Evaluar la función física objetiva en pacientes con cáncer es crucial para evaluar su capacidad de tolerar tratamientos invasivos. Los métodos actuales de evaluación, como la prueba de levantarse y caminar (TUG) y la batería de rendimiento físico corto, tienden a requerir recursos y tiempo adicionales, limitando su practicidad en la práctica clínica de rutina. Para hacer frente a estos desafíos, desarrollamos un sistema para evaluar la función física basado en movimientos observados durante consultas clínicas y nos propusimos explorar características relevantes a partir de datos de unidades de medición inercial recopilados durante esos movimientos. En cuanto al flujo de la investigación, primero recopilamos datos de unidades de medición inercial de 61 pacientes con cáncer mientras replicaban una serie de movimientos en una sala de consulta. Luego realizamos análisis de correlación para identificar puntos clave de enfoque y desarrollamos modelos de aprendizaje automático para predecir los resultados de la prueba TUG utilizando las características extraídas. En cuanto a los resultados, se identificó la variabilidad de la velocidad pélvica (PVV) utilizando regresión Lasso. Un modelo de regresión lineal que utiliza PVV como variable de entrada logró un error absoluto medio de 1.322 s y una correlación de 0.713 con los resultados de TUG medidos durante una validación cruzada de cinco pliegues. Una PVV más alta se correlacionó con resultados más cortos en la prueba TUG. Estos hallazgos sientan las bases para el desarrollo de un sistema de evaluación de la función física basado en inteligencia artificial que opera sin necesidad de recursos adicionales.