Influencia de las tecnologías emergentes aplicadas al pronóstico del trauma craneoencefálico

Autores/as

Palabras clave:

Predicción clínica, pronóstico neurológico, modelos predictivos, neurotrauma, tecnologías emergentes

Resumen

Las lesiones traumáticas intracraneales, como el hematoma subdural agudo, la contusión cerebral y la hemorragia subaracnoidea postraumática, han representado un problema de salud pública debido a su elevada morbimortalidad y a la complejidad de su tratamiento clínico. Dentro de este escenario, la inteligencia artificial ha emergido como una alternativa innovadora para optimizar la predicción de la gravedad clínica y apoyar la toma de decisiones médicas oportunas. Por ello, el presente estudio se ha orientado en analizar la evidencia científica contemporánea relativa a los modelos de inteligencia artificial orientados a la predicción de la gravedad clínica en pacientes con hematoma subdural agudo, contusión cerebral y hemorragia subaracnoidea postraumática. Para ello, se realizó una revisión bibliográfica descriptiva, mediante la consulta de bases de datos biomédicas internacionales. Se identificó que los modelos de aprendizaje automático y aprendizaje han mostrado altos niveles de precisión predictiva, en especial en la estimación de desenlaces clínicos adversos, estratificación de riesgo y apoyo al diagnóstico temprano, aunque con variabilidad metodológica entre estudios. Se concluyó que la evidencia analizada indicó que la inteligencia artificial ha constituido una herramienta prometedora para la predicción de gravedad clínica en traumatismo craneoencefálico. No obstante, han persistido limitaciones éticas, técnicas y operativas que han requerido estandarización metodológica y fortalecimiento en la validación clínica futura. Por ello, se ha considerado que las futuras líneas de investigación se orienten hacia el desarrollo de modelos explicables, la ampliación de bases de datos heterogéneas y la integración ética y regulatoria de estas tecnologías.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Andishgar, A., Rismani, M., Bazmi, S., Mohammadi, Z., Hooshmandi, S., Kian, B., Niakan, A., Taheri, R., Khalili, H., & Alizadehsani, R. (2025). Developing practical machine learning survival models to identify high-risk patients for in-hospital mortality following traumatic brain injury. Scientific Reports, 15(5913). https://www.nature.com/articles/s41598-025-89574-0

Fan, X., Xu, J., Ye, R., Zhang, Q., & Wang, Y. (2025). Retrospective cohort study based on the MIMIC-IV database: Analysis of factors influencing all-cause mortality at 30 days, 90 days, 1 year, and 3 years in patients with different types of stroke. Frontiers in Neurology, 15. https://www.frontiersin.org/journals/neurology/articles/10.3389/fneur.2024.1516079/full

García-Mc Collins, M. del P. (2025). Innovación en la práctica de enfermería: implementando nuevas tecnologías y enfoques para mejorar la atención al paciente. Sophia Research Review, 2(3), 15-19. https://doi.org/10.64092/388she15

Ge, S., Chen, J., Wang, W., Zhang, L.-B., Teng, Y., Yang, C., Wang, H., Tao, Y., Chen, Z., Li, R., Niu, Y., Zuo, C., & Tan, L. (2024). Predicting who has delayed cerebral ischemia after aneurysmal subarachnoid hemorrhage using machine learning approach: A multicenter, retrospective cohort study. BMC Neurology, 24(177). https://link.springer.com/article/10.1186/s12883-024-03630-2

Gong, B., Khalvati, F., Ertl-Wagner, B. B., & Patlas, M. N. (2025). Artificial intelligence in emergency neuroradiology: Current applications and perspectives. Diagnostic and Interventional Imaging, 106(4), 135–142. https://www.sciencedirect.com/science/article/pii/S2211568424002572

Guranda, A., Richter, A., Wach, J., Güresir, E., & Vychopen, M. (2025). PROMISE: Prognostic Radiomic Outcome Measurement in acute subdural hematoma evacuation post-craniotomy. Brain Sciences, 15(1), 58. https://www.mdpi.com/2076-3425/15/1/58

Huang, C.-C., Chiang, H.-F., Hsieh, C.-C., Zhu, B.-R., Wu, W.-J., & Shaw, J.-S. (2025). Impact of dataset size on 3D CNN performance in intracranial hemorrhage classification. Diagnostics, 15(2), 216. https://www.mdpi.com/2075-4418/15/2/216

Karabacak, M., & Margetis, K. (2024). Machine learning–driven prognostication in traumatic subdural hematoma: Development of a predictive web application. Neurosurgery Practice, 5(1), 1–13. https://journals.lww.com/neurosurgpraconline/fulltext/2024/03000/machine_learning_driven_prognostication_in.12.aspx

Khalili, H., Rismani, M., Nematollahi, M. A., Masoudi, M. S., Asadollahi, A., Taheri, R., Pourmontaseri, H., Valibeygi, A., Roshanzamir, M., Alizadehsani, R., Niakan, A., Andishgar, A., Islam, S. M. S., & Acharya, U. R. (2023). Prognosis prediction in traumatic brain injury patients using machine learning algorithms. Scientific Reports, 13(960), 1–15. https://doi.org/10.1038/s41598-023-28188-w

Khan, M. M., Chowdhury, A. T., Sumon, M. S. I., Maheboob, S. N., Ali, A., Thabet, A. N., Al-Rumaihi, G., Belkhair, S., AlSulaiti, G., Ayyad, A., Shah, N., Hasan, A., Pedersen, S., & Chowdhury, M. E. H. (2025). Multi-class subarachnoid hemorrhage severity prediction: Addressing challenges in predicting rare outcomes. Neurosurgical Review, 48(554), 1–15. https://link.springer.com/article/10.1007/s10143-025-03678-9

Khaniyev, T., Cekic, E., Nisa Gecici, N., Can, S., Ata, N., Ulgu, M. M., Birinci, S., Isikay, A. I., Bakir, A., Arat, A., & Hanalioglu, S. (2025). Predicting mortality in subarachnoid hemorrhage patients using big data and machine learning: A nationwide study in Türkiye. Journal of Clinical Medicine, 14(4), 1144. https://www.mdpi.com/2077-0383/14/4/1144

Kumar, S., Ramprasath, J., Kalpana, V., Rajagopal, M., S, M., & Gupta, R. (2025). Integrating brain-inspired computation with big-data analytics for advanced diagnostics in neuroradiology. Neuroscience Informatics, 5(2), 1–11. https://www.sciencedirect.com/science/article/pii/S2772528625000172

Liu, H., Su, Y., Peng, M., Zhang, D., Wang, Q., Zhang, M., Ge, R., Xu, H., Chang, J., & Shao, X. (2024). Prediction of prognosis in patients with cerebral contusions based on machine learning. Scientific Reports, 14(31993), 1–12. https://www.nature.com/articles/s41598-024-83481-6

Mohammadzadeh, I., Hajikarimloo, B., Eini, P., Niroomand, B., Mohammadzadeh, S., Habibi, M. A., Babak, Z. M., & Aliaghaei, A. (2025). Can machine learning be a reliable tool for predicting hematoma progression following traumatic brain injury? A systematic review and meta-analysis. Neuroradiology, 67(7), 1733–1749. https://doi.org/10.1007/s00234-025-03657-3

Moriya, M., Karako, K., Miyazaki, S., Minakata, S., Satoh, S., Abe, Y., Suzuki, S., Miyazato, S., & Takara, H. (2025). Interpretable machine learning model for outcome prediction in patients with aneurysmatic subarachnoid hemorrhage. Critical Care, 29(36), 1–11. https://link.springer.com/article/10.1186/s13054-024-05245-y

Panda, S., Biswal, S. S., Rath, S. S., & Saxena, S. (2025). Chapter 11 - Traditional and advanced AI methods used in the area of neuro-oncology. Radiomics and Radiogenomics in Neuro-Oncology, 2(2025), 277–300. https://doi.org/10.1016/B978-0-443-18509-0.00008-6

Roy García, I. A., Paredes Manjarrez, C., Moreno Palacios, J., Rivas Ruiz, R., & Flores Pulido, A. A. (2023). Curvas ROC: Características generales y su uso en la práctica clínica. Revista Médica del Instituto Mexicano del Seguro Social, 61(Supl 3), S497–S502. https://revistamedica.imss.gob.mx/index.php/revista_medica/article/view/5074

Sánchez-Núñez, K. E. (2026). Sánchez-Núñez, K. E. (2026). Nursing Education in the Digital Age: SmartNurse as a Bridge to Innovation. Sophia Research Review, 3(1), 5-8. https://doi.org/10.64092/vafchy37

Shih, R. Y., Burns, J., Ajam, A. A., Broder, J. S., Chakraborty, S., Kendi, A. T., Lacy, M. E., Ledbetter, L. N., Lee, R. K., Liebeskind, D. S., Pollock, J. M., Prall, J. A., Ptak, T., Raksin, P. B., Shaines, M. D., Tsiouris, A. J., Utukuri, P. S., Wang, L. L., & Corey, A. S. (2021). ACR Appropriateness Criteria® Head Trauma: 2021 update. Journal of the American College of Radiology, 18(5, Supplement), S13–S36. https://doi.org/10.1016/j.jacr.2021.01.006

Tlalpachicatl Cruz, N., Pérez López, C. G., & Pérez López, C. I. (2024). Aula invertida en educación superior: Análisis de un curso de métodos de investigación en psicología educativa. Revista Iberoamericana de Educación, 95(1), 161–177. https://doi.org/10.35362/rie9516268

Torres Espin, A. (2025). Priorities towards precision neurotrauma: A methodological perspective. The Journal of Precision Medicine: Health and Disease, 3(October), 1–5. https://doi.org/10.1016/j.premed.2025.100022

Zade, A. P., Bhoge, S. S., Seth, N. H., & Phansopkar, P. (2023). Rehabilitation of traumatic acute subdural hematoma and subarachnoid hemorrhage: A case report. Cureus, 15(12), 1–9. https://pubmed.ncbi.nlm.nih.gov/38229824/

Descargas

Publicado

2026-04-01

Cómo citar

Acurio-Padilla, P. E., Guerreo-Rea, C. R., Huilca-Galarza, H. A., & Jaramillo-Aguilar, A. P. (2026). Influencia de las tecnologías emergentes aplicadas al pronóstico del trauma craneoencefálico. Revista UGC, 4(2), 53–59. Recuperado a partir de https://universidadugc.edu.mx/ojs/index.php/rugc/article/view/340

Número

Vol. 4 Núm. 2 (2026): Innovación científica, transformación digital y desafíos jurídicos en el contexto contemporáneo (abril-junio)

Sección

Artículos

Licencia

Derechos de autor 2026 Piedad Elizabeth Acurio-Padilla, Cristopher René Guerreo-Rea, Hendry Alejandro Huilca-Galarza, Alejandro Patricio Jaramillo-Aguilar

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Los autores que publican en la Revista UGC están de acuerdo con los siguientes términos:

1. Derechos de Autor

Los autores conservan los derechos de autor sobre sus trabajos sin restricciones. Los autores otorgan a la revista el derecho de primera publicación. Para ello, ceden a la revista, de forma no exclusiva, los derechos de explotación (reproducción, distribución, comunicación pública y transformación). Los autores pueden establecer otros acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista, siempre que exista un reconocimiento de su publicación inicial en esta revista.

© Los autores.

2. Licencia

Los trabajos se publican en la revista bajo la licencia de Atribución-NoComercial-CompartirIgual 4.0 Internacional de Creative Commons (CC BY-NC-SA 4.0). Los términos se pueden consultar en: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es

Esta licencia permite:

  • Compartir: copiar y redistribuir el material en cualquier medio o formato.
  • Adaptar: remezclar, transformar y crear a partir del material.

Bajo los siguientes términos:

  • Atribución: ha de reconocer la autoría de manera apropiada, proporcionar un enlace a la licencia e indicar si se ha hecho algún cambio. Puede hacerlo de cualquier manera razonable, pero no de forma tal que sugiera que el licenciador le da soporte o patrocina el uso que se hace.
  • NoComercial: no puede utilizar el material para finalidades comerciales.
  • CompartirIgual: si remezcla, transforma o crea a partir del material, debe difundir su creación con la misma licencia que la obra original.

No hay restricciones adicionales. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer cualquier cosa que la licencia permita.