Creamos una métrica de evaluación general utilizando un autoencoder de aprendizaje profundo para comparar directamente los resultados clínicos en una comparación de amputados de miembros inferiores que utilizan dos dispositivos protésicos diferentes: una rodilla mecánica y una rodilla controlada por microprocesador. Ocho resultados clínicos se destilaron en una única métrica utilizando un autoencoder profundo de siete capas, y la métrica desarrollada se comparó con resultados similares del análisis de componentes principales (PCA). Los métodos propuestos se utilizaron en datos recopilados de diez participantes con una amputación transfemoral disvascular reclutados para un estudio de investigación de prótesis. Esta métrica de resumen único permitió una reconstrucción cruzada validada de los ocho puntajes, representando el 83.29% de la varianza. El puntaje derivado también está vinculado a la capacidad funcional general en esta población de prueba limitada, ya que las mejoras en cada puntaje clínico base llevaron a aumentos en esta métrica desarrollada. Hubo un aumento altamente significativo en esta métrica basada en autoencoder cuando los sujetos utilizaron la rodilla controlada por microprocesador (<0.001, ANOVA de medidas repetidas). Una métrica de PCA tradicional llevó a una interpretación similar pero capturó solo el 67.3% de la varianza. El puntaje compuesto del autoencoder representa un resumen conciso de un solo valor que puede ser útil para la evaluación holística de puntajes individuales altamente variables en conjuntos de datos clínicos limitados.