Actualmente, no hay evidencia sólida que respalde intervenciones para el síndrome de estrés tibial medial (MTSS), una lesión común en corredores asociada con la carga tibial. La fuerza de reacción vertical del suelo (vGRF) y la aceleración axial tibial (TA) son los métodos más comunes para estimar las cargas tibiales, sin embargo, las recomendaciones clínicas para modificar la técnica con el fin de reducir estas métricas no están bien documentadas. Este estudio investigó si los cambios en la velocidad, cadencia, longitud de zancada y patrón de impacto del pie influyen en vGRF y TA. Además, se evaluaron modelos de aprendizaje automático por su capacidad para estimar métricas de vGRF. Dieciséis corredores completaron siete ensayos de 1 minuto que consistieron en técnica preferida, +/-10% de velocidad, +/-10% de cadencia, impacto en el antepié y en el talón. Una reducción del 10% en la velocidad disminuyó la aceleración tibial máxima (PTA), la tasa de carga vertical promedio (VALR), la tasa de carga vertical instantánea (VILR) y el impulso vertical en un 13%, 10.9%, 9.3% y 3.2%, respectivamente. Un aumento del 10% en la cadencia redujo significativamente la PTA (11.5%), VALR (15.6%), VILR (13.5%) y el impulso (3.5%). El impacto en el antepié produjo una PTA (26.6%), VALR (68.3%) y VILR (68.9%) significativamente más bajas. Los corredores habituales que impactan con el antepié tuvieron una VALR (58.1%) y VILR (47.6%) más bajas en comparación con los que impactan con el talón. Los modelos de aprendizaje automático predijeron las cuatro métricas de vGRF con errores promedio de 9.5%, 10%, 10.9% y 3.4%, respectivamente. Este estudio demuestra que modificaciones a pequeña escala en la técnica de carrera reducen efectivamente las estimaciones de carga tibial. Los modelos de aprendizaje automático ofrecen una herramienta accesible y asequible para el reentrenamiento de la marcha al predecir métricas de vGRF sin depender de datos de IMU. Los hallazgos apoyan estrategias prácticas para reducir el riesgo de MTSS.