A perda de mobilidade acarreta prejuízos pessoais, psicológicos, sociais, financeiros e é um fenômeno comum naqueles pacientes restritos ao leito. a diminuição da atividade física e o repouso no ambiente hospitalar contribui para piora da recuperação do paciente, associado ao aumento dos riscos à saúde, como o declínio na capacidade de realizar atividades da vida diária, institucionalização e morte. no contexto de baixa mobilidade funcional, o serviço de fisioterapia atua na avaliação e conduta, com o objetivo de prevenir, manter ou melhorar a mobilidade física, atuando em diversas desordens corporais. uma ferramenta que pode ser utilizada para medição e auxilio na recuperação da funcionalidade dos doentes é a inteligência artificial, especificamente, o aprendizado de máquina, onde algoritmos fazem previsões para interpretar dados e aprender sem instruções programadas. nesse cenário, a pesquisa tem por objetivo desenvolver uma modelagem de aprendizado de máquina para predição da mobilidade funcional dos pacientes internados em enfermarias, que receberam atendimento fisioterapêutico. esse estudo é considerado metodológico e de desenvolvimento tecnológico. a pesquisa foi desenvolvida, a partir dos dados coletados em um hospital universitário, com os dados dos pacientes internados em unidade de clínica médica e cirúrgica que foram avaliados e atendidos pelo serviço de fisioterapia, durante o ano de 2020, sendo excluídos óbitos e menores de idade. para o desenvolvimento do modelo foram utilizados 22 atributos com 1.386 registros do conjunto de dados, sendo definidos os previsores e a classe com o desfecho de independência ou dependência física. foi utilizada a linguagem de programação python e suas bibliotecas panda, numpy, matplotlib, sklearn e keras. o classificador da rede neural artificial foi desenvolvido, com 21 entradas, três camadas ocultas com 11 neurônios em cada e uma saída. quanto aos resultados, a validação cruzada apontou a acurácia de 93.21%, com o desvio padrão de 0,030, enquanto a matriz de confusão obteve 92,44% de acurácia. além disso, a área abaixo da curva (auc) da curva roc atingiu 0,934, que mediu a capacidade do modelo de prever uma pontuação maior de exemplos positivos em comparação com os exemplos negativos. portanto, a partir das métricas de avaliação pode-se afirmar que o modelo apresenta um bom desempenho e uma boa capacidade de generalização.