El dolor articular es un síntoma prominente de la osteoartritis de cadera y rodilla (OA), que impide los movimientos de los pacientes y afecta la mecánica articular de la marcha. Los cuestionarios de autoevaluación son actualmente el estándar de oro para la evaluación del dolor en la OA de cadera y rodilla, presentando varios problemas, incluido el hecho de que las personas mayores a menudo no logran proporcionar informes precisos sobre su dolor. Se desean métodos pasivos para evaluar el dolor. Este estudio tiene como objetivo explorar la viabilidad de OA-Pain-Sense, un enfoque pasivo y automático basado en aprendizaje automático que predice los niveles de dolor autoinformados de los pacientes utilizando características de marcha espaciotemporales extraídas de la señal del acelerómetro recopilada de un sensor portátil anterior-posterior. Para mitigar la variabilidad entre sujetos, investigamos dos tipos de reescalado de datos: a nivel de sujeto y a nivel de conjunto de datos. Exploramos seis modelos de clasificación binaria de aprendizaje automático diferentes para discriminar el dolor en pacientes con OA de cadera o rodilla de controles sanos. En una evaluación rigurosa, OA-Pain-Sense logró una precisión promedio del 86.79% utilizando el árbol de decisión y del 83.57% utilizando clasificadores de máquina de soporte vectorial para distinguir a los pacientes con OA de cadera y rodilla de sujetos sanos, respectivamente. Nuestros resultados demuestran que OA-Pain-Sense es viable, allanando el camino para el desarrollo de un algoritmo de evaluación del dolor que pueda apoyar la toma de decisiones clínicas y ser utilizado en cualquier dispositivo portátil, como teléfonos inteligentes.