Use of Artificial Intelligence in traumatic brain injury in children: scoping review

• Autores: Saldaña-Rimarachin, Rogelio, Segura-Surco, Salvador, Salazar-Ordoñez, Carlos, Guillén-Pinto, Daniel
• Formato: artículo
• Fecha de Publicación: 2025
• Institución: Universidad Peruana Cayetano Heredia
• Repositorio: Revistas - Universidad Peruana Cayetano Heredia
• Lenguaje: español
• OAI Identifier: oai:revistas.upch.edu.pe:article/6389
• Enlace del recurso: https://revistas.upch.edu.pe/index.php/RNP/article/view/6389
• Nivel de acceso: acceso abierto
• Materia: machine learning; Artificial Intelligence; traumatic brain injury; children; scoping review; inteligencia artificial; trauma craneoencefálico; niños; revisión de alcance

La inteligencia artificial (IA) constituye una herramienta significativa en la práctica clínica. El trauma craneoencefálico (TCE) representa una de las principales causas de morbimortalidad infantil, por lo que se espera que la IA mejore los resultados clínicos en esta población. El objetivo de esta revisión fue analizar la literatura existente sobre el uso de IA en el manejo del TCE pediátrico. Se realizó una búsqueda en bases de datos (PubMed/MEDLINE, PMC, Cochrane, Embase, Web of Science, IEEE Xplore, Scopus, SciELO y LILACS). Se incluyeron estudios publicados entre enero de 2015 y junio de 2024 que aplicaron modelos de machine learning (ML) para predecir diagnóstico, tratamiento y pronóstico. Se identificaron 1727 artículos, de los cuales se seleccionaron 31, la mayoría publicados entre 2021 y 2024, predominando la procedencia de Estados Unidos (51,6 %) y países asiáticos (29,0 %). Los modelos de aprendizaje supervisado, como bosque aleatorio (RF) y máquina de soporte vectorial (SVM), fueron los más utilizados (51,6 %), seguidos del aprendizaje profundo (32,2 %), donde destacaron las redes neuronales artificiales (ANN). Los modelos de ML se aplicaron principalmente en diagnóstico (64,5 %) y pronóstico (38,7 %). En diagnóstico, se reportó un área bajo la curva (AUC) entre 0,78 y 0,99, destacando las ANN (exactitud de 99 %; precisión de 100 %); mientras que, en pronóstico, se reportó un AUC entre 0,71 y 0,99, sobresaliendo la SVM (exactitud 94 %; precisión 99 %). Se concluye que existe un interés creciente en el uso de la IA para el diagnóstico y pronóstico del TCE pediátrico, con énfasis en modelos de aprendizaje profundo que muestran un rendimiento superior a las herramientas clínicas tradicionales.