Uso de la inteligencia artificial en el trauma craneoencefálico en niños

• Autores: Saldaña Rimarachin, Rogelio Cristopher, Segura Surco, Eric Salvador
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana Cayetano Heredia
• Repositorio: UPCH-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.upch.edu.pe:20.500.12866/16679
• Enlace del recurso: https://hdl.handle.net/20.500.12866/16679
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Inteligencia Artificial; TEC; Niños; Revisión de Alcance; http://purl.org/pe-repo/ocde/ford#1.02.00; http://purl.org/pe-repo/ocde/ford#2.02.05; http://purl.org/pe-repo/ocde/ford#3.02.03; http://purl.org/pe-repo/ocde/ford#3.02.25

Introducción: La Inteligencia Artificial (IA) constituye una herramienta muy valiosa en la práctica clínica. El trauma encefalocraneano (TEC) en niños, representa una de las principales causas de morbimortalidad infantil. Se espera que el uso de la IA mejore los resultados clínicos en esta población. Objetivo: Explorar y analizar la literatura existente sobre el uso de IA en el manejo del trauma encefalocraneano en la población pediátrica. Método: Se realizó una búsqueda en las bases de datos PubMed, PMC, Cochrane, Embase, Web of Science, IEEE Xplore, Scopus, Scielo y Lilacs. Se incluyó estudios que aplicaron modelos de Machine Learning (ML) para predecir el diagnóstico, tratamiento y pronóstico, publicados entre enero de 2015 y primer semestre 2024. Resultados: Fueron identificados 1727 artículos, de los cuales se seleccionaron 31. La mayoría publicados entre 2021 y 2024, procedentes de Estados Unidos (51.6%) y países asiáticos (29%). Los modelos de aprendizaje supervisado, Random Forest y Support Vector Machine (SVM) fueron los más utilizados (51.6%), seguidos de aprendizaje profundo (32.2%), destacando las redes neuronales artificiales (ANN). Los modelos de ML se aplicaron en el diagnóstico (64.5%) y pronóstico (38.7%). En términos de desempeño, los modelos diagnósticos reportaron un AUC entre 0.78-0.99 y destacó ANN (exactitud 99%, precisión 100%); en pronóstico, reportaron un AUC de 0.71-0.99 y destacó SVM (exactitud 94%, precisión 99%). Conclusiones: Existe un interés creciente del uso de la IA en el diagnóstico y pronóstico del TEC pediátrico, destacando los modelos de aprendizaje profundo, que superarían en rendimiento a las herramientas clínicas tradicionalmente usadas.