Las fracturas representan una de las principales causas de lesión en los caballos purasangre de carreras, con un fuerte impacto tanto en su bienestar como en su rendimiento deportivo. Se estima que alrededor del 10% de estos animales sufre una fractura durante el entrenamiento y que se registra una tasa de 1,3 lesiones óseas cada 1000 salidas en carreras.

A pesar de su relevancia clínica, el diagnóstico puede resultar complejo. La evaluación se basa principalmente en radiografías, pero las variaciones en la calidad de imagen, la proyección y la dificultad para identificar cambios óseos sutiles pueden limitar la precisión diagnóstica, especialmente en estadios tempranos.

Con el objetivo de mejorar la detección precoz y fiable de fracturas, investigadores del Royal Veterinary College (RVC), en el Reino Unido, iniciaron un programa con inteligencia artificial para identificar alteraciones óseas antes de que progresen a lesiones graves o potencialmente fatales.

El estudio fue dirigido por la profesora asociada de Estadística Ruby Chang y desarrollado por la Dra. Hanya Ahmed. Para entrenar el modelo, el equipo reunió un banco de imágenes compuesto por 100 casos de fracturas equinas provenientes de dos hospitales especializados del Reino Unido y de publicaciones científicas; 70 casos felinos extraídos de bases de datos hospitalarias; y aproximadamente 4000 imágenes de fracturas humanas obtenidas de una base pública.

A partir de este conjunto heterogéneo de datos, los investigadores diseñaron un sistema de inteligencia artificial (IA) que opera en tres etapas: primero identifica el tipo de estudio (radiografía, tomografía computarizada o resonancia magnética); luego reconoce el ángulo o proyección de la imagen; y finalmente detecta y localiza con precisión la fractura.

Uno de los aspectos más innovadores fue el uso del “aprendizaje por transferencia”, estrategia que permitió entrenar inicialmente el modelo con miles de imágenes humanas y luego adaptarlo al ámbito veterinario. Gracias a este enfoque, el sistema alcanzó una precisión de localización de fracturas de entre el 71% y el 84%, sin necesidad de contar con grandes volúmenes de imágenes equinas, habitualmente difíciles de obtener.

Los resultados evidencian el potencial de las herramientas asistidas por IA para fortalecer el diagnóstico por imágenes en la práctica veterinaria. Una detección más rápida y consistente podría reducir la incertidumbre en la toma de decisiones clínicas, facilitar intervenciones más tempranas y mejorar el pronóstico tanto en caballos de carrera como en animales de compañía.

Además, el trabajo demuestra cómo desarrollos tecnológicos concebidos para la medicina humana pueden adaptarse con éxito a la salud animal, promoviendo estándares diagnósticos más seguros y homogéneos entre especies.

A partir de estos avances, el equipo amplió su colaboración con el Jockey Club de Hong Kong para investigar si la IA puede identificar cambios óseos subclínicos en caballos de carrera antes de que se produzca una fractura. De confirmarse su utilidad preventiva, esta tecnología podría marcar un punto de inflexión en la reducción de lesiones catastróficas en el turf, posicionando a la inteligencia artificial no solo como herramienta diagnóstica, sino también como aliada en la prevención.

El estudio fue finalista del concurso STEM for Britain 2026 y sus resultados fueron publicados en la revista científica Bioengineering, consolidando el reconocimiento internacional del proyecto y el aporte del RVC a la innovación en diagnóstico veterinario.