)
ADC prome- dio
100 g
77.2
1540
200
g
154.5
3090
Fuente: Elaboración propia
Los resultados de calibración confirmaron una
relación aproximadamente lineal entre la
presión apli- cada y el valor digital del ADC, lo
que permitió una conversión confiable de las
señales eléctricas a valores físicos de presión
plantar. La validación experimental de los
sensores SHT31 se realizó mediante
comparación directa con un termohigrómetro
digital de referencia. Los resultados mostraron
una alta concordancia entre las mediciones del
sensor y los valores de referencia, con errores
relativos bajos tanto para temperatura como
para humedad relativa.
Tabla 2. Valores de presión plantar máxima
(PPP) para el pie derecho
Zona
Sanos (kPa)
Diabéticos (kPa)
Forefoot
110.92
94.31
Midfoot
84.37
95.01
Heel
158.46
146.71
Total del pie
378.51
417.50
Fuente: Elaboración propia
Estos valores evidencian modificaciones en la
distribución de la presión plantar en pacientes
diabéticos, especialmente en el mediopié y en la
presión total del pie. De manera general, las
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 942
pruebas funcionales de- mostraron que los
sensores FSR402 y SHT31 operaron de forma
estable, generando mediciones coherentes bajo
condiciones reales de uso, lo que confirma la
viabilidad del sistema para el monitoreo plantar
y la evaluación preventiva del riesgo de
ulceración.
Resultados del desarrollo de la interfaz móvil
Figura 7. Interfaz y módulos funcionales de la
aplicación móvil para el registro clínico y
monitoreo del paciente
Como resultado del desarrollo de la aplicación
móvil, se obtuvo una interfaz funcional
orientada a la gestión de información clínica y
al monitoreo en tiempo real de variables
plantares adquiridas mediante la plantilla
sensorizada, como se muestra en la Figura 7.
En la figura 7 se observa: (a) inicio de sesión y
datos generales; (b) antecedentes patológicos;
(c) alergias e hidratación; (d) hábitos del
paciente; (e) medicación; (f) monitoreo de
variables plantares; (g) estimación del nivel de
riesgo; (h) recomendaciones preventivas. Desde
la pantalla principal, los usuarios ven valores de
presión plantar por región, así como
temperatura y humedad plantar, recibidos de
forma inalámbrica a través de Bluetooth.
Además, la aplicación clasifica
automáticamente el nivel de riesgo del pie
(bajo, medio o alto) y proporciona
recomendaciones preventivas de acuerdo con el
nivel identificado, facilitando el seguimiento de
la atención preventiva del pie.
Resultados del modelo de inteligencia
artificial
En esta sección se presentan los resultados
obtenidos a partir del desarrollo, entrenamiento
y validación del sistema predictivo basado en
inteligencia artificial, orientado a la
identificación del riesgo de ulceración plantar
(Yap et al., 2021). Para este propósito, se
evaluaron dos modelos de clasificación
supervisada: Random Forest y Support Vector
Machine (SVM), empleando como variables de
entrada los datos de presión plantar,
temperatura y humedad adquiridos por la
plantilla sensorizada (University of Malta,
2025).
Evaluación del desempeño de los modelos
predictivos
El desempeño de los modelos fue evaluado
mediante matrices de confusión, métricas de
clasificación y curvas ROC. La Figura 8
muestran las matrices de con- fusión obtenidas
para los modelos Random Forest y SVM,
respectivamente, donde se observa una mayor
consistencia en las predicciones del modelo
Random Forest.
Figura 8. Resultados de evaluación del
desempeño de los modelos de clasificación
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 943
En la figura 8 se observa: (a) Matriz de
confusión del modelo Random Forest. (b)
Matriz de confusión del mo- delo de Máquinas
de Vectores de Soporte (SVM). Por otro lado,
en la la Figura 9 muestra la curva ROC
correspondiente al modelo Random Forest, la
cual presenta un comportamiento favorable,
confirmando una adecuada capacidad
discriminativa del clasificador
Figura 9. Curva ROC del modelo Random
Forest.
El presente estudio demuestra la factibilidad de
pre- decir el riesgo de ulceración plantar en
pacientes con pie diabético mediante la
integración de una plantilla sensorizada y
modelos de inteligencia artificial. Los
resultados evidencian que las variables de
presión plantar, temperatura y humedad
permiten identi- ficar patrones asociados a
zonas de riesgo, lo que respalda la capacidad del
sistema para estimar de manera temprana el
nivel de severidad conforme a la clasificación
de Wagner. Esta capacidad predictiva es
relevante en el contexto clínico, ya que
posibilita la intervención precoz antes de la
aparición de lesiones visibles, en concordancia
con los enfoques preventivos recomendados
para el manejo integral del pie diabético. Los
hallazgos obtenidos se relacionan con estudios
recientes que han explorado el uso de sensores
y técnicas de aprendizaje automático para la
detección temprana de complicaciones
plantares. Investigaciones como las de Ye et al.
(2025) y Armstrong et al. (2020) reportan que
incrementos sostenidos de presión y
temperatura plantar anteceden a la formación de
úlceras, lo cual es consistente con los resultados
observados en este trabajo. De igual forma,
estudios más recientes, como el de Khandakar
et al. (2022), destacan la utilidad de modelos de
clasificación supervisada para la estratificación
del riesgo en pacientes con diabetes. En este
contexto, los resultados obtenidos concuerdan
con la evidencia científica disponible y
refuerzan la validez del enfoque propuesto.
El análisis por regiones anatómicas evidenció
que el antepié y el talón presentan mayores
niveles de presión y, en consecuencia, un riesgo
incrementado de ulceración en comparación
con otras zonas del pie. Este comportamiento
puede atribuirse a la biomecánica de la marcha,
dado que estas regiones soportan las mayores
cargas durante las fases de apoyo inicial y
despegue. Asimismo, el mayor riesgo
identificado en el pie derecho podría estar
asociado a la dominancia funcional del
paciente, ya que el pie dominante tiende a
soportar mayores cargas dinámicas durante la
marcha, fenómeno descrito en estudios
biomecánicos previos sobre distribución
asimétrica de presiones plantares. En relación
con el desempeño de los algoritmos de
clasificación, el modelo Random Forest
presentó mejores resultados en términos de
precisión y sensibilidad en comparación con
SVM. Este comportamiento se explica por su
capacidad para modelar relaciones no lineales,
integrar múltiples árboles de decisión y mitigar
el sobreajuste mediante el promediado de
resultados, características que lo hacen
especialmente adecuado para el análisis de
datos biomédicos heterogéneos. Estudios como
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 944
los de Agrawal et al. (2024), así como trabajos
aplicados al análisis del pie diabético (Magliano
y Boyko, 2021), respaldan el uso de Random
Forest por su robustez y estabilidad frente a
conjuntos de datos con múltiples variables
fisiológicas. No obstante, el estudio presenta
ciertas limitaciones. El tamaño reducido de la
muestra clínica y el uso de datos bibliográficos
para el entrenamiento del modelo pueden
restringir la generalización de los resultados.
Adicionalmente, las pruebas se llevaron a cabo
en entornos controlados y durante periodos de
tiempo relativamente cortos, lo que limita la
evaluación del desempeño del sistema en
condiciones reales de uso prolongado. Como
líneas de trabajo futuro, se recomienda la
incorporación de materiales con mayor
durabilidad y ergonomía para la fabricación de
la plantilla, a fin de permitir su uso continuo sin
afectar la comodidad del paciente. Asimismo, la
ampliación de la base de datos clínica y la
inclusión de periodos de monitoreo más
extensos podrían contribuir a mejorar la
precisión del modelo predictivo. Estas mejoras
permitirían con- solidar el sistema como una
herramienta clínica más robusta, con potencial
aplicación en programas de prevención y
seguimiento del pie diabético a largo plazo.
Conclusiones
Se demostró la eficacia del prototipo de plantilla
sensorizada, capaz de medir en tiempo real la
presión plantar, la temperatura superficial del
pie y la humedad interna del calzado,
cumpliendo con el objetivo general de
desarrollar una herramienta tecnológica
orientada al monitoreo preventivo del pie
diabético. El análisis del estado del arte
permitió identificar que la presión plantar, en
conjunto con la temperatura superficial y las
condiciones de humedad del microclima
plantar, constituye un conjunto de variables
determinantes en la predicción del riesgo de
ulceración, lo cual fue corroborado por los
resultados experimentales obtenidos en el
presente estudio. La plantilla sensorizada
desarrollada, fabricada con una estructura de
PVC y recubrimiento de espuma viscoelástica,
permitió la correcta integración de los sensores
sin comprometer la co- modidad del usuario,
aspecto relevante para su potencial aceptación y
uso continuo tanto en entornos clínicos como
domiciliarios.
El sistema de adquisición de datos presentó un
desempeño adecuado, evidenciado por la
calibración estable del sensor de presión
FSR402 y los bajos errores relativos del sensor
SHT31 para la medición de temperatura y
humedad, garantizando registros consistentes
dentro de los rangos reportados en la literatura
científica. La arquitectura de hardware basada
en el microcontrolador ESP32 permitió una
transmisión de datos estable hacia la aplicación
móvil, asegurando una comunicación eficiente
entre los sensores y el sistema de
procesamiento, lo que respalda la viabilidad
técnica del sistema para su uso cotidiano. El
modelo predictivo de inteligencia artificial,
particularmente el algoritmo Random Forest,
alcanzó un alto nivel de precisión en la
estimación del riesgo de ulceración plantar,
identificándose a la presión plantar como la
variable con mayor peso en el proceso de
clasificación. Estos resultados evidencian el
potencial de la inteligencia artificial como
herramienta de apoyo al análisis objetivo del
riesgo clínico.
No obstante, los resultados obtenidos deben
interpretarse considerando que el entrenamiento
del modelo se realizó, en parte, a partir de datos
bibliográficos y sintéticos, lo cual constituye
una limitación en términos de representatividad
clínica y capacidad de generalización. La
ausencia de una base de datos longitudinal
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 945
propia puede introducir sesgos y restringir la
extrapolación directa de los resultados a
poblaciones reales diversas. En este sentido, se
plantea como línea prioritaria de trabajo futuro
la validación prospectiva del sistema mediante
estudios clínicos longitudinales, que incluyan
un mayor número de pacientes, diferentes
perfiles de riesgo y periodos de seguimiento
prolongados. Esta validación permitiría evaluar
la capacidad predictiva del modelo en
condiciones reales de uso, así como ajustar y
recalibrar los algoritmos de inteligencia
artificial con datos clínicos reales. Desde una
perspectiva de salud pública, el sistema
propuesto presenta un potencial significativo
como herramienta de apoyo para la detección
temprana de factores de riesgo asociados al pie
diabético, contribuyendo de manera indirecta a
la reducción de amputaciones,
hospitalizaciones prolongadas y costos
asociados al tratamiento de úlceras avanzadas,
una vez que se complete su validación clínica.
En términos de relevancia social, el prototipo
desarrollado representa una alternativa
accesible y escalable para el monitoreo
preventivo de pacientes diabéticos, con
potencial aplicación en entornos de atención
primaria y seguimiento domiciliario, siempre
que se consolide su desempeño mediante
estudios clínicos prospectivos que respalden su
implementación a mayor escala.
Referencias Bibliográficas
Agrawal, D. (2024). Smart insole-based plantar
pressure analysis for healthy and diabetic
feet classification: Statistical vs. machine
learning approaches. Technologies, 12(11),
231.
Armstrong, D. (2020). Diabetic foot ulcers and
their recurrence. New England Journal of
Medicine, 376(24), 2367–2375.
Interlink Electronics Inc. (s. f.). FSR 402 force
sensing resistor.
https://www.interlinkelectronics.com/fsr-
402
Khandakar, A. (2022). Design and
implementation of a smart insole system to
measure plantar pressure and temperature.
Sensors, 22(19), 7599.
Lavery, L. (2019). Unilateral remote
temperature monitoring to predict future
ulceration for the diabetic foot in remission.
BMJ Open Diabetes Research & Care, 7(1),
e000696.
Lockhart, M. (2024). Plantar pressure
measurement in diabetic foot disease: A
scoping review. Journal of Diabetes
Investigation, 15(8), 990–999.
Magliano, D. (2021). Diabetes prevalence and
projections worldwide: The global diabetes
burden (10th ed.). International Diabetes
Federation.
https://www.ncbi.nlm.nih.gov/books/NBK5
81934/
Ministerio de Salud Pública. (2024). Informe
nacional de complicaciones crónicas en
diabetes mellitus.
https://www.salud.gob.ec/ecuador-refuerza-
su-compromiso-en-la-lucha-contra-la-
diabetes/
Rodríguez, D. (2020). Proceso enfermero
aplicado a un paciente con úlceras por
presión. Revista Vive Salud, 3(9).*
Sánchez, M. (2024). Podología e inteligencia
artificial aplicada al pie diabético [Tesis de
grado, Universidad Miguel Hernández].
Repositorio institucional.
Santos, S. (2024). A systematic review of insole
sensor technology: Recent studies and future
directions. Applied Sciences, 14(14), 6085.
Santos, S. (2025). Global burden of diabetic
foot ulcers: A systematic review on
prevalence, mortality, and clinical-economic
impact. Research, Society and Development.
Shi, Y. (2025). Machine learning-based risk
prediction model for neuropathic foot ulcers
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 946
in patients with diabetic peripheral
neuropathy. Computers in Biology and
Medicine.
University of Malta. (2025). SIT_DIAB project:
Smart insole technology for salvage of the
diabetic foot.
https://www.um.edu.mt/newspoint/news/20
25/06/conclusion-smart-insole-salvaging-
diabetic-foot
Ye, Z. (2025). Sensitive and reliable wireless
monitoring of foot pressure and temperature
for diabetic foot ulcer management and
prevention. Sensors and Actuators: A.
Physical, 387, 116411.
Yap, M. (2021). Deep learning in diabetic foot
ulcers detection: A comprehensive
evaluation. Computers in Biology and
Medicine.
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Sonia Mishel Vega
Vega y Kerly Jesenia Bolaños Vaca.
