La marcha es una de las tareas motoras más estudiadas utilizando sistemas de captura de movimiento, el estándar de oro para el análisis instrumental de la marcha. Diversas soluciones basadas en sensores han sido propuestas recientemente para evaluar parámetros de la marcha, generalmente proporcionando una precisión menor pero una mayor flexibilidad. Los procedimientos de validación son cruciales para evaluar la precisión de la medición de estas soluciones, ya que los errores residuales pueden surgir de factores ambientales, metodológicos o de procesamiento. Este estudio tiene como objetivo mejorar la validación mediante el empleo de técnicas de aprendizaje automático para investigar el impacto de dichos errores en la evaluación general de perfiles de marcha. Dos conjuntos de datos de pruebas de marcha, recopilados de sujetos sanos y postictus utilizando un sistema de captura de movimiento y un sistema basado en cámara 3D, fueron considerados. Los perfiles de marcha estimados incluyen parámetros espaciotemporales, de asimetría y de centro de masa corporal para capturar diversas peculiaridades de la marcha normal y patológica. Los modelos de aprendizaje automático muestran la equivalencia y el alto nivel de acuerdo y concordancia entre los sistemas de medición en la evaluación de perfiles de marcha (precisión: 98.7%). Además, demuestran la intercambiabilidad e integrabilidad de datos a pesar de los errores residuales identificados por métricas estadísticas tradicionales. Estos hallazgos sugieren que los procedimientos de validación pueden extenderse más allá de las estrictas diferencias de medición para evaluar de manera integral el rendimiento de la marcha.