Puma_cg

Vista previa del material en texto

Universidad Nacional Mayor de San Marcos 
Universidad del Perú. Decana de América 
Facultad de Medicina 
Escuela Profesional de Tecnología Médica 
 
Inteligencia artificial para la evaluación de la edad 
ósea en niños: Una revisión narrativa 
 
TESIS 
Para optar el Título Profesional de Licenciada en Tecnología 
Médica en el área de Radiología 
 
 
AUTOR 
Grecia Maria, PUMA CALDERON 
 
ASESOR 
Dr. Lusin Antonio PONCE CONTRERAS 
 
 
Lima, Perú 
2023 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Reconocimiento - No Comercial - Compartir Igual - Sin restricciones adicionales 
https://creativecommons.org/licenses/by-nc-sa/4.0/ 
Usted puede distribuir, remezclar, retocar, y crear a partir del documento original de modo no 
comercial, siempre y cuando se dé crédito al autor del documento y se licencien las nuevas 
creaciones bajo las mismas condiciones. No se permite aplicar términos legales o medidas 
tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita esta licencia. 
Referencia bibliográfica 
 
 
Puma N. Inteligencia artificial para la evaluación de la edad ósea en niños: Una 
revisión narrativa [Tesis de pregrado]. Lima: Universidad Nacional Mayor de San 
Marcos, Facultad de Medicina, Escuela Profesional de Tecnología Médica; 2023. 
 
 
 
Metadatos complementarios 
Datos de autor 
Nombres y apellidos Puma Calderon Grecia Maria 
Tipo de documento de identidad 
DNI 
 
 Número de documento de identidad 75421737 
URL de ORCID - 
Datos de asesor 
Nombres y apellidos Lusin Antonio Ponce Contreras 
Tipo de documento de identidad DNI 
 Número de documento de identidad 06794361 
URL de ORCID https://orcid.org/0000-0002-5523-8134 
Datos del jurado 
Presidente del jurado 
Nombres y apellidos Misael Jefferson Fajardo Quispe 
Tipo de documento DNI 
Número de documento de identidad 73859586 
Miembro del jurado 1 
Nombres y apellidos Isna Liz Larico Pampamallco 
Tipo de documento DNI 
Número de documento de identidad 40173744 
Miembro del jurado 2 
Nombres y apellidos Elmer Edgardo Santiani Puican 
Tipo de documento DNI 
Número de documento de identidad 15853128 
Datos de investigación 
Línea de investigación No aplica 
Grupo de investigación No aplica 
 
Agencia de financiamiento 
Sin Financiamiento 
 
Ubicación geográfica de la 
investigación 
Lima - Perú 
Año o rango de años en que se 
realizó la investigación 
2022 - 2023 
URL de disciplinas OCDE 
 
Física atómica, molecular y química 
https://purl.org/pe-repo/ocde/ford#1.03.01 
 
https://purl.org/pe-repo/ocde/ford#1.03.01
 Universidad Nacional Mayor de San Marcos 
 Universidad del Perú, Decana de América 
 Facultad de Medicina 
 Escuela Profesional de Tecnología Médica 
 “Año de la unidad, la paz y el desarrollo” 
 
Av. Grau N° 755. Apartado Postal 529 – Lima 100 – Perú. 
Central (511) 619-7000 - IP 4609. Email: eptecnologiamed.medicina@unmsm.edu.pe 
Portal Web: http://medicina.unmsm.edu.pe 
 
 
 
ACTA DE SUSTENTACIÓN DE TESIS EN MODALIDAD VIRTUAL PARA OPTAR EL TÍTULO 
PROFESIONAL DE LICENCIADO(A) EN TECNOLOGÍA MÉDICA EN EL ÁREA DE RADIOLOGÍA 
 
Conforme a lo estipulado en el Art. 113 inciso C del Estatuto de la Universidad Nacional Mayor de San 
Marcos (R.R. No. 03013-R-16) y Art. 45.2 de la Ley Universitaria 30220. El Jurado de Sustentación de Tesis 
nombrado por la Dirección de la Escuela Profesional de Tecnología Médica, conformado por los siguientes 
docentes: 
 Presidente: Dr. Misael Jefferson Fajardo Quispe 
 Miembros: Dr. Elmer Edgardo Santiani Puican 
 Mg. Isna Liz Larico Pampamallco 
 Asesor(a): Dr. Lusin Antonio Ponce Contreras 
 
Se reunieron en la ciudad de Lima, el día 24 de abril del 2023, siendo las 16:00 horas, procediendo a 
evaluar la Sustentación de Tesis, titulado “Inteligencia artificial para la evaluación de la edad ósea 
en niños: Una revisión narrativa”, para optar el Título Profesional de Licenciada en Tecnología Médica 
en el Área de Radiología de la Señorita: 
 
GRECIA MARIA PUMA CALDERON 
 
Habiendo obtenido el calificativo de: 
 
 …………16………….. DIECISEIS 
 (En números) (En letras) 
 
Que corresponde a la mención de: BUENO 
Quedando conforme con lo antes expuesto, se disponen a firmar la presente Acta. 
 
 
 
 …………………………………. ……………………………….. 
 Presidente Miembro 
 Dr. Misael Jefferson Fajardo Quispe Dr. Elmer Edgardo Santiani Puican 
 D.N.I: 44876362 D.N.I: 25832597 
 
 
 ……………………………… ………………………………… 
 Miembro Asesor(a) de Tesis 
 Mg. Isna Liz Larico Pampamallco Dr. Lusin Antonio Ponce Contreras 
 D.N.I: 40173744 D.N.I: 06794361 
 
 
 
Firmado digitalmente por SANDOVAL
VEGAS Miguel Hernan FAU
20148092282 soft
Motivo: Soy el autor del documento
Fecha: 27.04.2023 09:59:48 -05:00
Firmado digitalmente por
FERNANDEZ GIUSTI VDA DE PELLA
Alicia Jesus FAU 20148092282 soft
Motivo: Soy el autor del documento
Fecha: 02.05.2023 13:37:03 -05:00
 Universidad Nacional Mayor de San Marcos 
 Universidad del Perú, Decana de América 
 Facultad de Medicina 
 Escuela Profesional de Tecnología Médica 
 “Año de la unidad, la paz y el desarrollo” 
 
Av. Grau N° 755. Apartado Postal 529 – Lima 100 – Perú. 
Central (511) 619-7000 - IP 4609. Email: eptecnologiamed.medicina@unmsm.edu.pe 
Portal Web: http://medicina.unmsm.edu.pe 
 
 
 
 
Datos de plataforma virtual institucional del acto de sustentación: 
https: https://us02web.zoom.us/j/81290505888?pwd=YjB2V2NKYlVxZmNZUFFCeVdBRU8xZz09 
ID: 
Grabación archivada en: 
https://us02web.zoom.us/j/81290505888?pwd=YjB2V2NKYlVxZmNZUFFCeVdBRU8xZz09
Universidad Nacional Mayor de San Marcos 
Universidad del Perú, Decana de América 
Facultad de Medicina 
Escuela Profesional de Tecnología Médica 
 
 
 
 
INFORME DE EVALUACIÓN DE ORIGINALIDAD 
 
El Director de la Escuela Profesional de Tecnología Médica de la Facultad de Medicina 
de la Universidad Nacional Mayor de San Marcos que suscribe, hace constar que la tesis 
titulada: 
 
“Inteligencia artificial para la evaluación de la edad ósea en niños: Una 
revisión narrativa” 
 
para optar el título profesional de Licenciado(a) en Tecnología Médica, en el Área de: 
Radiología a: 
 
GRECIA MARIA, PUMA CALDERON 
 
Tiene 8% (OCHO porciento) de coincidencias, según consta en el informe de la 
plataforma TURNITIN, con fecha 10 de marzo del 2023 (UTC-0500) y con Identificador 
de la entrega N° 2034496535 
 
En la configuración del detector se excluyó: 
- textos entrecomillados. 
- bibliografía. 
- cadenas menores a 40 palabras. 
- anexos. 
 
ESTE DOCUMENTO ACREDITA QUE LA TESIS CUMPLE CON LOS CRITERIOS DE 
ORIGINALIDAD, SEGÚN LA NORMA DE LA UNMSM. 
 
Lima, 11 de marzo de 2023. 
 
 
 
 
Dr. MIGUEL HERNÁN SANDOVAL VEGAS 
DIRECTOR 
EPTM-FM-UNMSM 
 
Firmado digitalmente por SANDOVAL
VEGAS Miguel Hernan FAU
20148092282 soft
Motivo: Soy el autor del documento
Fecha: 11.03.2023 00:35:13 -05:00
iii 
 
 
 
 
 
 
 
 
 
 DEDICATORIA 
A mis padres Mario y Elena, quienes siempre me 
brindaron todo su amor y su apoyo, que pese a 
los momentos difíciles han hecho posible este 
logro para continuarcon mi camino. 
 
A mis hermanos Mario y Miguel, por su apoyo 
y por ser un ejemplo a seguir. 
A mi mamita Maura, que Dios la tiene en su 
gloria, sé que ella donde se encuentra está muy 
orgullosa de mí, quien fue la motivación en mi 
vida de estudiar una carrera de salud y que 
gracias a ella he encontrado mi vocación. 
iv 
 
 
 
 
AGRADECIMIENTO 
 
Agradecida con mi casa de estudios la Universidad Nacional Mayor 
de San Marcos, por haber permitido formarme como profesional. 
A todos mis docentes quienes fueron parte del proceso y 
contribuyeron en conocimientos académicos y personales; en 
especial a mi asesor el Dr. Lusin Ponce Contreras por su confianza, 
dedicación y orientación en este proyecto. 
A mis amigos y compañeros por ser parte del proceso estos 5 años y 
dejar parte de ellos en mi con gratos recuerdos, por brindar su 
apoyo y amistad. 
 
 
 
 
 
v 
 
ÍNDICE 
 
RESUMEN .............................................................................................................. viii 
ABSTRACT ............................................................................................................... ix 
CAPÍTULO I: INTRODUCCIÓN ........................................................................... 1 
1.13 DESCRIPCIÓN GENERAL Y ESPECÍFICA DEL PROBLEMA ......................... 2 
1.14 ANTECEDENTES ................................................................................................... 3 
1.15 OBJETIVOS ............................................................................................................ 5 
1.16 BASES TEÓRICAS ................................................................................................. 5 
1.16.1 BASE TEÓRICA ............................................................................................. 5 
1.16.2 DEFINICIÓN DE TÉRMINOS ..................................................................... 11 
CAPÍTULO II: MÉTODOS ................................................................................... 12 
2 DISEÑO METODOLÓGICO .................................................................................... 13 
2.1. DISEÑO DE LA INVESTIGACIÓN .................................................................... 13 
2.2. POBLACIÓN ......................................................................................................... 13 
2.3. MUESTRA ............................................................................................................. 13 
2.4. CRITERIOS DE INCLUSIÓN .............................................................................. 13 
2.5. CRITERIOS DE EXCLUSIÓN ............................................................................. 13 
2.6. PROCEDIMIENTO DE RECOLECCIÓN DE DATOS ....................................... 14 
Tabla 1................................................................................................................................ 16 
2.7. ANÁLISIS DE DATOS ......................................................................................... 17 
2.8. CONSIDERACIONES ÉTICAS ........................................................................... 17 
CAPÍTULO III: RESULTADOS ........................................................................... 19 
Tabla 3................................................................................................................................ 28 
Tabla 4................................................................................................................................ 32 
CAPÍTULO IV: DISCUSIÓN ................................................................................ 44 
CAPÍTULO V: CONCLUSIONES Y RECOMENDACIONES ......................... 46 
5.1 CONCLUSIONES ................................................................................................. 47 
5.2 RECOMENDACIONES ........................................................................................ 47 
REFERENCIAS BIBLIOGRÁFICAS ...................................................................... 48 
 
 
 
vi 
 
 
 
LISTA DE TABLAS 
 
Tabla 1. Número de artículos recolectados…………………………………………. 17 
Tabla 2. Tabla de estudios sobre el uso de la inteligencia artificial para la evaluación 
ósea en niños……………………………………………………………………….. .20 
Tabla 3. Resumen de estudios sobre la inteligencia artificial para la evaluación de la 
edad ósea en niños, según la calidad de las evidencias (GRADE)…………………. 26 
Tabla 4. Lectura crítica de la evidencia clínica (CASPe) de los estudios sobre el uso 
de la inteligencia artificial para la evaluación de la edad ósea en niños……………. 30 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
vii 
 
 
 
 
LISTA DE GRÁFICOS 
 
Gráfico 1. Diagrama de flujo PRISMA 2020………………………………………………. 37 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
viii 
 
 
 
 
RESUMEN 
 
El avance tecnológico como la inteligencia artificial ha permitido disminuir la carga 
laboral en la comunidad de salud, así también obteniendo resultados precisos y más 
rápidos que el hombre. Objetivo: analizar la evidencia reportada en la literatura 
científica desde el año 2018– 2023 sobre la efectividad del uso de la inteligencia 
artificial, para evaluar edad ósea en niño. Materiales y Métodos: Estudio de revisión 
narrativa. Se seleccionaron artículos sobre el uso de la inteligencia artificial que se 
apliquen para la evaluación de la edad ósea en niños (2018-2023). Se seleccionaron 
artículos en inglés y español publicados en el año 2018 hasta el año 2023 que se 
encontraban en la base de datos de PubMed, Science Direct y Google Scholar. 
Resultados: La búsqueda bibliográfica identificó 131,023 artículos, siendo 774 
artículos los que cumplieron los criterios de inclusión; y solo 8 estudios lograron 
cumplir con el criterio de elegibilidad como resultado. Conclusiones: En la presente 
investigación según los resultados que se reunieron se concluye que la inteligencia 
artificial en su uso para la evaluar la edad ósea ha demostrado tener un efecto positivo 
en la población, igualando o superando los resultados de los investigadores en su 
evaluación clínica, mejorando el ámbito de la comunidad científica. 
Palabras clave: Inteligencia artificial, edad ósea, Children. 
 
 
 
 
ix 
 
 
 
 
ABSTRACT 
 
Technological advances such as artificial intelligence have made it possible 
to reduce the workload in the health community, also obtaining accurate and 
fast results than man. Objective: to analyze the evidence reported in the 
scientific literature of the year 2018-2023 on the effectiveness of the use of 
artificial intelligence, to evaluate bone age in children. Materials and methods: 
Narrative review study. Articles on the use of artificial intelligence are 
selected and applied for the assessment of bone age in children (2018-2023). 
Articles in English and Spanish published between 2018 and 2023 were 
selected and found in the PubMed, Science Direct and Google Scholar 
databases. Results: The bibliographic search identified 131,023 articles, with 
774 articles meeting the inclusion criteria; Only 8 studies managed to meet 
the eligibility criterion as an outcome. Conclusions: Concluded that artificial 
intelligence in its use for the evaluation of bone age has been shown to have 
a positive effect on the population, matching or exceeding the results of 
research in its clinical evaluation, improving the reach of the scientific 
community. 
Keywords: Artificial intelligence, bone age, children. 
 
 
 
 
 
 
1 
 
 
 
 
 
 
 
 
 
 
CAPÍTULO I: INTRODUCCIÓN 
 
2 
 
1.13 DESCRIPCIÓN GENERAL Y ESPECÍFICA DEL PROBLEMA 
La inteligencia artificial (IA) es acuñada en la historia en el año 1956 en una 
conferencia por el informático Jhon McCarthy. En ese mismo año dos de los asistentes 
que participaron en la conferencia; AllanNewell y Herbert Simon; aportaron el “Logic 
Theory Machine”, siendo considerado como el primer programa computacional de 
inteligencia artificial. Estos autores tuvieron el objetivo de tener un enfoque de 
“heurística” con el fin de tener soluciones de manera “inteligente” (1). 
A lo largo de los años los radiólogos se han preguntado si esta inteligencia desarrollada 
a través del tiempo podría reemplazar al ser humano y dejarlos de lado; la respuesta 
seria, no. Sin embargo, la IA si ha permitido facilitar el desarrollo del trabajo del 
radiólogo (2). En muchas a ocasiones los radiólogos realizan labores de 24 horas, lo 
cual el cansancio o la fatiga podría llevarlos a cometer ciertos errores como un error 
de selección de imágenes al PACS, es aquí donde la IA como un sistema desarrollado 
e inteligente que no se cansa podría cooperar con el radiólogo con la preselección de 
estas, mas no realizar todo el trabajo y afectar la participación del radiólogo (3). 
La evaluación de la edad es un importante procedimiento que se realiza en niños para 
estimar la maduración que tendrá el esqueleto, con un reflejo de la edad biológica del 
individuo correlacionado con la edad cronológica. Esta edad hace referencia al grado 
del desarrollo que obtendrán las estructuras óseas. La evaluación ósea se determina 
por medio de la radiografía de la mano izquierda, mas no la derecha debido al ser la 
mano dominante en la mayoría de la población tiende a sufrir mayormente más 
lesiones, y el método de la evaluación no es apto en manos patológicas; esta estimación 
es a base del método de G&P y Tower a base de software automáticos como el Bone 
Xpert y VUNO Med – bone age(4). 
La importancia del conocimiento de la edad ósea radica en que va permitir apoyar a 
evaluar el ritmo con el que se desarrolla el niño propio a su esqueleto; determinando 
así a temprana edad alguna patología futura y aplicar métodos de tratamiento 
adecuados. 
 
3 
 
FORMULACIÓN DEL PROBLEMA 
 
P: Problema I: Intervención C: Comparación O: Outcome 
Niños Uso de la 
inteligencia 
artificial 
No aplica Investigar la 
evaluación de la edad 
ósea de los niños a 
través del uso de 
inteligencia artificial 
 
 
Problema: ¿Cuál es efectividad del uso de la inteligencia artificial, reportada en 
la literatura científica, para evaluar edad ósea en niños? 
 
1.14 ANTECEDENTES 
 
Antecedentes Internacionales 
Jiménez; en el año 2021(5) en Costa Rica, realizó un estudio denominado “Inteligencia 
Artificial como potencia de herramienta en salud” cuyo objetivo fue estimular la 
aplicación de la práctica de la IA como potencia en la construcción de nuevos 
conocimientos. La muestra estuvo conformada por una selección de documentos 
realizados en una base de datos como: Scopus, ProQuest, Springer, PubMed, Eric, 
entre otros. El tipo de investigación fue de tipo cualitativa donde se consultaron 100 
documentos y de ellos se seleccionaron 67 que cumplieran con los criterios de 
inclusión. Se concluyó que la IA a través de los años genera más cambios en la salud. 
Wang y col., en el 2021 (6) en China – Tíbet, realizaron un estudio llamado 
“Performance of and artificial intelligence system for bone age assessment in Tíbet” 
el cual tuvo objetivo indagar si la edad ósea de los niños de la región del Tíbet se podía 
evaluar de manera precisa utilizando inteligencia artificial automatizada. El tipo de 
estudio fue retrospectivo conformado 385 radiografías entre 300 niños tibetanos y 85 
4 
 
de la ciudad de Han de la mano izquierda; donde obtuvieron como resultado una 
precisión de 84.67% y 89.41% respectivamente. Concluyeron así que el sistema 
desarrollado con inteligencia artificial, podría permitir evaluar con precisión. 
Thiago O Artioli y col., año 2019(7) en la investigación llamada “Determinación de la 
edad ósea en niños y adolescentes brasileños eutróficos, con sobrepeso y obesos: una 
comparación entre los métodos de computarizados BoneXpert y Greulich -Pyle”, 
tuvieron como objetivo confrontar ambos métodos para determinar la edad ósea. El 
estudio fue de diseño retrospectivo conformado por 515 participantes; donde 
obtuvieron como resultado con correlación positiva de estos métodos aplicados; 
concluyendo así que BoneXpert tiene una correlación positiva con G&P. 
Ray y col.; en el año 2019 (8) en Valparaíso – Chile, realizaron una investigación 
denominada “Implicancia de la inteligencia artificial en la disminución del error de 
diagnóstico radiológico. Un metaanálisis” cuyo objetivo fue establecer el rango de 
error que presenta la IA en los hallazgos radiológicos con respecto al médico. Su 
muestra estuvo conformada por los estudios comprendidos entre marzo y diciembre. 
El tipo de estudio de investigación fue de tipo explicativo observacional, 
retrospectivo, donde utilizaron buscadores online de artículos científicos como 
Pubmed, Science Direct, Springer Link y Wiley que incluyan los criterios de selección; 
donde obtuvieron como resultado más de 30 mil artículos en los diversos buscadores, 
en donde en una primera revisión obtuvieron 402 papers, agregando de ellos solo 23; 
en una segunda revisión obtuvieron 641 papers, agregando solo 47; y en la tercera 
obtuvieron 211 papers, agregando solo 2. Como resultado se obtuvo que el buscador 
con más aporte fue Springer link, seguido de Wiley, ScienceDirect y Pubmed. 
Antecedentes Nacionales 
Quispe, en el 2020 (9) – Lima; desarrolló su estudio llamado “Predicción de la edad 
ósea con red basada en VGG-16 y Transfer Learning” que tuvo como objetivo predecir 
la edad ósea entre niños y jóvenes comprendidos entre 0 y 18 años. El estudio fue de 
tipo retrospectivo, observacional de corte transversal; el cual contó con una muestra 
de 12611 imágenes radiológicas implementado un proceso de Deep Learning basado 
en la presencia de marcadores y tonos de color. Comprobando las imágenes originales 
5 
 
obtuvieron mejor rendimiento respecto a las imágenes a las que se le retiraron el fondo. 
1.15 OBJETIVOS 
OBJETIVO GENERAL 
Analizar la evidencia reportada en la literatura científica desde el año 2018– 2023 
sobre la efectividad del uso de la inteligencia artificial, para evaluar edad ósea en niño. 
OBJETIVO ESPECÍFICO 
 
- Describir las características bibliométricas (autor, año de publicación, tamaño 
de muestra, tipo de estudio) de los estudios reportados en la literatura científica 
desde el año 2018 – 2023 sobre la efectividad del uso de la inteligencia 
artificial, para evaluar edad ósea en niños. 
- Describir las características demográficas (edad, sexo, lugar de residencia) de 
los niños en los estudios, reportados en la literatura científica desde el año 
2018– 2023 sobre la efectividad del uso de la inteligencia artificial, para 
evaluar edad ósea. 
- Describir la efectividad y características de la inteligencia artificial para 
determinar la edad ósea en niños registrados en los estudios reportados en la 
literatura científica desde el año 2018 – 2023 sobre la efectividad del uso de la 
inteligencia artificial, para evaluar edad ósea. 
1.16 BASES TEÓRICAS 
1.16.1 BASE TEÓRICA 
 
● Evaluación de la Edad Ósea 
La evaluación de la edad ósea (BA) es un procedimiento que se realiza cotidianamente 
en un servicio de radiología pediátrica, basada en la técnica más utilizada conocida 
como el método de Greulich y Pyle (G&P) y en segundo lugar el método de Tanner-
Whitehouse, siendo el primer más común debido a que es más sencillo y se encuentra 
basado en el grado de la madurez que se presenta en los centros de osificación, 
6 
 
mientras que el segundo es a base de puntuaciones de madurez en los huesos de la 
mano y muñeca . Ambos estudios suelen ser muy precisos en niños de condiciones 
normales, pero al utilizarse en niños con alguna condición patológica van a perder su 
precisión (10). 
El hombre tiene un tiempo de maduración deferente de otro, es por elloque se destaca 
que la edad cronológica no va acorde a la maduración biológica, pero la edad ósea 
(EO) hace un reflejo de la edad biológica; para ser posible la maduración del esqueleto 
intervienen diversas hormas, realizando una interacción entre ellas. 
La EO permite convalidar un diagnóstico de las variantes de crecimiento normales y 
patológicas para así poder definir algún tratamiento y valorar la talla en la etapa adulta. 
La EO tendrá cierto tipo de limitaciones una de ellas es realizar una evaluación en 
niños que presenten trastornos de mineralización ósea 
La aplicación de la EO se debe realizar cuando el niño presenta talla baja o cuando son 
sometidos a tratamientos con hormona de crecimiento (GH) ya que presentarán una 
aceleración de su EO en el transcurso de su etapa prepuberal y pubertad. La EO se ve 
sobrevalorada o adelantada cuando los niveles de esteroides sexuales se ven elevados. 
Proceso de osificación 
Al momento del nacimiento el recién nacido presenta las diáfisis osificadas y las 
epífisis se muestran cartilaginosas. Transcurriendo el tiempo las epífisis pasaran de ser 
cartilaginosas a osificarse, existen excepciones en las osificaciones como la epífisis de 
la falange distal del pulgar tiende a aparecer conjuntamente con las epífisis de los 
metacarpianos. 
Importancia 
Confirma el diagnóstico de las variantes de crecimiento, predice la talla en la etapa 
adulta en niños con buena condición de salud. También sirve para valorar el retraso de 
crecimiento en niños para poder iniciar tratamiento hormonal (11). La BA siempre se 
recomienda como una rutina de estudio en niños que presentan problemas en el 
crecimiento. 
7 
 
● Inteligencia artificial 
En 1950 Alan Turing, se considera el padre de la Inteligencia Artificial (IA), debido a 
que fue el primero en cuestionarse si las máquinas podrían pensar, así lo estableció en 
su artículo “Computing machinery and intelligence”; se cuestionó que las máquinas 
podrían adquirir una inteligencia comparable a la del ser humano. En el año 1950 
acuñó el “Test de Turing” el cual permitía indagar la inteligencia que podía tener una 
máquina (12). En 1956 en la conferencia de Dartmouth, el investigador llamado John 
McCarthy acuñó el término “artificial intelligence”; así mismo el científico Herbert 
Simon afirmó que dentro de 20 años las máquinas serían capaces de realizar cualquier 
tipo de trabajo que también pueda realizar el hombre; el IA tuvo un retraso en su 
proceso, pero a finales de los años noventa se comenzó a ser aplicada en la logística y 
la medicina(13). 
Russell y Norvig, clasifican en 4 categorías las definiciones de la IA: 
1) Sistemas que actúan como humanos: Capaces de procesar el lenguaje, 
representar y razonar. 
2) Sistemas que piensan como humanos: Capaces de realizar toma de decisiones 
o solucionar problemas. 
3) Sistemas que piensan racionalmente: Capaces de realizar conclusiones 
4) Sistemas que actual racionalmente: Capaces de ir más allá de la lógica (14). 
La IA presenta diversas, pero no exactas definiciones de acuerdo a su aplicación, en 
término sencillos la definen como una habilidad que presenta los ordenadores para 
realizar actividades que usan inteligencia humana, que son capaces de utilizar 
algoritmos y hacer uso de ellos como un ser humano, su diferencia destacaría en que 
este sistema inteligente a diferencia del ser humano, no requiere de un descanso propio 
para continuar con sus funciones. A su vez la IA realiza sugerencias, también es capaz 
de realizar predicciones de eventos posibles, actualmente esta habilidad que ha 
desarrollado está siendo aplicada en diversas industrias como en la salud, negocios, 
entre otros (15). 
La IA se ha visto de diversas maneras; la primera de ella se ve como una IA de ciencia 
8 
 
– ficción, la cual es vista como aquella que superará al ser humano en todo, en tal punto 
definiéndolo como el reemplazo del hombre. La segunda IA es la humana, vista como 
la que se ve generalmente en la que las máquinas podrían tener una inteligencia 
semejante al ser humano, capaz de resolver problemas. La tercera IA es la actual la IA 
especial en la que hace uso de volúmenes de datos y algoritmos, realizando tareas de 
una forma superior a la que la podría realizar el hombre (16). 
● Maching Learning 
Según Arthur Samuel, el maching learning es definido como “el campo de estudio 
que brinda a las computadoras la capacidad de aprender sin ser programadas 
explícitamente”. A su vez en 1952 diseño un programa para aprender a jugar damas a 
partir de los propios errores que generaba (17). 
El machine learning o traducido como “aprendizaje automático” es parte de la IA, es 
aquel que permite que los servidores hagan uso de un aprendizaje sin ser 
necesariamente programados, actuando como un reconocimiento de patrones. Su 
término se usó por primera vez en el año 1959(18). 
En los años 50-60 se comenzó la investigación entre la biología y la tecnología en 
relación de su aplicación de las redes neuronales del ser humano aplicadas a las 
máquinas; aplicando así las “redes neuronales artificiales” que transmiten información 
por medio de nodos interconectados, realizándose así un experimento desarrollado en 
el Instituto Tecnológico de Massachussets (MIT) por Marvin Minsksy y Dean 
Edmonds en el cual lograron realizar un programa que tenía la capacidad de aprender 
de la experiencia para salir de un laberinto; convirtiéndose en la primera máquina 
capaz de aprender y resolver un tarea sin requerir de una programación previa, lo que 
se convirtió en un logro volviéndolo un concepto más amplio y desarrollado del 
concepto de la IA. A si, este logró se vio reflejado los límites de la tecnología, como 
no tener la capacidad suficiente para poder desarrollar problemas mucho más 
complejos. 
A finales del siglo XX llegó el internet el cual logró un cambio en lo que ya se veía 
reflejada esta caída que tuvo debido a los límites de la tecnología, logrando realizar 
9 
 
modelos mucho más rápidos 
El super computador, IBM Deep Blue, marcó en el 1997 el renacer del “maching 
learning” que fue entrenado a base de miles de partidas de ajedrez, fue capaz de ganar 
al máximo campeón de este, pero este logro se dio a base del “Deep learning” o 
traducido como “aprendizaje profundo” (19). 
Los algoritmos de maching learning, se ha dividido en 3 categorías: 
1. Aprendizaje supervisado: Basado en un aprendizaje previo, que permite tomar 
o hacer decisiones y predicciones. Está conformado por 2 tipos de problemas: 
regresión y clasificación(20). 
2. Aprendizaje no supervisado: No son a base de aprendizajes previos, solo se le 
otorga características al algoritmo, mas no etiquetas. 
3. Aprendizaje por refuerzo: Base el aprendizaje a partir de la experiencia 
propia(18). 
Los algoritmos de maching learning, se agrupan en 3 modelos: 
1. Modelos lineales o también llamada “regresión de mínimos cuadrados”, 
basado en el overfit (ajuste) 
2. Modelos de árbol, son modelos sencillos de entender 
3. Redes neuronales a base de la duplicar el comportamiento del cerebro, es uno 
de modelos más usados o de moda (21). 
● Deep Learning 
El Deep learning o <aprendizaje profundo> forma parte del maching learning, su 
terminó comenzó hacerse conocido en los años 2000(22). 
El Deep learning realiza un intento de simular al cerebro humano, para ellos se basa 
usando las redes neuronales artificiales; estas son un conjunto de neuronas con 
actitudes similares a las neuronas del cerebro, este compuesto por capas en jerarquía, 
siendo así que la primera capa va adquirir un conocimiento y este será enviado a la 
siguiente capa y así sucesivamente siendo que la última capa obtendrá un resultado 
con una información más compleja. La arquitectura de la red neuronal está basada en 
10 
 
el cerebro humano. Existen algunos tipos de arquitectura, pero las más conocidas son:- Redes neuronales prealimentadas: Primeras en desarrollarse, envían 
información en una sola dirección. 
- Redes neuronales convolucionales: Basada en la codificación de la 
arquitectura. 
- Redes neuronales recurrentes: Va permitir persistir la información (23). 
Método de Greulich y Pyle (G&P) 
Este método consiste en la toma de 2 series de radiografías de la mano no dominante 
(usualmente la izquierda) aplicado a niños y niñas en diversas edades, que serán 
comparados con los estándares del atlas. 
El método presenta ciertas limitaciones como asociar la edad ósea con la maduración 
ósea y debería medirse independiente de la edad cronológica. 
Método de Tanner-Whitehouse 
Este método es un método matemático donde se le asigna una puntuación a las etapas 
de evolución del hueso, posteriormente se convierte en un dato numérico que se puede 
valorar por estadística. Su desventaja es que conlleva mayor tiempo y experiencia (24). 
● MÉTODO PARA DETERMINAR LA EDAD ÓSEA 
BONE XPERT 
El Bone Xpert es un software basado en el método de reconstrucción automático a 
partir de las radiografías de la mano ya sea mano derecha o izquierda sin importar la 
rotación de ella, pero rechaza aquellas que presenten una morfología anormal o ya sea 
que tenga una calidad de imagen baja. El método se basa en el análisis de los bordes 
de 15 huesos, calculando posteriormente las edades óseas intrínsecas, por último, las 
transforma en edades ósea de G&P o TW. 
Bone Xpert presenta novedades como: 
● Ser un modelo de apariencia activa 
11 
 
● Un modelo aplicado para ambos sexos 
● Ser un modelo de difusión entre G&P y TW(4). 
Entonces el método automático BoneXpert va permitir una evaluación estándar y de 
alta concordancia correlacionado a la lectura manual por los radiólogos pediatras (25). 
VUNO Med - Bone Age 
Es un software automático que evalúa la edad ósea por medio de una lectura de una 
imagen de Rayos X de mano, que dará 3 posibles resultados para la edad ósea, con 
posibilidades muy altas basados en el método G&P(26). 
 
1.16.2 DEFINICIÓN DE TÉRMINOS 
● Edad biológica: Es la edad en la que el ser humano va adquiriendo nuevas 
características en su desarrollo, involucrando el aspecto dental, esquelético, 
sexual y somática (27). 
● Edad cronológica: Es aquella que se considera desde que el momento en el 
que el ser humano nace (parto) hasta la edad actual que lleva (28). 
● Edad ósea: Es la estimación de la madurez de los huesos en niños (29). 
● Inteligencia artificial: Considerado como la capacidad que posee un 
ordenador en cumplir y comprender la relación entre hechos – cosas, 
cediendo funciones similares a la del ser humano (30). 
 
 
 
 
 
12 
 
 
 
 
 
 
 
 
 
CAPÍTULO II: MÉTODOS 
 
 
 
 
 
 
 
 
 
 
 
 
13 
 
2 DISEÑO METODOLÓGICO 
2.1. DISEÑO DE LA INVESTIGACIÓN 
La investigación es de tipo revisión narrativa, debido a que se extrajo información 
concerniente al tema de investigación, a raíz de los artículos de evidencia científica, 
sin hacer uso de una metodología exhaustiva (31). Además, es de tipo retrospectivo 
debido a que se revisó los artículos de evidencia científica publicados en años 
anteriores según lo establecido en los criterios de inclusión. 
2.2. POBLACIÓN 
La población está conformada por las investigaciones publicadas en base de datos 
oficiales comprendidas en el año 2018 hasta el 2023; encontrados en la base de datos 
PubMed, Scielo y Google Scholar. 
2.3. MUESTRA 
La muestra está integrada por artículos de evidencia científica que cumplan los 
criterios de inclusión y exclusión. Se proseguirá con la búsqueda bibliográfica durante 
el desarrollo del estudio. 
2.4. CRITERIOS DE INCLUSIÓN 
● Investigaciones publicadas con un máximo de 5 años de antigüedad, 
de las bases de datos seleccionadas comprendidos entre el año 2018 
hasta el 2023 que brinden información de la inteligencia artificial 
aplicada a la radiología en niños. 
● Estudios en el idioma inglés y español. 
● Estudios realizados en la especie: Humanos. 
● Artículos de texto completo 
2.5. CRITERIOS DE EXCLUSIÓN 
● Estudios duplicados 
● Estudios realizados en una población en general 
● Estudios de inteligencia artificial aplicado en niños asociados a la 
ingeniería o software. 
14 
 
2.6. PROCEDIMIENTO DE RECOLECCIÓN DE DATOS 
 
Fase 1: Búsqueda 
Para la investigación se realizó la búsqueda de artículos en tres diferentes bases 
de datos, como: PubMed, Science Direct y Google Scholar; publicados desde del 
2018 hasta el 2023. 
Se utilizó el gestor bibliográfico Zotero para organizar, revisar y citar los artículo 
relacionados y mencionados; siguiendo los criterios de inclusión y exclusión. 
Se utilizó operadores boléanos que sirvieron para combinar los términos de la 
búsqueda. 
Para obtener las investigaciones, se utilizó los términos médicos (MESH, por sus 
siglas en inglés). 
Palabras claves. 
✔ Artificial intelligence 
✔ Bone Age 
✔ Children 
Conector boleano 
● AND 
Algoritmo de búsqueda en PubMed 
● (Artificial intelligence) AND (Bone Age) 
Resultados: 43 
(Artificial intelligence) AND (Bone Age) AND (Children) 
Resultados: 17 
15 
 
Algoritmo de búsqueda en Science Direct 
● (Artificial Intelligence) AND (Bone Age) 
Resultados: 33 
(Artificial Intelligence) AND (Bone Age) AND (Children) 
Resultados: 6 
Algoritmo de búsqueda en Google Scholar 
● (Artificial Intelligence) AND (Bone Age) 
Resultados: 197.000 
(Artificial Intelligence) AND (Bone Age) AND (Children) 
Resultados: 133.000 
Fase 2: Selección 
Se aplicó los criterios de selección mencionados que se obtuvieron en la etapa 1. 
Posteriormente se resumió en una tabla y se excluyeron los artículos no relevantes 
debido a su título y resúmenes. Se excluyó los artículos repetidos y se empleó el 
diagrama de flujo de PRISMA 2020(Gráfico N°1). 
PubMed 
Filtros empleados: 
● 2018 – 2023, Texto completo, idioma en inglés y español. 
Resultados: 15 
Textos que hablen de radiología aplicados a la edad ósea. 
Resultado: 7 
Science Direct 
16 
 
Filtros empleados: 
● Title, abstract or author-specified keywords: Intelligence Artificial AND 
Bone Age AND Children; 2018 – 2023, Texto completo, idioma en inglés y 
español. 
Resultados: 4 
Textos que hablen de radiología aplicados a la edad ósea. 
Resultado: 1 
Google Scholar 
Filtros empleados: 
● (Intelligence Artificial) AND (Bone Age) AND (Children) limit to language: 
SPANISH; 2018 – 2023, Texto complete. 
Resultados: 757 
Textos que hablen de radiología aplicados a la edad ósea. 
Resultado: 0 
Fase 3: Extracción de datos 
Se utilizó una tabla (Tabla2) de resumen donde se colocaron los datos más relevantes 
de cada artículo: autor, título, año, país, resultados, conclusiones. Posteriormente se 
empleó el diagrama de flujo PRISMA 2020. 
El resumen de número total de artículos hallados se puede observar en la table 1. 
 
Tabla 1 
Número de artículos recolectados. 
 
17 
 
BASE DE DATOS NÚMERO DE 
ARTÍCULOS 
ALGORITMO DE 
BÚSQUEDA 
PUBMED 7 (Artificial Intelligence) 
AND (Bone Age) AND 
(Children) 
SCIENCE DIRECT 1 (Artificial Intelligence) 
AND (Bone Age) AND 
(Children) 
GOOGLE SCHOLAR 0 (Artificial Intelligence) 
AND (Bone Age) AND 
(Children) 
 
 
2.7. ANÁLISIS DE DATOS 
Se realizó la extracción de datos de los artículos seleccionados, los cuales fueron 
analizados posteriormente de acuerdo a los objetivos y criterios planteados y serán 
presentados mediante tablas y gráficos, realizando una lectura profunda y crítica. 
Posteriormente a la selección de artículos se procedió a colocar los datos bibliográficos 
de cada artículo (título, año, autor, revista, volumen, población y muestra, resultados 
y conclusiones) (Tabla N°2). En otra tabla se colocó el resumen de los estudios sobre 
la inteligencia artificial para la evaluación de la edadósea en niños según la calidad de 
evidencias Grade, las cuales fueron realizadas en el software GRADEpro GDT (Tabla 
°3); en otra tabla se desarrolló la descripción de cada uno de los estudios en la cual se 
realizó la lectura crítica CASPe (Tabla N°4) de los estudios que cumplieron con el 
objetivo de la investigación. 
2.8. CONSIDERACIONES ÉTICAS 
- Se respetó la fuente de origen, siendo citada de manera integral. 
- Al no trabajar con muestras humanas, no requiere de un consentimiento 
18 
 
informado. 
- Los artículos revisados fueron extraídos de fuentes legales y originales; y 
citados en el estilo Vancouver. 
- Se aplicó la Declaración de Helsinki. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
19 
 
 
 
 
 
 
 
 
 
CAPÍTULO III: RESULTADOS 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
20 
 
 
Tabla 2. Estudios sobre el uso de la inteligencia artificial para la evaluación ósea en niños 
 
ARTICULO AÑO AUTOR REVISTA/ 
URL/DOI PAÍS 
VOLU
MEN 
Y 
NUM
ERO 
DISEÑ
O DE 
INVES
TIGACI
ÓN 
POBLA
CIÓN Y 
MUEST
RA 
RESULTADOS 
PRINCIPALES 
CONCLUSIONES 
Deep 
focus 
approach 
for 
accurate 
bone age 
estimation 
from 
lateral 
cephalogra
m(32). 
 
 
 
 
2022 
 
Hyejun 
Seo, 
Jaejoon 
Hwang, 
Yun Hoa 
Jung, 
Eugyung 
Lee, 
Jonghyun 
Shin 
Ciencias 
Dentales 
URL: 
https://www.scie
ncedirect.com/sc
ience/article/pii/
S199179022200
1787?via%3Dih
ub 
 
 
Corea del Sur 
 
VOL 
18 
Págin
as 
(34-
43) 
 
Diseño 
retrospe
ctivo 
no 
interve
ncionist
a 
 
900 
niños 
(4 a 18) 
años 
 
-Error absoluto 
medio promedio: 
0,300 años 
 
-Error cuadrático 
medio: 0,390 años 
El aprendizaje profundo se 
mostró con un rendimiento de 
calidad excelente en lo que es la 
clasificación, detección y 
segmentación de las imágenes. 
Se sugiere e incentiva a la 
comunidad médica a utilizar el 
cefalograma lateral, en vez del 
estudio común de manos y 
muñeca, para la evaluación de la 
edad madure esquelética. 
 
https://www.sciencedirect.com/science/article/pii/S1991790222001787?via%3Dihub
https://www.sciencedirect.com/science/article/pii/S1991790222001787?via%3Dihub
https://www.sciencedirect.com/science/article/pii/S1991790222001787?via%3Dihub
https://www.sciencedirect.com/science/article/pii/S1991790222001787?via%3Dihub
https://www.sciencedirect.com/science/article/pii/S1991790222001787?via%3Dihub
https://www.sciencedirect.com/science/article/pii/S1991790222001787?via%3Dihub
21 
 
Automatic 
assessmen
t of bone 
age in 
taiwanese 
children: 
A 
compariso
n of the 
Greulich 
and Pyle 
method 
and the 
Tanner 
and 
Whitehous
e 3 
method(33
) 
 
 
 
 
 
 
 
 
 
2020 
Yi-Ming 
Wang, 
Tzu-
Husueh 
Tsai, Jui-
Sheng 
Hsu, Min-
Fang Chao 
 
Journal of 
Medical 
Sciences 
 
URL: 
https://onlinelibr
ary.wiley.com/d
oi/pdfdirect/10.1
002/kjm2.12268 
 
Taiwan 
 
 
 
 
 
 
 
 
VOL 
36 
(937-
943) 
 
 
 
 
 
 
 
Diseño 
retrospe
ctivo 
 
 
 
 
 
611 
niños 
(3-
17años) 
GP: 
En niños de 3 a 11 
años = 0,61 año y 
0,43-1,64 años en 
niños de 12 – 17 
años. En niñas de 
4 a 8 y 17 años se 
retrasó 0,76 años 
TW3: niños: 
retraso de 0,33 y 
0,72 de 5 a 10 
años= 0,01y 0,99 
en niños de 3 a 10 
años. 
Niñas:retraso de 
0,01 y 0,62 de 4 
a12 años y avance 
de 0,26 y 0,73 de 
13 a 14 a 
El método de TW3 presenta una 
mayor precisión para niños de 
ambos géneros hasta un periodo 
de edad de 15-16.5 años; mientras 
que GP tiene una mayor ventaja 
en la calificación del último 
periodo de la adolescencia. 
Se sugiere acoplar los métodos de 
acuerdo a la población en la que se 
está realizando el estudio ya que le 
E.O. varía de acuerdo a las etnias, 
ubicaciones geográficas, entre 
otros. 
https://onlinelibrary.wiley.com/doi/pdfdirect/10.1002/kjm2.12268
https://onlinelibrary.wiley.com/doi/pdfdirect/10.1002/kjm2.12268
https://onlinelibrary.wiley.com/doi/pdfdirect/10.1002/kjm2.12268
https://onlinelibrary.wiley.com/doi/pdfdirect/10.1002/kjm2.12268
22 
 
Artificial 
Intelligence 
system can 
achieve 
comparable 
results to 
experts for 
bone age 
assesment 
of Chinese 
children 
with 
abnormal 
growth and 
developme
nt(34) 
 
 
 
 
 
 
 
2020 
Fengdan 
WangXiao 
Gu, Shi 
Chen, 
Yongliang 
Liu, Qing 
Shen, Hui 
Pan, Lei 
Shi y 
Zhengyu 
Jin. 
 
 
 
 
URL: 
https://peerj.com
/articles/8854/ 
 
 
CHINA 
 
 
 
 
 
VOL 
 10 
 
 
 
 
Diseño 
retrospe
ctivo 
 
 
 
360 
niños y 
385niña
s 
 
La utilización del 
método de GP 
arrojó un-84,60% 
de precisión en 
niños de 1 años y 
89,45% en niños 
de 12 a 18 años 
 
GP automatizado logró resultados 
significantes y rápidos a los 
revisores del estudio. 
https://peerj.com/articles/8854/
https://peerj.com/articles/8854/
23 
 
Effect of AI- 
assisted 
software on 
inter – and 
intra 
observer 
variability 
for the X-ray 
bone age 
assesment of 
preschool 
children(3
5). 
 
 
 
 
2022 
Kai Zhao, 
Shuai Ma, 
Zhaonan Sun, 
Xiang Liu, 
Ying Zhu, 
Yufeng Xu, 
Xiaoying 
Wang 
 
 
URL: 
https://bmcped
iatr.biomedcen
tral.com/article
s/10.1186/s128
87-022-03727-
y 
 
CHINA 
 
 
 
 
 
VOL 
 22 
 
 
 
Diseño 
prospec
tivo 
 
 
7 niños 
y 7 
niñas 
(3 a 6 
años) 
El uso del 
software 
automatizado 
rinde con mejor 
precisión 
significativament
e. 
El uso de la IA puede llegar a dar 
una mejora en el acuerdo entre el 
observador e intraobservador. 
https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-022-03727-y
https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-022-03727-y
https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-022-03727-y
https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-022-03727-y
https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-022-03727-y
https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-022-03727-y
24 
 
Clinical 
application 
of artificial 
intelligence 
in 
longitudina
l image 
analysis of 
bone age 
among 
GHD 
patients(36
). 
 
 
 
 
 
2022 
Lina Zhang, 
Jia Chen, 
Lele Hou, 
Yingying Xu, 
Zulin Liu, 
Hui Ou, Zhe 
Meng, 
Liyang Liang 
Frontiers in 
Pediatric 
URL: 
https://www.fro
ntiersin.org/artic
les/10.3389/fped
.2022.986500/fu
ll 
 
CHINA 
 
 
VOL 
10 
 
 
Diseño 
prospec
tivo 
 
 
52 
niños 
con 
GHD 
(3 a 6 
años) 
Evaluador 1: 
-MAE:1,780 
-RMSE:1,655 
Evaluador 2: 
-MAE:1,794 
RMSE:1,719, con 
un aumento de 
precisión de 10 % 
Se concluyó que a realizar la 
interpretación con la aplicación de 
la IA se dio una mejor precisión. 
 
Se sugiere seguir utilizando estos 
métodos ya que muestran gran 
potencial para la clínica. 
https://www.frontiersin.org/articles/10.3389/fped.2022.986500/full
https://www.frontiersin.org/articles/10.3389/fped.2022.986500/full
https://www.frontiersin.org/articles/10.3389/fped.2022.986500/full
https://www.frontiersin.org/articles/10.3389/fped.2022.986500/full
https://www.frontiersin.org/articles/10.3389/fped.2022.986500/full
25 
 
Evaluation 
of the 
clinical 
efficacy of 
a TW3- 
based 
fully 
automated 
bone age 
assessmen
t system 
using 
Deep 
nerual 
networks(
37) 
 
 
 
 
 
2020 
Nan Young 
Shin, Byoung 
Dai Lee, Ju 
Hee Kang, 
Hye Rin Kim, 
Dong Hyo 
Oh, Byung Il 
Lee, Sung 
Hyun Kim, 
Mu Sook 
Lee, Min Suk 
Heo 
Ciencias de la 
Imagen en 
Odontología 
 
https://doi.org/
10.5624/isd.20
20.50.3.237 
 
 
 
COREA 
 
 
VOL 
 50 
(237-
243) 
 
 
Diseño 
retrospe
ctivo 
 
40 
varones 
y 40 
mujeres 
7 a 15 
años 
 
No se mostró una 
diferencia 
significativa entre 
el sistema 
utilizado con IA 
contra el sistema 
referencial. 
 
 
El sistema TW3 presenta eficacia 
en la evaluación de la edad ósea en 
niños. 
https://doi.org/10.5624/isd.2020.50.3.237
https://doi.org/10.5624/isd.2020.50.3.237https://doi.org/10.5624/isd.2020.50.3.237
https://doi.org/10.5624/isd.2020.50.3.237
26 
 
External 
validation 
of Deep 
learning-
based 
bone-age 
software: 
a 
preliminar
y study 
with real 
world 
data(38) 
 
 
 
 
 
2022 
Winnah Wu-In 
Lea, Suk-Joo 
Hong, Hyo-
Kyoung Nam, 
Woo-Young 
Kang, Ze-Pa 
Yang, Eun-Jin 
Noh 
Scientific 
Reports 
URL: 
https://www.nat
ure.com/articles/
s41598-022-
05282-z 
COREA 
 
 
 
 
VOL 
 12 (1) 
 
 
 
Diseño 
Retrosp
ectivo 
 
 
 
35 
niños y 
439 
niñas 
(4 a 17 
años) 
Se mostró una 
diferencia que fue 
significativa entre 
el aprendizaje 
profundo y la edad 
ósea obteniendo 
como resultado 
r=0,983, P<0,025 
La edad ósea que se estimó arrojó 
un rendimiento mayor o similar al 
que utilizaron los revisores. 
https://www.nature.com/articles/s41598-022-05282-z
https://www.nature.com/articles/s41598-022-05282-z
https://www.nature.com/articles/s41598-022-05282-z
https://www.nature.com/articles/s41598-022-05282-z
27 
 
Validation 
of 
automated 
bone age 
analysis 
from hand 
radiograph
s in a 
North 
American 
pediatric 
population
(39) 
 
 
2022 
Jonathan J. 
Bowden, 
Sasigarn A 
Bowden, 
Lynne Ruess, 
Brent H Adler, 
Houchun Hu, 
Rajesh 
Krishnamurth
y, Ramkumar 
Krihnamurthy 
Pediatría 
Radiológica 
 
DOI: 
10.1007/s00247-
022-05310-0 
América del 
Norte 
 
 
VOL 
52 
(1347
-
1355) 
 
 
Diseño 
retrospe
ctivo 
 
 
 
451 
pacient
es 
La aplicación de 
los métodos 
automáticos y 
manuales 
arrojaron 
resultados con una 
correlación fuerte 
der=0,98; R=0,96, 
obteniendo una 
diferencia ósea de 
0,12 ± 0,76 años 
Las evaluaciones automatizadas 
al igual que las evaluaciones 
manuales presentaron una gran 
correlación siendo esta primera 
confiable y precisa para la práctica 
clínica. 
 
 
 
 
 
https://doi.org/10.1007/s00247-022-05310-0
https://doi.org/10.1007/s00247-022-05310-0
28 
 
 
Tabla 3. 
Resumen de estudios sobre la inteligencia artificial para la evaluación de la edad ósea en niños, según la calidad de las evidencias 
(GRADE)(40). 
 
DISEÑO DE 
ESTUDIO/TITULO 
CONCLUSIONES CALIDAD DE 
EVIDENCIAS 
(SEGÚN GRADE) 
FUERZA DE 
RECOMENDACI
ON 
PAIS 
Diseño observacional, 
analítico de casos y controles 
de análisis retrospectivo no 
intervencionista. 
Deep focus approach for 
accurate bone age estimation 
from lateral cephalogram 
 
 
 
 
Se concluyó que el aprendizaje 
profundo muestra un gran 
rendimiento e incentiva a la 
comunidad científica a utilizar 
como estructuras al cefalograma 
lateral para la evaluación de la 
edad ósea, variando así el estudio 
frecuente. 
 
 
 
BAJO 
 
 
 
 
 
 
 
 
 
DÉBIL 
 
 
 
 
 
 
 
 
COREA DEL 
SUR 
 
 
 
 
29 
 
Estudio comparativo de 
análisis retrospectivo 
Automatic assessment of 
bone age in taiwanese 
children: A comparison of the 
Greulich and Pyle method and 
the Tanner and Whitehouse 3 
method 
Se concluyó que ambos métodos 
de G&P y TW3 un rendimiento y 
resultados excelentes sin embargo 
se sugiere un reajuste en ambos, 
siendo aún así TW3 el método 
más preciso pero complejo. 
 
 
ALTO 
 
 
 
 
 
FUERTE 
 
 
 
TAIWAN 
Estudio aleatorizado simple 
Artificial Intelligence system 
can achieve comparable 
results to experts for bone age 
assesment of Chinese children 
with anormal growth and 
development 
La inteligencia artificial tiene 
resultados de gran rendimiento y 
tiene como tendencia a ofrecer 
mucho mejores resultados a 
profesiones experimentados. 
 
ALTO 
 
FUERTE 
 
CHINA 
Diseño no experimental, 
longitudinal prospectivo 
Effect of AI- assisted software 
on inter – and intra observer 
variability for the X-ray bone 
El uso de un software asistido en 
inteligencia artificial puede lograr 
a tener un aumento en la relación 
de resultados entre el observador 
y el intraobservador. Se estima 
 
MODERADO 
 
DÉBIL 
 
CHINA 
30 
 
age assesment of preschool 
children 
que la IA será una herramienta de 
diagnóstico muy útil para la 
evaluación de la edad ósea. 
Diseño observacional de casos 
y controles de análisis 
prospectivo 
Clinical application of 
artificial intelligence in 
longitudinal image analysis of 
bone age among GHD 
patients. 
El estudio mostró resultados en 
que la inteligencia artificial 
presenta una mejora significativa. 
 
 
BAJO 
 
 
DÉBIL 
 
 
CHINA 
Estudio comparativo de 
cohorte retrospectivo 
Evaluation of the clinical 
efficacy of a TW3- based fully 
automated bone age 
assessment system using Deep 
neural networks. 
Se concluyó que el método 
frecuentemente usado de TW3 
muestra resultados óptimos con 
los cuales demuestra la eficacia 
de su uso para evaluación de edad 
ósea en mana y muñeca. 
 
 
MODERADA 
 
 
 
FUERTE 
 
 
COREA 
31 
 
Estudio comparativo de 
análisis retrospectivo. 
External validation of Deep 
learning-based bone-age 
software: a preliminary study 
with real world data 
Se concluyó que el resultado 
estimado de la evaluación ósea 
basado en el aprendizaje 
profundo obtuvo un rendimiento 
mayor o igual que el que se 
obtuvo por los revisores. 
 
 
MODERADO 
 
 
FUERTE 
 
 
COREA 
Estudio comparativo de 
cohorte retrospectivo 
Validation of automated bone 
age analysis from hand 
radiographs in a North 
American pediatric population 
La evaluación de la edad ósea en 
base a un sistema automatizado 
muestra resultados que indican 
que es confiable y precisa. 
 
 
MODERADO 
 
 
 
FUERTE 
 
 
AMÉRICA 
DEL NORTE 
 
 
 
 
 
 
32 
 
 
Tabla 4. 
Lectura crítica de la evidencia clínica (CASPe) de los estudios sobre el uso de la inteligencia artificial para la evaluación de la edad ósea 
en niños (41). 
 
EVALUACIÓN METODOLÓGICA DE LOS ESTUIDOS INCLUIDOS EN LA REVISIÓN CASPe 
 
 
ESTUDIO 
 
PUNTUACIÓN 
Deep focus 
approach for 
accurate bone 
age 
estimation 
from lateral 
cephalogram
a. 
Diseño 
observacional, 
analítico de 
casos y 
controles de 
análisis 
retrospectivo no 
intervencionista
. 
1. + 
2. + 
3. + 
4. - 
5. + 
6. + 
7. + 
8. + 
9. + 
10. + 
11. + 
 
● PUNTUACIÓN TOTAL: 10/11 
7.- Se midió la segmentación cervical, con un detector ROI y el modelo U-Net, 
como resultado un valor de 0,918 y 0,913 respectivamente. 
8.- Se aplicó un ROI donde se consideró un IoU > 5 
En ambos valores como resultado la precisión fue mayor al IoU (>5) 
33 
 
Automatic 
assessment 
of bone age 
in taiwanese 
children: A 
comparison 
of the 
Greulich 
and Pyle 
method and 
the Tanner 
and 
Whitehouse 
3 method 
 
Estudio 
comparativo de 
análisis 
retrospectivo 
 
 
1. + 
2. + 
3. + 
4. + 
5. - 
6. + 
7. + 
8. + 
9. + 
10. ? 
11. + 
 
● PUNTUACIÓN TOTAL: 9/11 
5.- Las poblaciones se conformaron por un grupo pacientes de 3 a 11 años y otro 
de 12 a 17 años, variando así en grupo de niños y niñas para cada rango de edad. 
6.- En los grupos conformaron utilizaron diferente variante como el método de 
G&P y TW3 
7.- Se obtuvo un efecto moderado con el método, lo cual marca la precisión y 
efectividad del método utilizado. 
8.- El intervalo de confianza utilizado fue el efecto de la D de Cohen 
34 
 
Artificial 
Intelligence 
system can 
achieve 
comparable 
results to 
experts for 
bone age 
assesment of 
Chinese 
children 
with 
anormal 
growth and 
development 
 
Estudio 
aleatorizado 
simple 
 
1. + 
2. + 
3. + 
4. + 
5. + 
6. + 
7. + 
8. + 
9. + 
10. + 
11. + 
 
● PUNTUACIÓN TOTAL: 11/11 
El estudio tuvo un pequeño tamaño de muestra. 
Effect of 
AI- assisted 
software on 
inter – and 
intra 
Diseño no 
experimental, 
longitudinal 
prospectivo 
1. + 
2. - 
3. + 
4. + 
5. - 
 
● PUNTUACIÓN TOTAL: 8/11 
2. Dos pacientes fueron excluidos por osteocondrodisplasia.35 
 
observer 
variability 
for the X-
ray bone age 
assesment 
of preschool 
children 
 
 6. - 
7. + 
8. + 
9. + 
10. + 
11. + 
5.- Fueron dos grupos de diferente sexo, pero misma edad. 
6.- Se realizó el estudio en 2 distintos momentos, un grupo con IA y otro sin IA. 
7.- Se midió el error cuadrático medio (RMSE), diferencia absoluta media (MAD) 
y el coeficiente de correlación Inter clase (ICC) 
Clinical 
application 
of artificial 
intelligence 
in 
longitudinal 
image 
analysis of 
bone age 
among 
Diseño 
observacional de 
casos y controles 
de análisis 
prospectivo 
 
1. + 
2. + 
3. + 
4. + 
5. + 
6. - 
7. + 
8. + 
9. + 
10. + 
11. + 
 
● PUNTUACIÓN TOTAL: 10/11 
6.- Se tomaron dos grupos para la evaluación uno con y sin el uso del IA. 
7.-Se usó para la medición el error cuadrático medio (RMSE), error 
absoluto medio (MAE) y gráficas de Bland-Altman 
8.- Los intervalos de confianza fueron: MAE=1,780 / RMSE=1,655 … 
Evaluador 1 /MAE=1,794 / RMSE=1,719 … Evaluador 2 
36 
 
GHD 
patients. 
 
Evaluation 
of the 
clinical 
efficacy of a 
TW3- based 
fully 
automated 
bone age 
assessment 
system 
using Deep 
neural 
networks 
 
Estudio 
comparativo de 
cohorte 
retrospectivo 
 
1. + 
2. + 
3. + 
4. + 
5. - 
6. + 
7. + 
8. + 
9. + 
10. + 
11. + 
 
● PUNTUACIÓN TOTAL: 10/11 
5.- La población estuvo compuesta por 40 niños y 40 niñas comprendidos 
entre 7 a 15 años. 
7.- Se hizo la comparación en dos grupos con pareado t-test y un análisis 
de regresión simple. 
8.- Utilizó un intervalo de confianza del 95% (-0,07 a 0,22 años) 
37 
 
External 
validation 
of Deep 
learning-
based bone-
age 
software: a 
preliminary 
study with 
real world 
data 
 
Estudio 
comparativo de 
anális 
is retrospectivo. 
 
1. + 
2. + 
3. + 
4. + 
5. - 
6. + 
7. + 
8. ? 
9. + 
10. + 
11. + 
 
● PUNTUACIÓN TOTAL: 10/11 
5.- Entre la población de estudio se encontraban 35 niños y 439 niñas. 
7.- Se usó la gráfica de Bland-Altman, error absoluto medio (MAE) y el 
error cuadrático medio (RMSE) 
38 
 
Validation 
of 
automated 
bone age 
analysis 
from hand 
radiographs 
in a North 
American 
pediatric 
population 
 
Estudio 
comparativo de 
cohorte 
retrospectivo 
 
1. + 
2. + 
3. + 
4. + 
5. - 
6. + 
7. + 
8. + 
9. + 
10. + 
11. + 
● PUNTUACIÓN TOTAL: 10/11 
5.- Se realizó la evaluación en comparaciones respecto al diagnóstico, 
sexo y raza. 
7.- Se midió la correlación de Spearman (r) y el error cuadrático medio 
(RMSE) 
8.- Correlación de Spearman P < 0,0001 
 
 
 
39 
 
Gráfico 1. Diagrama de flujo PRISMA 2020(42). 
 
 
 
 
 
 
 
 
 
 
 
 
Número de registros 
identificados 
N =131,023 
Número de registros 
adicionales identificados 
mediante otras fuentes 
( n = 0) 
Número de registros 
excluidos 
( n =130,248) 
Número de registros tras 
eliminar citas duplicadas 
( n = 1) 
Número de artículos de texto 
completo evaluados para su 
elegibilidad 
( n = 774) 
Número de estudios 
seleccionados para la 
revisión narrativa 
( n =8) 
TOTAL = 774 
Número de artículos 
excluidos por no ser un 
estudio de inteligencia 
artificial para la 
evaluación de la edad 
ósea en niños (n=766) 
40 
 
La inteligencia artificial como avance tecnológico presenta un nuevo reto en el mundo 
científico destacando el área de la salud, como innovación total alcanzada hace algunos 
años. Investigaciones ya desde algunos años han logrado identificar que la aplicación de 
la inteligencia artificial ha logrado tener resultados de mayor precisión y reducir el tiempo 
de diagnóstico de una evaluación de edad ósea en niños, pero esto no quiere decir que 
desplazará o reemplazará al profesional de salud (médico radiólogo, tecnólogo médico, 
entre otros). Desde años atrás, más científicos han decidido a sumarse y continuar con las 
investigaciones. 
En la presente revisión narrativa se ha obtenido un total de 8 estudios relacionados a la 
“inteligencia artificial para la evaluación de la edad ósea en niños” las cuales están 
conformadas por estudios que marcan la existencia de una relación entre un efecto 
positivo de la inteligencia artificial y la edad ósea. 
Debemos recordar que la inteligencia artificial es un sistema que se permite así mismo 
aprender, razonar y asume formar una idea de una realidad. 
A continuación, se expone que los resultados por tipo de intervención en cada artículo 
examinado. 
Hyejun Seo, Jaejoon Hwang y col en su estudio de diseño observacional, analítico de 
casos y controles de análisis retrospectivo no intervencionista publicado en el 2022 sobre 
el “Enfoque profundo para una estimación precisa de la edad ósea a partir de un 
cefalograma lateral”, se calificó como un estudio de una calidad de evidencia bajo y una 
débil fuerza de recomendación. Proponen como objetivo principal esbozar un 
aprendizaje profundo para la estimación de la edad ósea en base a un cefalograma con 
segmentaciones de imágenes automáticas con la aplicación de un ROI manual y 
automático, los cuales contaron con 900 niños entre 4 a 18 años de edad donde se les 
aplicó un estudio de cefalograma lateral y una de mano-muñeca en el mismo instante; 
para contar con la precisión se consideró una puntuación de IoU > 0,5 y en este estudio 
se obtuvo con la aplicación del ROI una puntuación de 0,918 lo que mostró la precisión 
del cefalograma en evaluación de la edad ósea. A pesar que este estudio presentó algunas 
limitaciones como: pequeña muestra, solo niños coreanos, niños del mismo sexo, errores 
de magnificación del cefalograma. Los investigadores orientan a la comunidad científica 
y médica a probar este método como otra variante de mano-muñeca. 
41 
 
Yi-Ming Wang y col. En su estudio denominado “Evaluación automática de la edad ósea 
en niños Taiwaneses: una comparación del método de Greulich & Pyle y el método de 
Tanner Whitehouse 3” estudio comparativo de análisis retrospectivo publicado en el año 
2020, se calificó como un estudio de calidad de evidencia alta y una fuerte fuerza de 
recomendación. Se evaluaron la radiografía de 611 niños en una edad comprendida de 3 
a 17 años con el uso del método de Greulich & Pyle y TW3 en base al software de Bone 
Xpert. Con la aplicación del primer método GP el efecto que hubo fue de 0,0751 y con 
el método de TW3 fue de 0,011 en varones y en niñas de 0,0473 y 0,0256 con el GP y 
TW3 respectivamente. El método de TW3 mostró mayor precisión que GP, a pesar que 
es mucho más complejo su precisión es alta. 
 
Fengdan Wang y col. En su estudio nombrado “El sistema de inteligencia artificial puede 
lograr resultados comparables a los expertos para la evaluación de la edad ósea de niños 
chinos con crecimiento y desarrollo anormales”, un estudio aleatorizado simple 
publicado en el año 2020 en China, se calificó como un estudio de calidad de evidencia 
alto y una fuerte fuerza de recomendación. El estudio tuvo como objetivo probar el 
rendimiento del uso de la inteligencia artificial aplicado a niños chinos con desarrollo de 
crecimiento anormales; estuvo conformado por 360 niños y 385 niñas, para probar la 
precisión utilizaron como medidas el erro cuadrático medio (RMSE), diferencia absoluta 
media (MAD) y la concordancia con Bland-Altman. Se obtuvo como resultado 
RMSE=0,76, MAD= 0,58. Se observó mayor variación en los pacientes de baja estatura; 
se concluyó que el sistema de IA logro resultados similares a los que obtuvieron los 
investigadores experimentados. 
 
Kai Zhao y col., en su investigación “Efecto del software asistido por IA en la 
variabilidad inter e intraobservador para la evaluación de la edad ósea por rayos X de 
niños en edad preescolar”, un estudio de diseño no experimental longitudinal prospectivopublicado en el año 2022 en China, se calificó como un estudio de calidad de evidencia 
moderado y débil fuerza de recomendación. El objetivo de este estudio fue indagar el 
efecto que tiene la IA entre el observador y el intraobservador. Se tomó como población 
niños en edades comprendidas entre 3 a 6 años en base al uso del método de TW3 
modificado (RUS-Carpal), utilizó como medidas el error cuadrático medio (RMSE), 
42 
 
diferencia media absoluta (MAD). Se concluyó que el efecto entre en los residentes tuvo 
una mayor precisión la edad ósea con el uso de la inteligencia artificial. 
 
Lina Zhang y col., realizaron una investigación llamada “Aplicación clínica de la 
inteligencia artificial en el análisis de la edad ósea en pacientes con GHD” de diseño 
observacional de casos y controles de análisis prospectivo publicado en el año 2022 en 
China, se calificó como un estudio de calidad de evidencia baja y una débil fuerza de 
recomendación. El objetivo del estudio fue indagar el valor clínico de la inteligencia 
artificial en el estudio de la evaluación ósea en niños con déficit de GHD; 52 niños fueron 
parte del estudio. En la metodología del estudio midieron la edad ósea con y sin la 
asistencia de la IA; se usó como métrica el error cuadrático medio (RMSE), error 
absoluto medio (MAE), precisión en Bland-Altman. Finalmente, los investigadores 
concluyeron que se tuvo un rendimiento adecuado, mostrando que hay mayor precisión 
en la edad ósea con el uso de la IA comparada sin IA. 
 
Nan Young Shin y col., investigaron el tema denominado “Evaluación de la eficacia 
clínica de un sistema de evaluación de la edad ósea totalmente automatizado basado en 
TW3 utilizando redes neuronales profundas” estudio comparativo de cohorte 
retrospectivo publicado en el año 2020 en Corea, presenta una calidad de evidencia 
moderada y fuerte fuerza de recomendación. El objetivo del estudio evaluar la edad ósea 
basado en el método de TW3 totalmente automatizado; estudio que fue conformado por 
40 niños y 40 niñas en edades comprendidas entre 7 a 15 años de edad. La comparación 
en ambos grupos fue realizada mediante el pareado t-test y un análisis de regresión 
simple. Como conclusión se considera que el método de TW3 es eficaz para la 
determinación de la edad ósea. 
 
Winnah Wu -In Lea y col., publicaron su estudio “Validación externa del software de 
edad ósea basado en aprendizaje profundo: un estudio preliminar con datos del mundo 
real” estudio comparativo de análisis retrospectivo publicado en el año 2022 en Corea, 
presenta una calidad de evidencia moderada y fuerte fuerza de recomendación. El 
objetivo de la investigación fue evaluar el rendimiento de la evaluación de la edad ósea 
basado en un software con aprendizaje profundo; la población fue conformada por 474 
43 
 
niños en una edad comprendida entre 4 a 17 años de edad. Como métricas se utilizó el 
coeficiente de correlación de Pearson, gráfica de Bland-Altman, error absoluto medio 
(MAE) y error cuadrático (RMSE). Al finalizar el estudio los investigadores concluyeron 
que la evaluación con IA arrojó datos similares a la edad cronológica sin IA. 
 
Jonathan J. y col., realizaron el tema de estudio denominado “Validación de análisis 
automatizado de la edad ósea a partir de radiografías de manos en una población 
pediátrica de América del Norte”, estudio comparativo de cohorte retrospectivo 
publicado en el año 2022, presenta una calidad de evidencia moderada y una fuerte fuerza 
de recomendación. El estudio tuvo como objetivo evaluar la precisión de un sistema 
inteligente automatizado para la evaluación de la edad ósea; su población fue conformada 
por 451 niños evaluados por el uso del software Bone Xpert acompañado del método de 
G&P; como métricas usaron la correlación de Spearman y el error cuadrático medio, 
después de la evaluación concluyeron que la evaluación fue confiable y precisa. 
 
Los resultados de los estudios recolectados sobre el uso de la inteligencia artificial para 
la evaluación de la edad ósea en niños, demuestran una calidad de evidencias de bajo 
(25%), moderado (50%) y alto (25%); y fuerza de recomendación débil (37.5%) y fuerte 
(62.5%) según la calidad de evidencias (GRADE). 
 
Mientras que por otro lado estudios recolectados sobre el uso de la inteligencia artificial 
para la evaluación de la edad ósea en niños, se identifica que solo un estudio (12.5%) 
llegó alcanzar la puntuación total de 11/11, mientras 5 estudios (62.5%) obtuvieron una 
puntuación total de 10/11 y por otros lados dos (25%) estudios alcanzaron una menor 
puntuación de 9/11 y 8/11 el según la lectura crítica de la evidencia clínica (CASPe).
44 
 
 
 
 
 
 
 
 
 
 
 
 
 
CAPÍTULO IV: DISCUSIÓN 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
45 
 
En el presente estudio de investigación se realizó una revisión bibliográfica basada en 
los estudios sobre la evaluación de la edad ósea en niños con el uso de la inteligencia 
artificial, basado en los artículos comprendidos desde el año 2018 hasta el año 2023 
de diferente base de datos como: PubMed, Science Direct y Google Scholar. 
En general los 8 artículos que fueron seleccionados para su elegibilidad, tienen en 
común evaluar la precisión de la edad ósea en base al uso de la inteligencia artificial. 
Con la revisión de bibliográfica se demuestra que los 8 (100%) artículos hallados y 
examinados sustentan que la aplicación de esta, muestra grandes resultados de 
precisión en la edad ósea. 
Los países de los continentes asiáticos han demostrado ya desde antes ser los países 
con mayor interés con respecto a este tema dejando como evidencia actualmente que 
la mayoría de estos artículos fueron desarrollados en el Continente Asiático (China, 
Taiwán y Corea) y uno fue desarrollado en América del Norte, dejando como 
respuesta la falta de actualización del tema en el continente americano y sobre todo 
del Perú, lo que conlleva que hace falta realizar este tipo de investigaciones en las 
zonas del continente americano. Así mismo como lo indica su ejecución de cada 
artículo en cada país su población está conformado por la misma, por niños y niñas 
asiáticos. 
En su 87.5% de los artículos revisados, los investigadores utilizan el método 
tradicional de la evaluación de la edad ósea en manos y muñeca, pero el autor Hyejun 
seo y col., en su estudio “Enfoque profundo para una estimación precisas de la edad 
ósea a partir de un cefalograma lateral” se manifiesta difiriendo del resto de autores 
dejando como evidencia que la evaluación, así como se desarrolla en manos también 
es eficaz en cefalogramas. 
Yi-Ming y Nan Young y col., concuerdan que el método Tanner-Whithouse logran 
dar resultados eficaces y precisos. 
Jonathan J, Winnah Wu-In, Lina y col., llegan a la conclusión que la aplicación de la 
IA logra dar datos precisos, sugiriendo la aplicabilidad de ello. 
 
 
 
 
46 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
CAPÍTULO V: CONCLUSIONES Y 
RECOMENDACIONES 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
47 
 
5.1 CONCLUSIONES 
● El total de los 8 artículos demuestran la eficacia del uso de la 
inteligencia artificial para la evaluación de la edad ósea. 
● En su mayoría los artículos encontrados fueron desarrollados en el 
año 2020 y 2022 y en su 75% se hallaron estudios retrospectivos y el 
25 % prospectivos, las muestras estaban conformadas por grupos de 
40 pacientes hasta 385 pacientes, desde 3 a 18 años. 
● Los estudios fueron aplicados en ambos sexos, desarrollados en su 
mayoría en el continente asiático. 
● En su mayoría aplicó los métodos tradicionales de G&P, más que TW. 
5.2 RECOMENDACIONES 
 
● Se recomienda seguir realizando nuevas investigaciones, para 
corroborar la evidencia y así continuar informando a la comunicad 
sobre la precisión de la aplicación de estos métodos con inteligencia 
artificial para la mejora de resultados dela edad ósea en los niños. 
● Se recomienda en las futuras investigaciones realizar el detalle de la 
técnica de análisis para evitar sesgos en adelante. 
● Se recomienda realizar webinar y conferencias a médicos 
especialistas, residentes, radiólogos entre otros para explicar de 
manera concreta y precisa el uso que conlleva la IA en la edad ósea. 
Así mismo realizar investigaciones en el Perú. 
● Se recomienda a su vez dar mensajes informativos a la población de 
la importancia de la evaluación de la edad ósea en los menores para su 
detección temprana de alguna patología a futuro. 
● Se recomienda realizar este tipo de investigaciones (revisión 
narrativa) entre dos o más investigadores para evitar sesgos. 
 
 
48 
 
REFERENCIAS BIBLIOGRÁFICAS 
1. González M. Historia y evolución de la inteligencia artificial [Internet]. CICE. 
2018 [citado 21 de noviembre de 2022]. Disponible en: 
https://www.cice.es/blog/articulos/historia-evolucion-la-inteligencia-artificial/ 
2. Gálvez Moya M. Inteligencia Artificial en Radiología: ¿Seremos reemplazados 
por las máquinas? Rev Chil Radiol. 2017;23(3):90-90. 
3. Marangoni A. El arribo de la “inteligencia artificial” a la radiología – ¿Amenaza 
o desafío de adaptación? Rev Argent Radiol. 2018;82(2):55-6. 
4. Thodberg H, Kreiborg S, Juul A, Pedersen K. The BoneXpert Method for 
Automated Determination of Skeletal Maturity. IEEE Trans Med Imaging. 1 de 
febrero de 2009;28:52-66. 
5. Jiménez Herrera LG, Jiménez Herrera LG. Inteligencia artificial como potencia de 
herramienta en salud. Infodir [Internet]. diciembre de 2021 [citado 17 de octubre 
de 2022];(36). Disponible en: 
http://scielo.sld.cu/scielo.php?script=sci_abstract&pid=S1996-
35212021000300018&lng=es&nrm=iso&tlng=es 
6. Wang F, Cidan W, Gu X, Chen S, Yin W, Liu Y, et al. Performance of an artificial 
intelligence system for bone age assessment in Tibet. Br J Radiol. 1 de abril de 
2021;94(1120):20201119. 
7. Artioli TO, Alvares MA, Carvalho Macedo VS, Silva TS, Avritchir R, Kochi C, 
et al. Bone age determination in eutrophic, overweight and obese Brazilian 
children and adolescents: a comparison between computerized BoneXpert and 
Greulich-Pyle methods. Pediatr Radiol. 1 de agosto de 2019;49(9):1185-91. 
8. IMPLICANCIA DE LA INTELIGENCIA ARTIFICIAL EN LA DISMINUCIÓN 
DEL ERROR DE DIAGNÓSTICO RADIOLÓGICO. UN METANÁLISIS. :31. 
9. Edu.pe [citado el 21 de noviembre de 2022]. Disponible en: 
https://repositorio.ulima.edu.pe/bitstream/handle/20.500.12724/14110/Quispe_C
arbonel_Alvaro_Daniel.pdf?sequence=1&isAllowed=y 
49 
 
10. Form Act Pediatr Aten Prim. 2011;4(4):253-7 [Internet]. Fapap.es. [citado el 21 de 
noviembre de 2022]. Disponible en: https://fapap.es/files/639-723-
RUTA/FAPAP4_2011_07.pdf 
11. Navarro MM, Tejedor BM, López Siguero JP. El uso de la edad ósea en la práctica 
clínica. An Pediatr Contin [Internet]. 2014 [citado el 21 de noviembre de 
2022];12(6):275–83. Disponible en: https://www.elsevier.es/es-revista-anales-
pediatria-continuada-51-articulo-el-uso-edad-osea-practica-
S169628181470204512.onciencia_capitulo_2.pdf [Internet]. [citado 3 de 
noviembre de 2022]. Disponible en: 
https://www.ugr.es/~setchift/docs/conciencia_capitulo_2.pdf 
12. conciencia_capitulo_2.pdf [Internet]. [citado 3 de noviembre de 2022]. Disponible 
en: https://www.ugr.es/~setchift/docs/conciencia_capitulo_2.pdf 
13. Valle M, Olmo D. Estrategia Nacional de Inteligencia Artificial. Desarrollo y 
regulación [Internet]. Fedea.net. [citado el 21 de noviembre de 2022]. Disponible 
en: https://documentos.fedea.net/pubs/ap/2022/ap2022-14.pdf 
14. Ética e inteligencia artificial [Internet]. Servicio de Publicaciones de la 
Universidad de Navarra; 2019 [citado 3 de noviembre de 2022]. Disponible en: 
https://media.iese.edu/research/pdfs/ST-0522.pdf 
15. Planetadelibros.com [citado el 21 de noviembre de 2022]. Disponible en: 
https://www.planetadelibros.com/libros_contenido_extra/40/39307_Inteligencia_
artificial.pdf 
16. Sánchez-Caro y Sánchez - UN NUEVO PARADIGMA ASPECTOS CLÍNICOS, 
ÉTICOS Y LE.pdf [Internet]. [citado 3 de noviembre de 2022]. Disponible en: 
https://www.fundacionmercksalud.com/wp-
content/uploads/2021/02/DIGITAL_MONOGRAFIA-26_INTELIGENCIA-
ARTIFICIAL_FINAL-1.pdf 
17. Balparda N. - Estrategia tecnológica - Arquitectura de datos y sistemas - Big Data 
- Análisis de datos. :64. 
50 
 
18. CORPORATIVA I. Descubre los principales beneficios del Machine Learning 
[Internet]. Iberdrola. [citado 3 de noviembre de 2022]. Disponible en: 
https://www.iberdrola.com/innovacion/machine-learning-aprendizaje-automatico 
19. BBVA. Te contamos qué es el «machine learning» y cómo funciona [Internet]. 
BBVA NOTICIAS. 2019 [citado 3 de noviembre de 2022]. Disponible en: 
https://www.bbva.com/es/machine-learning-que-es-y-como-funciona/ 
20. 228074134.pdf [Internet]. [citado 3 de noviembre de 2022]. Disponible en: 
https://core.ac.uk/download/pdf/228074134.pdf 
21. Sandoval LJ. ALGORITMOS DE APRENDIZAJE AUTOMÁTICO PARA 
ANÁLISIS Y PREDICCIÓN DE DATOS. 2018;5. 
22. Deep learning: el cerebro humano como inspiración [Internet]. IONOS Digital 
Guide. [citado 4 de noviembre de 2022]. Disponible en: 
https://www.ionos.es/digitalguide/online-marketing/marketing-para-motores-de-
busqueda/deep-learning/ 
23. Deep Learning - Libro online de IAAR [Internet]. [citado 6 de noviembre de 2022]. 
Disponible en: https://iaarbook.github.io/deeplearning/ 
24. Hernández M. Maduración ósea y predicción de talla [Internet]. Sccalp.org. 
[citado el 21 de noviembre de 2022]. Disponible en: 
https://www.sccalp.org/documents/0000/1359/BolPediatr1991_32_265-272.pdf 
25. EDAD ÓSEA ARTICULO - EXPERTO EN HUESOS - Correspondencia: Fabian 
Villacres fabianvillacresdr@gmail Rev - StuDocu [Internet]. [citado 10 de 
noviembre de 2022]. Disponible en: https://www.studocu.com/en-
us/document/albany-medical-college/faculty-of-medical/edad-osea-articulo-
bone-expert/25462257 
26. Med®-BoneAgeTM - Medical imaging software by VUNO | MedicalExpo 
[Internet]. [citado 10 de noviembre de 2022]. Disponible en: 
https://www.medicalexpo.com/prod/vuno/product-299867-989333.html 
51 
 
27. Gómez-Campos R, Arruda M de, Hobold E, Abella CP, Camargo C, Martínez 
Salazar C, et al. Valoración de la maduración biológica: usos y aplicaciones en el 
ámbito escolar. Rev Andal Med Deporte. diciembre de 2013;6(4):151-60. 
28. Pachas-Vásquez AL, Suárez-Ponce DG, Evaristo-Chiyong TA, Pachas-Vásquez 
AL, Suárez-Ponce DG, Evaristo-Chiyong TA. Estimación de la edad cronológica 
a través de los métodos de Demirjian y Ubelaker en niños peruanos. Odovtos Int J 
Dent Sci. agosto de 2019;21(2):95-103. 
29. Radiografía: Estudio de la edad ósea (para Padres) - Nemours KidsHealth 
[Internet]. [citado 13 de noviembre de 2022]. Disponible en: 
https://kidshealth.org/es/parents/xray-bone-age.html 
30. Porcelli AM, Porcelli AM. La inteligencia artificial y la robótica: sus dilemas 
sociales, éticos y jurídicos. Derecho Glob Estud Sobre Derecho Justicia. 
2020;6(16):49-105. 
31. Aguilera Eguía R. ¿Revisión sistemática, revisión narrativa o metaanálisis? Rev 
Soc Esp Dolor. diciembre de 2014;21(6):359-60. 
32. Seo H, Hwang J, Jung YH, Lee E, Nam OH, Shin J. Deep focus approach for 
accurate bone age estimation from lateral cephalogram. J Dent Sci. 1 de enero de 
2023;18(1):34-43. 
33. Automatic assessment of bone age in Taiwanese children: A comparison of the 
Greulich and Pyle method and the Tanner and Whitehouse 3 method - Wang - 
2020 - The Kaohsiung Journal of Medical Sciences - Wiley Online Library 
[Internet]. [citado 2 de marzo de 2023]. Disponible en: 
https://onlinelibrary.wiley.com/doi/10.1002/kjm2.12268 
34. Booz C, Yel I, Wichmann JL, Boettger S, Al Kamali A, Albrecht MH, et al. 
Artificial intelligence in bone age assessment: accuracy and efficiency of a novel 
fully automated algorithm compared to the Greulich-Pyle method. Eur