Uso de inteligencia artificial para la estimación de edad ósea mediante radiografías digitales en población pediátrica en establecimientos de salud: una revisión de alcance

Abstract

Introducción: La estimación de la edad ósea es fundamental para evaluar el desarrollo infantil, pero los métodos tradicionales presentan limitaciones que pueden afectar su precisión. Esto motiva el uso de la inteligencia artificial, cuyos modelos recientes muestran resultados esperanzadores. Objetivo: Mapear la evidencia disponible del uso de la inteligencia artificial para la estimación de la edad ósea en la población pediátrica mediante radiografías digitales en establecimientos de salud. Metodología: Se realizó una revisión de alcance siguiendo PRISMA-ScR. La búsqueda incluyó Embase, PubMed, IEEE Xplore, LILACS, Web of Science, Cochrane, SciELO y como motor de búsqueda complementario Google Scholar, considerando estudios publicados entre enero de 2013 y octubre de 2025. Tras aplicar los criterios de elegibilidad, los resultados se analizaron de forma descriptiva y por frecuencias mediante Microsoft Excel 2021, reportados en gráficos y tablas. Resultados: Se analizaron nueve estudios entre 2020 y 2025, de diseño retrospectivo, que incluyeron más de 3,500 radiografías digitales de mano izquierda en población pediátrica de 1 a 18 años. Los modelos de IA mostraron alta precisión: los errores absolutos medios entre 0.3 y 0.7 años, mientras que las correlaciones intraclases reportadas fueron de 0.99, alcanzando concordancias casi perfectas con los métodos tradicionales Greulich & Pyle y Tanner–Whitehouse 3, se redujo 87% el tiempo de lectura y la variabilidad inter e intraobservador. Conclusiones: La IA en radiografías pediátricas logra precisión comparable a especialistas reduciendo el tiempo y variabilidad, dependiendo de la calidad de imagen y puede presentar sesgos en poblaciones distintas a las de entrenamiento.

Introduction: Bone age estimation is fundamental for assessing child development, but traditional methods have limitations that can affect their accuracy. This motivates the use of artificial intelligence, whose recent models show promising results. Objective: To map the available evidence on the use of artificial intelligence for bone age estimation in the pediatric population using digital radiographs in healthcare facilities. Methodology: A scoping review was conducted following the PRISMA-ScR guidelines. The search included Embase, PubMed, IEEE Xplore, LILACS, Web of Science, Cochrane, SciELO, and, as a complementary search engine, Google Scholar, considering studies published between January 2013 and October 2025. After applying the eligibility criteria, the results were analyzed descriptively and by frequency using Microsoft Excel 2021 and reported in graphs and tables. Results: Nine retrospective studies conducted between 2020 and 2025, including more than 3,500 digital radiographs of the left hand in a pediatric population aged 1 to 18 years, were analyzed. AI models showed high accuracy: mean absolute errors ranged from 0.3 to 0.7 years, while reported intraclass correlations were 0.99, achieving near-perfect agreement with the traditional Greulich & Pyle and Tanner–Whitehouse methods. Reading time and inter- and intra-observer variability were reduced by 87%. Conclusions: AI in pediatric radiography achieves accuracy comparable to specialists, reducing time and variability, depending on image quality. However, it may exhibit bias in populations other than the training population.