Uso de la inteligencia artificial en el trauma craneoencefálico en niños

Saldaña Rimarachin, Rogelio Cristopher; Segura Surco, Eric Salvador

dc.contributor.advisor	Guillen Pinto, Rosendo Daniel	es_ES
dc.contributor.advisor	Salazar Ordoñez, Carlos Antonio	es_ES
dc.contributor.author	Saldaña Rimarachin, Rogelio Cristopher	es_ES
dc.contributor.author	Segura Surco, Eric Salvador	es_ES
dc.date.accessioned	2025-02-07T22:22:56Z
dc.date.available	2025-02-07T22:22:56Z
dc.date.issued	2025
dc.identifier.other	215802	es_ES
dc.identifier.uri	https://hdl.handle.net/20.500.12866/16679
dc.description.abstract	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.	es_ES
dc.description.abstract	Introduction: Artificial Intelligence (AI) constitutes a valuable tool in clinical practice. Traumatic brain injury (TBI) in children represents one of the main causes of infant morbidity and mortality. The use of AI is expected to improve clinical outcomes in this population. Objective: To explore and analyze the existing literature on the use of AI in the management of Traumatic brain injury in the pediatric population. Methods: We searched PubMed, PMC, Cochrane, Embase, Web of Science, IEEE Xplore, Scopus, Scielo and Lilacs databases. We included studies that applied Machine Learning (ML) models to predict diagnosis, treatment and prognosis, published between January 2015 and first semester 2024. Results: A total of 1727 articles were identified, of which 31 were selected. The majority were published between 2021 and 2024, from the United States (51.6%) and Asian countries (29%). Supervised learning models, Random Forest and Support Vector Machine (SVM) were the most used (51.6%), followed by deep learning (32.2%), highlighting artificial neural networks (ANN). ML models were applied in diagnosis (64.5%) and prognosis (38.7). In terms of performance, diagnostic models reported an AUC between 0.78-0.99 and ANN stood out (accuracy 99%, precision 100%); in prognosis, they reported an AUC of 0.71-0.99 and SVM stood out (accuracy 94%, precision 99%). Conclusions: There is a growing interest in the use of AI in the diagnosis and prognosis of pediatric TBI, highlighting deep learning models, which would outperform traditionally used clinical tools.	es_ES
dc.format	application/pdf	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Universidad Peruana Cayetano Heredia	es_ES
dc.rights	info:eu-repo/semantics/openAccess	es_ES
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es	es_ES
dc.subject	Machine Learning	es_ES
dc.subject	Inteligencia Artificial	es_ES
dc.subject	TEC	es_ES
dc.subject	Niños	es_ES
dc.subject	Revisión de Alcance	es_ES
dc.title	Uso de la inteligencia artificial en el trauma craneoencefálico en niños	es_ES
dc.title.alternative	Use of artificial intelligence in traumatic brain injury in children	es_ES
dc.type	info:eu-repo/semantics/bachelorThesis	es_ES
thesis.degree.name	Médico Cirujano	es_ES
thesis.degree.grantor	Universidad Peruana Cayetano Heredia. Facultad de Medicina Alberto Hurtado	es_ES
thesis.degree.discipline	Medicina	es_ES
dc.publisher.country	PE	es_ES
dc.subject.ocde	http://purl.org/pe-repo/ocde/ford#1.02.00	es_ES
dc.subject.ocde	http://purl.org/pe-repo/ocde/ford#2.02.05	es_ES
dc.subject.ocde	http://purl.org/pe-repo/ocde/ford#3.02.03	es_ES
dc.subject.ocde	http://purl.org/pe-repo/ocde/ford#3.02.25	es_ES
renati.author.dni	71848730
renati.author.dni	71229974
renati.advisor.orcid	https://orcid.org/0000-0003-0412-3350	es_ES
renati.advisor.orcid	https://orcid.org/0000-0001-9959-8097	es_ES
renati.advisor.dni	08602561
renati.advisor.dni	09337280
renati.type	https://purl.org/pe-repo/renati/type#tesis	es_ES
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional	es_ES
renati.discipline	912016	es_ES
renati.juror	Prevost Ruiz, Yolanda	es_ES
renati.juror	Medina Alva, Maria del Pilar	es_ES
renati.juror	Mas Ubilus, Guiliana	es_ES