Eur J Radiol. 2026 de enero; 194: 112498. doi: 10.1016/j.ejrad.2025.112498. Publicación electrónica del 1 de noviembre de 2025.

OBJETIVOS: La interpretación de las radiografías del codo en casos de traumatismos pediátricos es un desafío para los médicos de urgencias debido a las peculiaridades anatómicas de esta articulación en los niños y el riesgo de complicaciones por fracturas no detectadas. La inteligencia artificial (IA), en particular los algoritmos de aprendizaje profundo, tiene el potencial de ayudar en la detección de fracturas. Nuestro objetivo fue evaluar el desempeño de los médicos de urgencias pediátricas en la detección de fracturas de codo en niños sin y con la ayuda de un algoritmo de aprendizaje profundo.

PACIENTES Y MÉTODOS: Este estudio retrospectivo incluyó a todos los niños de 0 a 15 años ingresados en el servicio de urgencias de un hospital universitario francés entre enero de 2019 y abril de 2020, a quienes se les ordenaron radiografías frontales y laterales del codo después de un traumatismo. El estándar de referencia fue establecido por dos expertos independientes que desconocían los resultados del algoritmo de IA. El rendimiento diagnóstico de los médicos de urgencias se evaluó y comparó sin y con la asistencia teórica de IA. Además, se probó externamente el rendimiento del algoritmo de IA independiente.

RESULTADOS: De 755 niños incluidos (edad media: 8 años), 352 (47 %) tuvieron una fractura de codo, derrame articular y/o dislocación. La asistencia teórica de IA mejoró la sensibilidad del médico en un 21,6 % (del 77,3 % al 98,9 %; p < 0.001), though this was accompanied by a 24.8 % decrease in specificity (from 88.3 % to 63.5 %; p < 0.001). The stand-alone AI algorithm achieved a sensitivity of 98.0 % (95 % CI: 96.0-99.0) and a specificity of 70.0 % (95 % CI: 65.3-74.2).

CONCLUSIÓN: El algoritmo de IA demostró un alto rendimiento en la detección de fracturas de codo pediátricas, mejorando significativamente la sensibilidad para los médicos de urgencias y ayudando a reducir la tasa de diagnósticos perdidos.

PubMed:41197552 | DOI:10.1016/j.ejrad.2025.112498