Desarrollan modelo de Inteligencia Artificial para determinar la responsabilidad en atropellos

• Investigadores de la Universidad de Extremadura (UEx) proponen un modelo de machine learning para clasificar los niveles de responsabilidad tanto de conductores como de peatones, utilizando datos reales de siniestros de Badajoz.
• Los algoritmos de machine learning se han planteado para mejorar la objetividad y rapidez en la toma de decisiones judiciales y administrativas en colisiones con peatones.

La vulnerabilidad de los peatones en los siniestros viales, especialmente en entornos urbanos, es un problema crucial en la seguridad vial, ya que concentra un elevado número de heridos graves y fallecidos. Tradicionalmente, las investigaciones en este ámbito se han centrado en analizar la gravedad de las lesiones y en identificar los factores de riesgo que provocan los siniestros. Sin embargo, existe un vacío importante en relación con una cuestión clave: la determinación de la responsabilidad. Es decir, más allá de lo sucedido, quién es responsable de un atropello.

Con el objetivo de responder a esta cuestión surge la investigación de Alejandro Moreno Sanfélix, policía local adscrito a la unidad de Policía Judicial de Tráfico de Badajoz, en colaboración con los investigadores de la Escuela de Ingenierías Industriales de la Universidad de Extremadura Consuelo Gragera Peña y Miguel Ángel Jaramillo Morán. El estudio, publicado en Scientific reports de Nature, surge de la experiencia del autor como policía, al observar que en muchos siniestros viales la responsabilidad no es clara y suele estar compartida. “Nuestro propósito es proporcionar herramientas más objetivas y rápidas que apoyen las decisiones administrativas y judiciales. Todo ello con la finalidad última de prevenir y reducir la siniestralidad vial gracias al uso inteligente de los datos y la tecnología”, subraya Moreno.

El uso de inteligencia artificial en este contexto se presenta como una oportunidad para mejorar la objetividad y la rapidez en la toma de decisiones. El sistema se basa en técnicas de machine learning, una rama de la inteligencia artificial en la que los modelos usados aprenden a realizar una tarea a partir del procesado de un conjunto suficientemente grande de datos. El estudio utiliza diferentes técnicas de machine learning para entrenar modelos capaces de clasificar los siniestros viales en función de la responsabilidad. “Estos sistemas pueden procesar grandes cantidades de datos y detectar patrones que pueden pasar desapercibidos para los humanos. Además, permiten identificar cuáles son las variables más influyentes en la determinación de la responsabilidad, lo que no solo es útil para los jueces, sino también para que las administraciones públicas puedan intervenir de manera más eficaz en la prevención de siniestros”, explica Miguel Ángel Jaramillo.

Conducir sin permiso de conducir, uno de los factores más dominantes

La variable más relevante identificada en el estudio para determinar la responsabilidad es la posesión del permiso de conducir. Según Alejandro Moreno, conducir sin permiso de conducir es uno de los factores más determinantes, ya que implica desconocimiento de las normas. También se analizan otros factores destacados como la ubicación del siniestro vial (por ejemplo, si ocurre en un paso de peatones), el consumo de alcohol o drogas, el uso del teléfono móvil, el comportamiento del peatón y la distracción en general.

La distracción al volante se identifica como un factor especialmente importante, junto con el consumo de sustancias. En este sentido, aunque el alcohol es un factor conocido y controlado, el consumo de drogas puede estar infrarrepresentado en los datos debido a la menor frecuencia de controles específicos. Esto pone de manifiesto la necesidad de reforzar las campañas de prevención en este ámbito.

Estos modelos se entrenan con datos reales, como atestados policiales y sentencias judiciales previamente validadas. De este modo, el sistema aprende de decisiones humanas que ya han sido consideradas correctas. Esto permite alcanzar un nivel de fiabilidad similar al de las resoluciones humanas, aunque siempre con la posibilidad de mejora a medida que se incorporen más datos.

Otro aspecto importante es la capacidad de estos sistemas para adaptarse a diferentes contextos geográficos. Aunque el modelo se ha desarrollado inicialmente con datos de Badajoz entre 2013 y 2023, se podría aplicar a otras ciudades siempre que se disponga de información similar y se ajusten las variables a las características locales.

Además de analizar la responsabilidad de conductores y peatones, la investigación abre la puerta a incorporar un tercer actor: la administración pública. Según indican los investigadores, muchas infraestructuras urbanas presentan deficiencias que pueden contribuir a la ocurrencia de accidentes, como pasos de peatones mal ubicados o problemas de visibilidad debido a la vegetación. En estos casos, parte de la responsabilidad podría recaer en la propia administración, lo que refuerza la importancia de incluir más variables en futuros desarrollos del modelo.

La entrevista a los investigadores se puede escuchar en el podcast Brotes de Ciencia.

Fuente: Servicio de Difusión de la Cultura Científica de la UEx

Referencias bibliográficas

Moreno-Sanfélix, A., Gragera-Peña, F.C. & Jaramillo-Morán, M.A. Evaluation of the level of responsibility in pedestrian crashes using machine learning algorithms. Sci Rep 16, 12093 (2026). https://doi.org/10.1038/s41598-026-42875-4

Moreno-Sanfélix, A.; Gragera-Peña, F.C.; Jaramillo-Morán, M.A. Improving the Level of Responsibility Classification for Pedestrian Crashes with the Multilayer Perceptron Model. Urban Sci. 2026, 10, 68. https://doi.org/10.3390/urbansci10020068