Aunque los mecanismos de lesión de la lesión cerebral traumática leve (mTBI) pueden ser similares entre los pacientes, se está volviendo cada vez más claro que los pacientes no pueden ser tratados como un grupo homogéneo. Se han identificado varios grupos de síntomas predominantes (PSC), cada uno de los cuales requiere planes de tratamiento específicos e individualizados. Sin embargo, faltan métodos objetivos para respaldar estas decisiones clínicas. Este estudio piloto exploró si los datos de sensores portátiles recopilados durante la Prueba de Caminadora de Conmoción de Buffalo (BCTT) combinados con un enfoque de aprendizaje profundo podrían clasificar con precisión a los pacientes con mTBI con PSC fisiológicos frente a PSC vestibulo-oculares. Un diseño transversal evaluó un modelo de red neuronal convolucional entrenado con datos de electrocardiografía (ECG) y acelerometría. Con un enfoque de dejar uno fuera, este modelo clasificó a 11 de 12 (92%) pacientes con PSC fisiológicos y 3 de 5 (60%) pacientes con PSC vestibulo-oculares. Se observó la misma precisión de clasificación en un modelo que solo utilizaba datos de acelerometría. Nuestros resultados piloto sugieren que agregar sensores portátiles durante pruebas clínicas como la BCTT, combinados con modelos de aprendizaje profundo, puede tener utilidad para ayudar en las decisiones de manejo para pacientes con mTBI en el futuro. Reiteramos que se necesita más validación para replicar los resultados actuales.