Análisis de la eficiencia de la inteligencia artificial para la detección de fracturas en radiografías simples, revisión documental 2025

Abstract

La inteligencia artificial (IA) está en auge en el diagnóstico de imágenes médicas y ha traído esperanzas especialmente altas en la detección de fracturas óseas utilizando radiografías simples. El objetivo de este estudio es examinar la efectividad de la IA en este contexto a través de una revisión documental de artículos publicados entre 2016 y 2024.A pesar del progreso en la tecnología, algunos problemas técnicos, éticos y legales aún deben abordarse, lo que todavía impide su implementación clínica, incluyendo la generalización del modelo en diferentes poblaciones, la variación en la calidad de las imágenes, la transparencia del algoritmo y la responsabilidad médica en caso de errores de diagnóstico. El método adoptado es el desarrollo de una revisión bibliográfica sistemática según las directrices PRISMA en bases de datos académicas (PubMed, Scopus, SciELO, Google Scholar). Proporcionaremos un análisis de parámetros críticos, es decir, sensibilidad, especificidad, pros y contras de diferente software basados en redes neuronales convolucionales. Los resultados anticipados aclararán la precisión de estas herramientas, la utilidad clínica y el uso potencial como ayudas en entornos con recursos limitados o sobrecargados. Esta investigación conducirá a una mejor apreciación del papel complementario de la IA en el diagnóstico radiológico, así como a una guía para la integración responsable y efectiva de la IA en la práctica clínica.

Abstract Artificial intelligence (AI) is booming in medical imaging diagnostics and has brought particularly high hopes for the detection of bone fractures using simple X-rays. The aim of this study is to examine the effectiveness of AI in this context through a literature review of articles published between 2016 and 2024. Despite advances in technology, some technical, ethical, and legal issues still need to be addressed, which continue to hinder its clinical implementation, including the generalization of the model across different populations, variation in image quality, algorithm transparency, and medical liability in the event of diagnostic errors. The method adopted is the development of a systematic literature review according to PRISMA guidelines in academic databases (PubMed, Scopus, SciELO, Google Scholar). We will provide an analysis of critical parameters, i.e., sensitivity, specificity, pros, and cons of different software based on convolutional neural networks. The anticipated results will clarify the accuracy of these tools, their clinical utility, and their potential use as aids in resource-limited or overburdened settings. This research will lead to a better appreciation of the complementary role of AI in radiological diagnosis, as well as guidance for the responsible and effective integration of AI into clinical practice.