Este documento presenta un enfoque novedoso basado en datos para el monitoreo de la salud estructural (SHM) que utiliza la regresión de Redes de Estado Eco (ESN) para la evaluación continua de daños. A diferencia de los métodos de clasificación tradicionales que requieren una gran cantidad de datos etiquetados sobre estados dañados, nuestro enfoque utiliza una ESN, una poderosa red neuronal recurrente, para predecir directamente una métrica de daño continua a partir de datos de sensores. Esta metodología basada en regresión ofrece dos ventajas clave relevantes para las aplicaciones de ciencia de datos en SHM: (1) Reducción de la dependencia de datos de entrenamiento: La ESN logra una alta precisión incluso con datos limitados sobre estructuras dañadas, aliviando significativamente la carga de adquisición de datos en comparación con las técnicas de IA/ML basadas en clasificación. (2) Mayor resistencia al ruido: La propiedad inherente de computación de reservorio de las ESN, caracterizada por una capa recurrente fija y de alta dimensión, las hace más tolerantes al ruido de los sensores y a las variaciones ambientales en comparación con los métodos de clasificación, lo que conduce a predicciones de SHM más confiables y robustas a partir de datos ruidosos. Una evaluación integral demuestra la efectividad de la ESN propuesta en la identificación de daños estructurales, destacando su potencial para aplicaciones prácticas en sistemas de SHM basados en datos.