13911
IMPORTANCIA DEL MÉTODO GREULICH
AND PYLE EN LA PRÁCTICA CLÍNICA
UNA REVISIÓN SISTEMÁTICA
IMPORTANCE OF THE GREULICH AND PYLE
METHOD IN CLINICAL PRACTICE:
A SYSTEMATIC REVIEW
Miguel Noé Diaz Ataucure MG
Las Violetas Independencia, Perú
pág. 13912
DOI: https://doi.org/10.37811/cl_rcm.v10i1.23289
Importancia del Método Greulich and Pyle en la Práctica Clínica
Una Revisión Sistemática
Miguel Noé Diaz Ataucure MG1
migueldiaz_rad@hotmail.com
https://orcid.org/0000-0003-0054-7850
Calle las Avellanas N°176 – Urb
Las Violetas Independencia
Lima Perú
RESUMEN
La evaluación de la edad ósea en niños y adolescentes, es importante en la práctica clínica, con la
finalidad de no tener variabilidad con la edad biológica; el método de Greulich and Pyle (GP) es la más
empleada, práctica y versátil en su aplicación, existiendo también métodos automatizados con
Inteligencia Artificial (IA). Se analiza y evalúa la eficacia con respecto a otros métodos, determinando
su relevancia en la práctica clínica actual. Se realizaron búsqueda en SCOPUS, GOOGLE SCHOLAR
y PUB MED, obteniendo 16 estudios que cumplieron con los criterios de inclusión y exclusión,
encontrándose que GP es una herramienta útil, eficaz y precisa para la evaluación de la edad ósea, con
una alta fiabilidad y validez interobservador e intraobservador. Algunos estudios señalaron que GP
puede subestimar la edad ósea en algunos grupos de población. Finalmente, se determinó un alto grado
de importancia de GP en la práctica clínica encontrando también métodos automatizados.
Palabras clave: método de Greulich y Pyle, evaluación de madurez esquelética, radiología pediátrica,
crecimiento y desarrollo óseo, maduración ósea y comparación de métodos
1 Autor principal
Correspondencia: migueldiaz_rad@hotmail.com
DOI: https://doi.org/10.37811/cl_rcm.v10i1.23289
Importancia del Método Greulich and Pyle en la Práctica Clínica
Una Revisión Sistemática
Miguel Noé Diaz Ataucure MG1
migueldiaz_rad@hotmail.com
https://orcid.org/0000-0003-0054-7850
Calle las Avellanas N°176 – Urb
Las Violetas Independencia
Lima Perú
RESUMEN
La evaluación de la edad ósea en niños y adolescentes, es importante en la práctica clínica, con la
finalidad de no tener variabilidad con la edad biológica; el método de Greulich and Pyle (GP) es la más
empleada, práctica y versátil en su aplicación, existiendo también métodos automatizados con
Inteligencia Artificial (IA). Se analiza y evalúa la eficacia con respecto a otros métodos, determinando
su relevancia en la práctica clínica actual. Se realizaron búsqueda en SCOPUS, GOOGLE SCHOLAR
y PUB MED, obteniendo 16 estudios que cumplieron con los criterios de inclusión y exclusión,
encontrándose que GP es una herramienta útil, eficaz y precisa para la evaluación de la edad ósea, con
una alta fiabilidad y validez interobservador e intraobservador. Algunos estudios señalaron que GP
puede subestimar la edad ósea en algunos grupos de población. Finalmente, se determinó un alto grado
de importancia de GP en la práctica clínica encontrando también métodos automatizados.
Palabras clave: método de Greulich y Pyle, evaluación de madurez esquelética, radiología pediátrica,
crecimiento y desarrollo óseo, maduración ósea y comparación de métodos
1 Autor principal
Correspondencia: migueldiaz_rad@hotmail.com
pág. 13913
Importance of the Greulich and Pyle Method in Clinical Practice:
A Systematic Review
ABSTRACT
Bone age assessment in children and adolescents is important in clinical practice to avoid variability
with biological age. The Greulich and Pyle (GP) method is the most widely used, practical, and versatile
method, and automated methods using Artificial Intelligence (AI) also exist. Its effectiveness is
analyzed and evaluated compared to other methods, determining its relevance in current clinical
practice. Searches were conducted in SCOPUS, GOOGLE SCHOLAR, and PUB MED, yielding 16
studies that met the inclusion and exclusion criteria. It was found that GP is a useful, effective, and
accurate tool for assessing bone age, with high inter- and intra-observer reliability and validity. Some
studies indicated that GP may underestimate bone age in some population groups. Finally, a high degree
of importance of GP in clinical practice was determined, also finding automated methods.
Keywords: Greulich-Pyle method, assessment of skeletal maturity, pediatric radiology, bone growth
and development, bone maturation and comparison of methods
Artículo recibido 02 enero 2026
Aceptado para publicación: 30 enero 2026
Importance of the Greulich and Pyle Method in Clinical Practice:
A Systematic Review
ABSTRACT
Bone age assessment in children and adolescents is important in clinical practice to avoid variability
with biological age. The Greulich and Pyle (GP) method is the most widely used, practical, and versatile
method, and automated methods using Artificial Intelligence (AI) also exist. Its effectiveness is
analyzed and evaluated compared to other methods, determining its relevance in current clinical
practice. Searches were conducted in SCOPUS, GOOGLE SCHOLAR, and PUB MED, yielding 16
studies that met the inclusion and exclusion criteria. It was found that GP is a useful, effective, and
accurate tool for assessing bone age, with high inter- and intra-observer reliability and validity. Some
studies indicated that GP may underestimate bone age in some population groups. Finally, a high degree
of importance of GP in clinical practice was determined, also finding automated methods.
Keywords: Greulich-Pyle method, assessment of skeletal maturity, pediatric radiology, bone growth
and development, bone maturation and comparison of methods
Artículo recibido 02 enero 2026
Aceptado para publicación: 30 enero 2026
pág. 13914
INTRODUCCIÓN
En el presente artículo, desarrollaremos sobre la importancia del método de GREULICH AND PYLE
(GP), en comparación a otras metodologías de evaluación de la maduración ósea, en la aplicación de la
práctica clínica. En las últimas décadas, han surgido métodos alternativos como el de Tanner-
Whitehouse (TW2/TW3) incluyendo poblaciones heterogéneas, comparándolo con el método de GP
(1,2,3,4,5,6) y, más recientemente, sistemas automatizados basados en inteligencia artificial (IA) que
prometen mayor objetividad, precisión y eficiencia. Estas tecnologías analizan las radiografías mediante
algoritmos para reducir la subjetividad y el tiempo de evaluación, estableciéndose así una notable
relevancia en el uso de la práctica clínica actual (7,8,9,10,11).
Se determinó la vigencia y la popularidad del método GP, del cual radica en su simplicidad, rapidez y
bajo costo, lo que lo convierte en una herramienta accesible, especialmente en entornos con recursos
limitados (12). Sin embargo, su validez y precisión han sido objeto de debate. Las críticas se centran
principalmente en la subjetividad inherente a la interpretación visual, que conduce a una considerable
variabilidad interobservador, y en el hecho de que el atlas original se basó en una población de niños
caucásicos de Cleveland, Ohio, en la década de 1930, lo que plantea dudas sobre su aplicabilidad a
poblaciones étnicas y geográficas diversas en la actualidad (6,13,11,14).
La evaluación de la maduración ósea es un componente fundamental en la pediatría y la endocrinología
para el diagnóstico y seguimiento de trastornos del crecimiento y desarrollo (15,16). Entre las diversas
metodologías existentes, el método de GP, desarrollado en la década de 1950, ha sido históricamente el
más utilizado a nivel mundial (12,16). Esta técnica consiste en comparar una radiografía de la mano y
muñeca izquierda del paciente con una serie de imágenes estándar de un atlas de referencia para estimar
la edad ósea (17,16). A pesar de su uso cotidiano, no está libre de desafíos, particularmente en lo
concerniente a la variabilidad interobservador y la imperiosa necesidad de una estandarización rigurosa
para garantizar una buena reproducibilidad (12,18). El método de GP, demostró una fiabilidad en sus
resultados de moderada a buena, dependiendo de la experiencia del clínico evaluador (13), destacando
la importancia de esta herramienta en clínicas pediátricas para identificar trastornos del crecimiento y
displasias esqueléticas, subrayando la importancia de adaptar los métodos de evaluación a diferentes
poblaciones (15,19).
INTRODUCCIÓN
En el presente artículo, desarrollaremos sobre la importancia del método de GREULICH AND PYLE
(GP), en comparación a otras metodologías de evaluación de la maduración ósea, en la aplicación de la
práctica clínica. En las últimas décadas, han surgido métodos alternativos como el de Tanner-
Whitehouse (TW2/TW3) incluyendo poblaciones heterogéneas, comparándolo con el método de GP
(1,2,3,4,5,6) y, más recientemente, sistemas automatizados basados en inteligencia artificial (IA) que
prometen mayor objetividad, precisión y eficiencia. Estas tecnologías analizan las radiografías mediante
algoritmos para reducir la subjetividad y el tiempo de evaluación, estableciéndose así una notable
relevancia en el uso de la práctica clínica actual (7,8,9,10,11).
Se determinó la vigencia y la popularidad del método GP, del cual radica en su simplicidad, rapidez y
bajo costo, lo que lo convierte en una herramienta accesible, especialmente en entornos con recursos
limitados (12). Sin embargo, su validez y precisión han sido objeto de debate. Las críticas se centran
principalmente en la subjetividad inherente a la interpretación visual, que conduce a una considerable
variabilidad interobservador, y en el hecho de que el atlas original se basó en una población de niños
caucásicos de Cleveland, Ohio, en la década de 1930, lo que plantea dudas sobre su aplicabilidad a
poblaciones étnicas y geográficas diversas en la actualidad (6,13,11,14).
La evaluación de la maduración ósea es un componente fundamental en la pediatría y la endocrinología
para el diagnóstico y seguimiento de trastornos del crecimiento y desarrollo (15,16). Entre las diversas
metodologías existentes, el método de GP, desarrollado en la década de 1950, ha sido históricamente el
más utilizado a nivel mundial (12,16). Esta técnica consiste en comparar una radiografía de la mano y
muñeca izquierda del paciente con una serie de imágenes estándar de un atlas de referencia para estimar
la edad ósea (17,16). A pesar de su uso cotidiano, no está libre de desafíos, particularmente en lo
concerniente a la variabilidad interobservador y la imperiosa necesidad de una estandarización rigurosa
para garantizar una buena reproducibilidad (12,18). El método de GP, demostró una fiabilidad en sus
resultados de moderada a buena, dependiendo de la experiencia del clínico evaluador (13), destacando
la importancia de esta herramienta en clínicas pediátricas para identificar trastornos del crecimiento y
displasias esqueléticas, subrayando la importancia de adaptar los métodos de evaluación a diferentes
poblaciones (15,19).
pág. 13915
En América Latina y el Caribe, estos métodos afrontan desafíos, relacionado con la diversidad étnica y
diferentes poblaciones (20). Si bien el atlas de GP se basa en datos de niños caucásicos de Cleveland,
Ohio; su aplicación en Latinoamérica requiere cierta consideración de las diferencias étnicas y
geográficas (12); ello es fundamental para la validación en diferentes poblaciones latinoamericanas,
asegurando la precisión y aplicabilidad (20). En México, el método de GP, considera ciertas
particularidades por la diversidad étnica de la población (21,19).
Aun así, disponiendo de los métodos automatizados y computarizados basados en IA (22,23,7,10,11),
el método tradicional de GP continúa siendo relevante en la práctica clínica, especialmente en ambientes
con recursos limitados o donde no se dispone de tecnología avanzada (12,16), destacando la importancia
de la variabilidad interobservador y, resaltando la necesidad de una capacitación del profesional de la
salud para minimizar los errores (6).
En la presente revisión sistemática de la literatura científica, se analizarán las evidencias favorables con
respecto a la precisión y fiabilidad del método de GP, haciendo la comparación con otros diferentes
métodos de evaluación de edad ósea (1,24,11), Se compara su desempeño con otras técnicas de
evaluación ósea, principalmente los sistemas automatizados, para sintetizar la evidencia disponible,
evaluar su fiabilidad en diferentes poblaciones y ofrecer recomendaciones para la práctica clínica y
futuras líneas de investigación.
En resumen, la presente investigación corrobora que el método de GP sigue siendo importante, pero en
el uso moderno de la práctica clínica podría beneficiarse de la integración de tecnologías más avanzadas
y evolucionadas, como el uso de algoritmos de IA, la experiencia del evaluador y la disponibilidad de
los recursos (22). Se debe de tener en cuenta la elección del método, para establecer las necesidades
propias de cada caso (14,10,24).
Pacientes Y Métodos:
En la presente investigación, se realizó una revisión sistemática siguiendo las directrices del Manual
Cochrane. La pregunta de investigación se estructuró bajo el enfoque PICO:
- P (Población) = Niños y adolescentes (0–18 años).
- I (Intervención/Exposición) = Aplicación del método de GP.
- C (Control o comparación) = Métodos TW2/TW3, IA y software automatizado.
En América Latina y el Caribe, estos métodos afrontan desafíos, relacionado con la diversidad étnica y
diferentes poblaciones (20). Si bien el atlas de GP se basa en datos de niños caucásicos de Cleveland,
Ohio; su aplicación en Latinoamérica requiere cierta consideración de las diferencias étnicas y
geográficas (12); ello es fundamental para la validación en diferentes poblaciones latinoamericanas,
asegurando la precisión y aplicabilidad (20). En México, el método de GP, considera ciertas
particularidades por la diversidad étnica de la población (21,19).
Aun así, disponiendo de los métodos automatizados y computarizados basados en IA (22,23,7,10,11),
el método tradicional de GP continúa siendo relevante en la práctica clínica, especialmente en ambientes
con recursos limitados o donde no se dispone de tecnología avanzada (12,16), destacando la importancia
de la variabilidad interobservador y, resaltando la necesidad de una capacitación del profesional de la
salud para minimizar los errores (6).
En la presente revisión sistemática de la literatura científica, se analizarán las evidencias favorables con
respecto a la precisión y fiabilidad del método de GP, haciendo la comparación con otros diferentes
métodos de evaluación de edad ósea (1,24,11), Se compara su desempeño con otras técnicas de
evaluación ósea, principalmente los sistemas automatizados, para sintetizar la evidencia disponible,
evaluar su fiabilidad en diferentes poblaciones y ofrecer recomendaciones para la práctica clínica y
futuras líneas de investigación.
En resumen, la presente investigación corrobora que el método de GP sigue siendo importante, pero en
el uso moderno de la práctica clínica podría beneficiarse de la integración de tecnologías más avanzadas
y evolucionadas, como el uso de algoritmos de IA, la experiencia del evaluador y la disponibilidad de
los recursos (22). Se debe de tener en cuenta la elección del método, para establecer las necesidades
propias de cada caso (14,10,24).
Pacientes Y Métodos:
En la presente investigación, se realizó una revisión sistemática siguiendo las directrices del Manual
Cochrane. La pregunta de investigación se estructuró bajo el enfoque PICO:
- P (Población) = Niños y adolescentes (0–18 años).
- I (Intervención/Exposición) = Aplicación del método de GP.
- C (Control o comparación) = Métodos TW2/TW3, IA y software automatizado.
pág. 13916
- O (Resultado = Concordancia con la edad cronológica, precisión diagnóstica y relevancia clínica.
Según lo antes descrito, podemos planteamos la siguiente pregunta: ¿cuál es la importancia del método
de GP, en comparación con las otras metodologías de evaluación de la maduración ósea, en la aplicación
de la práctica clínica?
Búsqueda sistemática
Se consultaron PUB MED, SCOPUS y GOOGLE SCHOLAR en febrero de 2025. Se utilizaron
términos como: "Greulich y Pyle", "madurez esquelética", "pediátrica", "evaluación de la edad ósea",
"evaluación de la madurez esquelética", "radiología", "práctica clínica", "precisión diagnóstica",
"evaluación esquelética pediátrica" y "Tanner Whitehouse". Cabe recalcar que las estrategias de
búsqueda se aplicaron de manera idéntica en las tres bases de datos con la finalidad de garantizar
consistencia; combinados con operadores booleanos en cuatro algoritmos estandarizados (tabla 1). Se
incluyeron artículos en inglés o español publicados entre 2005 y 2025.
Los resultados de dichas búsquedas fueron: En SCOPUS se obtuvo 710 resultados. En GOOGLE
SCHOLAR se obtuvo 662 resultados; finalmente, en PUB MED se obtuvo 119 resultados.
Concretamente, se obtuvieron 1491 resultados en los tres buscadores (SCOPUS, GOOGLE SCHOLAR
y PUB MED). Antes de proceder a la selección de artículos, se definieron los criterios de inclusión y
exclusión.
Criterios de inclusión:
- Población pediátrica (0–18 años).
- Uso del método GP.
- Comparación con otros métodos.
- Estudios originales, revisiones sistemáticas o metaanálisis.
- Idioma: inglés o español.
Criterios de exclusión:
- Estudios en adultos.
- Estudios que no utilicen el método Greulich y Pyle.
- Artículos no originales (cartas, opiniones, tesis).
- Publicaciones en otros idiomas.
- O (Resultado = Concordancia con la edad cronológica, precisión diagnóstica y relevancia clínica.
Según lo antes descrito, podemos planteamos la siguiente pregunta: ¿cuál es la importancia del método
de GP, en comparación con las otras metodologías de evaluación de la maduración ósea, en la aplicación
de la práctica clínica?
Búsqueda sistemática
Se consultaron PUB MED, SCOPUS y GOOGLE SCHOLAR en febrero de 2025. Se utilizaron
términos como: "Greulich y Pyle", "madurez esquelética", "pediátrica", "evaluación de la edad ósea",
"evaluación de la madurez esquelética", "radiología", "práctica clínica", "precisión diagnóstica",
"evaluación esquelética pediátrica" y "Tanner Whitehouse". Cabe recalcar que las estrategias de
búsqueda se aplicaron de manera idéntica en las tres bases de datos con la finalidad de garantizar
consistencia; combinados con operadores booleanos en cuatro algoritmos estandarizados (tabla 1). Se
incluyeron artículos en inglés o español publicados entre 2005 y 2025.
Los resultados de dichas búsquedas fueron: En SCOPUS se obtuvo 710 resultados. En GOOGLE
SCHOLAR se obtuvo 662 resultados; finalmente, en PUB MED se obtuvo 119 resultados.
Concretamente, se obtuvieron 1491 resultados en los tres buscadores (SCOPUS, GOOGLE SCHOLAR
y PUB MED). Antes de proceder a la selección de artículos, se definieron los criterios de inclusión y
exclusión.
Criterios de inclusión:
- Población pediátrica (0–18 años).
- Uso del método GP.
- Comparación con otros métodos.
- Estudios originales, revisiones sistemáticas o metaanálisis.
- Idioma: inglés o español.
Criterios de exclusión:
- Estudios en adultos.
- Estudios que no utilicen el método Greulich y Pyle.
- Artículos no originales (cartas, opiniones, tesis).
- Publicaciones en otros idiomas.
pág. 13917
- Datos duplicados o no libres de acceso.
De 1491 artículos iniciales, se eliminaron duplicados y se aplicaron los criterios de selección por título,
resumen y texto completo. Finalmente, se incluyeron 16 artículos para su análisis respectivo (figura 1).
Se categorizaron según el enfoque metodológico planteado: GP puro (n=6), IA (n=2), software
automatizado (n=6) y comparación GP vs. TW (n=2).
RESULTADOS
Se demostró que el método de GP sigue siendo una herramienta extensamente utilizada y valorada en
la aplicación de la práctica clínica, principalmente en el contexto de la evaluación y valoración de la
edad ósea en niños y adolescentes (15,16,7). Se determinó que la simplicidad, rapidez y bajo costo, es
su principal ventaja de dicho método tradicional, convirtiéndole en una elección para muchos
profesionales de la salud, particularmente en lugares o sectores con recursos limitados (12).
Limitaciones y comparación con otros métodos:
A pesar de su uso extendido, la revisión evidenció limitaciones significativas. La principal es la
variabilidad interobservador, con un Coeficiente de Correlación Intraclase (ICC) que en múltiples
estudios se sitúa por debajo de 0.85, indicando una fiabilidad entre moderada y buena que depende en
gran medida de la experiencia del evaluador, haciendo resaltar la importancia de la capacitación y la
experiencia del observador o evaluador, ocasionando una subjetividad en la interpretación visual
(12,6,25,8). Un estudio en niños turcos, subestimó la edad ósea en poblaciones no caucásicas, resaltando
la subjetividad inherente a la interpretación visual (13).
Comparando con otros métodos, el método de Tanner-Whitehouse (TW2 y TW3) (1,3,4,5,11,6) y los
sistemas computarizados basados en IA, el método de GP mostró resultados heterogéneos pero
reveladores. Los sistemas computarizados y los algoritmos de IA demuestran consistentemente
resultados óptimos y objetividad, mejorando la precisión y eficiencia (22). Hubo analogía entre el
método de GP y otras metodologías, resaltando y sugiriendo que, puede ser una alternativa válida en
ciertas situaciones (26,23,27,3,8). La alta correlación entre GP y software automatizado como
BoneXpert (R = 0.95) sugiere que estos sistemas, aunque basados en los mismos principios, logran
estandarizar y objetivar la evaluación (26,23,24). Otras investigaciones determinaron que la IA pueden
ofrecer una mayor precisión diagnóstica y objetividad, con un error absoluto de 0.89 meses a diferencia
- Datos duplicados o no libres de acceso.
De 1491 artículos iniciales, se eliminaron duplicados y se aplicaron los criterios de selección por título,
resumen y texto completo. Finalmente, se incluyeron 16 artículos para su análisis respectivo (figura 1).
Se categorizaron según el enfoque metodológico planteado: GP puro (n=6), IA (n=2), software
automatizado (n=6) y comparación GP vs. TW (n=2).
RESULTADOS
Se demostró que el método de GP sigue siendo una herramienta extensamente utilizada y valorada en
la aplicación de la práctica clínica, principalmente en el contexto de la evaluación y valoración de la
edad ósea en niños y adolescentes (15,16,7). Se determinó que la simplicidad, rapidez y bajo costo, es
su principal ventaja de dicho método tradicional, convirtiéndole en una elección para muchos
profesionales de la salud, particularmente en lugares o sectores con recursos limitados (12).
Limitaciones y comparación con otros métodos:
A pesar de su uso extendido, la revisión evidenció limitaciones significativas. La principal es la
variabilidad interobservador, con un Coeficiente de Correlación Intraclase (ICC) que en múltiples
estudios se sitúa por debajo de 0.85, indicando una fiabilidad entre moderada y buena que depende en
gran medida de la experiencia del evaluador, haciendo resaltar la importancia de la capacitación y la
experiencia del observador o evaluador, ocasionando una subjetividad en la interpretación visual
(12,6,25,8). Un estudio en niños turcos, subestimó la edad ósea en poblaciones no caucásicas, resaltando
la subjetividad inherente a la interpretación visual (13).
Comparando con otros métodos, el método de Tanner-Whitehouse (TW2 y TW3) (1,3,4,5,11,6) y los
sistemas computarizados basados en IA, el método de GP mostró resultados heterogéneos pero
reveladores. Los sistemas computarizados y los algoritmos de IA demuestran consistentemente
resultados óptimos y objetividad, mejorando la precisión y eficiencia (22). Hubo analogía entre el
método de GP y otras metodologías, resaltando y sugiriendo que, puede ser una alternativa válida en
ciertas situaciones (26,23,27,3,8). La alta correlación entre GP y software automatizado como
BoneXpert (R = 0.95) sugiere que estos sistemas, aunque basados en los mismos principios, logran
estandarizar y objetivar la evaluación (26,23,24). Otras investigaciones determinaron que la IA pueden
ofrecer una mayor precisión diagnóstica y objetividad, con un error absoluto de 0.89 meses a diferencia
pág. 13918
del método de GP manual con 1.38 meses (7,2,3,8,9,10,11), disminuyendo la variabilidad
interobservador, optimizando la eficiencia del proceso de evaluación (22,28,29,13,30,31,27). Se
destacó que la IA mejora la eficiencia, reduciendo los tiempos de evaluación hasta en un 70% y
alcanzando un índice de confianza del 95% en la consistencia entre evaluadores con diferentes niveles
de experiencia (32). En otro estudio la IA, busca mejorar la precisión y la consistencia interobservador
realizadas por médicos con diferentes niveles de experiencia para mejorar la eficiencia en la práctica
clínica, con 95% de índice de confianza (33).
Validación en diferentes poblaciones y nuevos enfoques
En diversos estudios, se destacó la validación del atlas de GP para diversas poblaciones no caucásicas,
siendo importante para asegurar su precisión y aplicabilidad (15,20,19,9,11). Estudios en poblaciones
de México, Canarias, Taiwán y en niños de ascendencia marroquí en Europa, subrayan la importancia
de adaptar los estándares de referencia a las características étnicas y geográficas de cada grupo para
garantizar la precisión del método (20,19,22,11,34). Se validó el análisis computarizado de la
evaluación de la edad ósea en un grupo de población pediátrica norteamericana, demostrando su alta
precisión (29). También se determinó la eficacia de la IA en una población pediátrica alemana, a
comparación del método manual de GP, obteniendo buena concordancia, pudiendo ser una alternativa
viable y eficiente (9).
La determinación y elección del método GP debe considerarse a las necesidades clínicas, la
disponibilidad de los recursos y las características específicas de cada paciente (16,35). Se investigan
sistemas basados en otras localizaciones anatómicas como el codo, el hombro o el calcáneo, también el
uso de la madurez dental como un indicador biológico adicional (36,37,38,39). El desarrollo de técnicas
como la ultrasonografía para la evaluación ósea en lactantes y el uso de aprendizaje profundo (deep
learning) para la automatización del proceso, marcan el futuro de este campo diagnóstico, sugiriendo
que el uso de esta técnica podría ser prometedora para futuras evaluaciones (40). En reciente
investigación, se destacó, a futuro, el uso de la IA, potenciando y resaltando el método de GP para
mejorar la precisión y la eficiencia (22).
En la tabla 2 se presenta, cronológicamente, desde la más actual (2024) hasta la más antigua (2007), las
características de las dieciséis revistas que cumplieron los criterios de inclusión.
del método de GP manual con 1.38 meses (7,2,3,8,9,10,11), disminuyendo la variabilidad
interobservador, optimizando la eficiencia del proceso de evaluación (22,28,29,13,30,31,27). Se
destacó que la IA mejora la eficiencia, reduciendo los tiempos de evaluación hasta en un 70% y
alcanzando un índice de confianza del 95% en la consistencia entre evaluadores con diferentes niveles
de experiencia (32). En otro estudio la IA, busca mejorar la precisión y la consistencia interobservador
realizadas por médicos con diferentes niveles de experiencia para mejorar la eficiencia en la práctica
clínica, con 95% de índice de confianza (33).
Validación en diferentes poblaciones y nuevos enfoques
En diversos estudios, se destacó la validación del atlas de GP para diversas poblaciones no caucásicas,
siendo importante para asegurar su precisión y aplicabilidad (15,20,19,9,11). Estudios en poblaciones
de México, Canarias, Taiwán y en niños de ascendencia marroquí en Europa, subrayan la importancia
de adaptar los estándares de referencia a las características étnicas y geográficas de cada grupo para
garantizar la precisión del método (20,19,22,11,34). Se validó el análisis computarizado de la
evaluación de la edad ósea en un grupo de población pediátrica norteamericana, demostrando su alta
precisión (29). También se determinó la eficacia de la IA en una población pediátrica alemana, a
comparación del método manual de GP, obteniendo buena concordancia, pudiendo ser una alternativa
viable y eficiente (9).
La determinación y elección del método GP debe considerarse a las necesidades clínicas, la
disponibilidad de los recursos y las características específicas de cada paciente (16,35). Se investigan
sistemas basados en otras localizaciones anatómicas como el codo, el hombro o el calcáneo, también el
uso de la madurez dental como un indicador biológico adicional (36,37,38,39). El desarrollo de técnicas
como la ultrasonografía para la evaluación ósea en lactantes y el uso de aprendizaje profundo (deep
learning) para la automatización del proceso, marcan el futuro de este campo diagnóstico, sugiriendo
que el uso de esta técnica podría ser prometedora para futuras evaluaciones (40). En reciente
investigación, se destacó, a futuro, el uso de la IA, potenciando y resaltando el método de GP para
mejorar la precisión y la eficiencia (22).
En la tabla 2 se presenta, cronológicamente, desde la más actual (2024) hasta la más antigua (2007), las
características de las dieciséis revistas que cumplieron los criterios de inclusión.
pág. 13919
Adicionalmente en la tabla 3, se muestra un estudio comparativo de las revistas seleccionadas, en el
orden cronológico anteriormente descrito.
DISCUSIÓN
En la presente revisión sistemática confirman la persistente relevancia del método de Greulich y Pyle
(GP) en la práctica clínica, al tiempo que destaca sus limitaciones inherentes y la creciente superioridad
de las alternativas tecnológicas. Su facilidad de uso, rapidez y bajo costo lo mantienen como una
herramienta valiosa para la evaluación inicial, especialmente en entornos con recursos limitados. No
obstante, su uso sin considerar sus desventajas puede conducir a decisiones clínicas subóptimas.
Significado de los resultados en el contexto clínico
En el contexto clínico, el método GP sigue siendo ampliamente utilizado en pediatría y endocrinología
debido a su practicidad, accesibilidad y bajo costo (12). En contextos con escaso acceso a tecnologías
avanzadas, GP representa una opción viable y funcional. La Tabla 4 evidencia su predominio histórico
en la evaluación de la edad ósea. Sin embargo, su precisión y reproducibilidad son limitadas por la
variabilidad interobservador y la subjetividad inherente al método (6).
Al confrontarse con el método de GP con la de Tanner-Whitehouse (TW2 y TW3) y otras variantes
metodológicas de evaluación y maduración ósea (1,2,4,5,11,6), como los sistemas automatizados
basados en IA, los algoritmos computarizados demuestran ventajas significativas. Los coeficientes de
correlación reportados son: GP vs. BoneXpert: R = 0.95; GP vs. IA: R = 0.96; GP vs. TW3: R = 0.87
(22,28,29,13,30,31,27,8,9). Estos sistemas mejoran la objetividad, reducen la variabilidad
interobservador y optimizan la consistencia diagnóstica, lo que potencialmente mejora la toma de
decisiones clínicas en trastornos del crecimiento y desarrollo esquelético (7,11).
Estudios recientes demuestran que la IA reduce los tiempos de evaluación en un 70%, procesa grandes
volúmenes de estudios con alta eficiencia y logra una concordancia interobservador del 95%,
independientemente del nivel de experiencia del clínico (30). Esto refuerza su utilidad en entornos
hospitalarios de alta demanda y su potencial para estandarizar la evaluación de la edad ósea a escala
poblacional.
Adicionalmente en la tabla 3, se muestra un estudio comparativo de las revistas seleccionadas, en el
orden cronológico anteriormente descrito.
DISCUSIÓN
En la presente revisión sistemática confirman la persistente relevancia del método de Greulich y Pyle
(GP) en la práctica clínica, al tiempo que destaca sus limitaciones inherentes y la creciente superioridad
de las alternativas tecnológicas. Su facilidad de uso, rapidez y bajo costo lo mantienen como una
herramienta valiosa para la evaluación inicial, especialmente en entornos con recursos limitados. No
obstante, su uso sin considerar sus desventajas puede conducir a decisiones clínicas subóptimas.
Significado de los resultados en el contexto clínico
En el contexto clínico, el método GP sigue siendo ampliamente utilizado en pediatría y endocrinología
debido a su practicidad, accesibilidad y bajo costo (12). En contextos con escaso acceso a tecnologías
avanzadas, GP representa una opción viable y funcional. La Tabla 4 evidencia su predominio histórico
en la evaluación de la edad ósea. Sin embargo, su precisión y reproducibilidad son limitadas por la
variabilidad interobservador y la subjetividad inherente al método (6).
Al confrontarse con el método de GP con la de Tanner-Whitehouse (TW2 y TW3) y otras variantes
metodológicas de evaluación y maduración ósea (1,2,4,5,11,6), como los sistemas automatizados
basados en IA, los algoritmos computarizados demuestran ventajas significativas. Los coeficientes de
correlación reportados son: GP vs. BoneXpert: R = 0.95; GP vs. IA: R = 0.96; GP vs. TW3: R = 0.87
(22,28,29,13,30,31,27,8,9). Estos sistemas mejoran la objetividad, reducen la variabilidad
interobservador y optimizan la consistencia diagnóstica, lo que potencialmente mejora la toma de
decisiones clínicas en trastornos del crecimiento y desarrollo esquelético (7,11).
Estudios recientes demuestran que la IA reduce los tiempos de evaluación en un 70%, procesa grandes
volúmenes de estudios con alta eficiencia y logra una concordancia interobservador del 95%,
independientemente del nivel de experiencia del clínico (30). Esto refuerza su utilidad en entornos
hospitalarios de alta demanda y su potencial para estandarizar la evaluación de la edad ósea a escala
poblacional.
pág. 13920
Limitaciones de los estudios revisados
La principal limitación identificada es la variabilidad interobservador del método GP, que compromete
su reproducibilidad. Además, los estudios revisados presentan importantes restricciones metodológicas.
En primer lugar, las poblaciones evaluadas son heterogéneas en términos étnicos, geográficos y
socioeconómicos, lo que dificulta la comparabilidad directa de resultados (19,7,2,9,10,11). En segundo
lugar, la mayoría de las investigaciones se centran en la precisión y fiabilidad metodológica (coeficiente
de correlación intraclase promedio: GP = 0.81; IA = 0.94; Figura 2), sin evaluar el impacto real en los
desenlaces clínicos ni en el manejo terapéutico de los pacientes. En tercer lugar, hay una marcada falta
de generalización: la mayoría de los algoritmos y validaciones se han desarrollado en poblaciones
específicas (europeas o asiáticas), lo que limita su aplicabilidad en otras regiones del mundo
(7,2,9,10,11).
Asimismo, existe escasa evidencia que evalúe directamente la utilidad clínica del GP frente a métodos
más avanzados. Aunque abundan los estudios sobre precisión (26,23,7,40,3,8,9,10), pocos analizan
cómo la elección del método influye en decisiones diagnósticas o en la evolución de patologías del
crecimiento.
Recomendaciones para la práctica clínica y futuras investigaciones
Adoptar métodos más precisos y objetivos: Siempre que sea posible, se recomienda priorizar sistemas
automatizados basados en IA (23,7,8,9,10,11), ya que reducen la variabilidad interobservador y mejoran
la consistencia diagnóstica, tal como se ilustra en la figura 3, la precisión diagnóstica entre el método
AI y el GP.
Estandarizar la aplicación del método de GP: En entornos donde GP sigue siendo la única opción
viable, es crucial implementar programas de capacitación estandarizados y verificar la experiencia de
los evaluadores. Su bajo costo, simplicidad y aceptabilidad lo hacen adecuado como herramienta de
tamizaje inicial, siempre que se reconozcan sus limitaciones.
Validar el atlas de GP en poblaciones diversas: Se requieren estudios de validación en distintos
grupos étnicos y geográficos, ya que la maduración ósea varía significativamente entre poblaciones.
Investigaciones en niños turcos (13), niños de la población de Lahore de Pakistán (19), población
Limitaciones de los estudios revisados
La principal limitación identificada es la variabilidad interobservador del método GP, que compromete
su reproducibilidad. Además, los estudios revisados presentan importantes restricciones metodológicas.
En primer lugar, las poblaciones evaluadas son heterogéneas en términos étnicos, geográficos y
socioeconómicos, lo que dificulta la comparabilidad directa de resultados (19,7,2,9,10,11). En segundo
lugar, la mayoría de las investigaciones se centran en la precisión y fiabilidad metodológica (coeficiente
de correlación intraclase promedio: GP = 0.81; IA = 0.94; Figura 2), sin evaluar el impacto real en los
desenlaces clínicos ni en el manejo terapéutico de los pacientes. En tercer lugar, hay una marcada falta
de generalización: la mayoría de los algoritmos y validaciones se han desarrollado en poblaciones
específicas (europeas o asiáticas), lo que limita su aplicabilidad en otras regiones del mundo
(7,2,9,10,11).
Asimismo, existe escasa evidencia que evalúe directamente la utilidad clínica del GP frente a métodos
más avanzados. Aunque abundan los estudios sobre precisión (26,23,7,40,3,8,9,10), pocos analizan
cómo la elección del método influye en decisiones diagnósticas o en la evolución de patologías del
crecimiento.
Recomendaciones para la práctica clínica y futuras investigaciones
Adoptar métodos más precisos y objetivos: Siempre que sea posible, se recomienda priorizar sistemas
automatizados basados en IA (23,7,8,9,10,11), ya que reducen la variabilidad interobservador y mejoran
la consistencia diagnóstica, tal como se ilustra en la figura 3, la precisión diagnóstica entre el método
AI y el GP.
Estandarizar la aplicación del método de GP: En entornos donde GP sigue siendo la única opción
viable, es crucial implementar programas de capacitación estandarizados y verificar la experiencia de
los evaluadores. Su bajo costo, simplicidad y aceptabilidad lo hacen adecuado como herramienta de
tamizaje inicial, siempre que se reconozcan sus limitaciones.
Validar el atlas de GP en poblaciones diversas: Se requieren estudios de validación en distintos
grupos étnicos y geográficos, ya que la maduración ósea varía significativamente entre poblaciones.
Investigaciones en niños turcos (13), niños de la población de Lahore de Pakistán (19), población
pág. 13921
alemana (9) y taiwanesa (11), ya han demostrado desviaciones importantes respecto al atlas original, lo
que subraya la necesidad de adaptaciones locales.
Evaluar el impacto clínico de los diferentes métodos de evaluación ósea: En futuras investigaciones
deben centrarse en desenlaces clínicos reales: eficacia del tratamiento, precisión diagnóstica, adherencia
terapéutica y costo-efectividad. Esto permitirá determinar no solo qué método es más preciso, sino cuál
mejora efectivamente la atención al paciente.
Integrar la IA en la práctica clínica: Se recomienda explorar la implementación de algoritmos de IA
como apoyo diagnóstico para radiólogos y endocrinólogos (23,24). Estos sistemas pueden integrarse en
flujos de trabajo clínicos para acelerar la interpretación, reducir errores y facilitar decisiones basadas
en evidencia.
Desarrollar métodos alternativos basados en otras regiones anatómicas: Investigar la utilidad de
localizaciones distintas a la mano y muñeca izquierda —como codo, hombro o calcáneo— podría ser
crucial en casos donde la radiografía estándar no es factible (36,37,38). Esto ampliaría las opciones
diagnósticas en trauma, malformaciones o contextos forenses.
Explorar la combinación de métodos complementarios: La integración de la madurez dental con la
evaluación esquelética (GP o TW) podría ofrecer estimaciones más robustas de la edad biológica (39).
Además, técnicas como el ultrasonido en niños menores de 6 años, aplicando criterios del atlas GP,
muestran resultados prometedores (40) y merecen mayor investigación.
En conclusión, el método de Greulich y Pyle sigue siendo una herramienta clínica útil, especialmente
en contextos de recursos limitados, pero requiere estandarización rigurosa para minimizar errores
subjetivos. Por otro lado, los sistemas basados en IA emergen como alternativas superiores en precisión,
eficiencia y reproducibilidad (figura 4). Se propone un enfoque híbrido: utilizar GP como método de
entrada en entornos con escasa tecnología, y adoptar la IA como estándar de oro en centros con mayor
capacidad, siempre acompañado de validación local, capacitación continua y evaluación del impacto
clínico real.
Financiamiento
La presente investigación no ha recibido ayudas específicas provenientes de agencias del sector público,
sector comercial o entidades sin ánimo de lucro.
alemana (9) y taiwanesa (11), ya han demostrado desviaciones importantes respecto al atlas original, lo
que subraya la necesidad de adaptaciones locales.
Evaluar el impacto clínico de los diferentes métodos de evaluación ósea: En futuras investigaciones
deben centrarse en desenlaces clínicos reales: eficacia del tratamiento, precisión diagnóstica, adherencia
terapéutica y costo-efectividad. Esto permitirá determinar no solo qué método es más preciso, sino cuál
mejora efectivamente la atención al paciente.
Integrar la IA en la práctica clínica: Se recomienda explorar la implementación de algoritmos de IA
como apoyo diagnóstico para radiólogos y endocrinólogos (23,24). Estos sistemas pueden integrarse en
flujos de trabajo clínicos para acelerar la interpretación, reducir errores y facilitar decisiones basadas
en evidencia.
Desarrollar métodos alternativos basados en otras regiones anatómicas: Investigar la utilidad de
localizaciones distintas a la mano y muñeca izquierda —como codo, hombro o calcáneo— podría ser
crucial en casos donde la radiografía estándar no es factible (36,37,38). Esto ampliaría las opciones
diagnósticas en trauma, malformaciones o contextos forenses.
Explorar la combinación de métodos complementarios: La integración de la madurez dental con la
evaluación esquelética (GP o TW) podría ofrecer estimaciones más robustas de la edad biológica (39).
Además, técnicas como el ultrasonido en niños menores de 6 años, aplicando criterios del atlas GP,
muestran resultados prometedores (40) y merecen mayor investigación.
En conclusión, el método de Greulich y Pyle sigue siendo una herramienta clínica útil, especialmente
en contextos de recursos limitados, pero requiere estandarización rigurosa para minimizar errores
subjetivos. Por otro lado, los sistemas basados en IA emergen como alternativas superiores en precisión,
eficiencia y reproducibilidad (figura 4). Se propone un enfoque híbrido: utilizar GP como método de
entrada en entornos con escasa tecnología, y adoptar la IA como estándar de oro en centros con mayor
capacidad, siempre acompañado de validación local, capacitación continua y evaluación del impacto
clínico real.
Financiamiento
La presente investigación no ha recibido ayudas específicas provenientes de agencias del sector público,
sector comercial o entidades sin ánimo de lucro.
pág. 13922
Conflicto de intereses
El autor declara no tener ningún conflicto de intereses para el desarrollo del presente artículo.|
REFERENCIAS BIBLIOGRAFICAS
1. Mughal AM, Hassan N, Ahmed A. Bone age assessment methods: A critical review. Pak J Med
Sci. 2014;30(1):211-5. doi:10.12669/pjms.301.4295.
2. Pinchi V, De Luca F, Ricciardi F, Focardi M, Piredda V, Mazzeo E, Norelli GA. Skeletal age
estimation for forensic purposes: A comparison of GP, TW2 and TW3 methods on an Italian
sample. Forensic Sci Int. 2014;238:83-90. doi:10.1016/j.forsciint.2014.02.030.
3. Son SJ, Song Y, Kim N, Do Y, Kwak N, Lee MS, Lee BD. TW3-based fully automated bone age
assessment system using deep neural networks. IEEE Access. 2019;7:33346-33358.
doi:10.1109/ACCESS.2019.2905855.
4. Shin NY, Lee BD, Kang JH, Kim HR, Oh DH, Lee BI, Kim SH, Lee MS, Heo MS. Evaluation of
the clinical efficacy of a TW3-based fully automated bone age assessment system using deep
neural networks. Imaging Sci Dent. 2020 Sep;50(3):237-243. doi: 10.5624/isd.2020.50.3.237.
5. Zhou XL, Wang EG, Lin Q, Dong GP, Wu W, Huang K, et al. Diagnostic performance of
convolutional neural network-based Tanner-Whitehouse 3 bone age assessment system. Quant
Imaging Med Surg. 2020 Mar;10(3):657-667. doi: 10.21037/qims.2020.02.20.
6. Geng J, Zhang W, Ge Y, Wang L, Huang P, Liu Y, Shi J, Zhou F, Ma K, Blake GM, et al. Inter-
rater variability and repeatability in the assessment of the Tanner-Whitehouse classification of
hand radiographs for the estimation of bone age. Skeletal Radiol. 2024 Dec;53(12):2635-2642. doi:
10.1007/s00256-024-04664-w.
7. Zhang J, Lin F, Ding X. Automatic determination of the Greulich-Pyle bone age as an alternative
approach for Chinese children with discordant bone age. Horm Res Paediatr. 2016;86(2):83-9.
doi:10.1159/000446434.
Conflicto de intereses
El autor declara no tener ningún conflicto de intereses para el desarrollo del presente artículo.|
REFERENCIAS BIBLIOGRAFICAS
1. Mughal AM, Hassan N, Ahmed A. Bone age assessment methods: A critical review. Pak J Med
Sci. 2014;30(1):211-5. doi:10.12669/pjms.301.4295.
2. Pinchi V, De Luca F, Ricciardi F, Focardi M, Piredda V, Mazzeo E, Norelli GA. Skeletal age
estimation for forensic purposes: A comparison of GP, TW2 and TW3 methods on an Italian
sample. Forensic Sci Int. 2014;238:83-90. doi:10.1016/j.forsciint.2014.02.030.
3. Son SJ, Song Y, Kim N, Do Y, Kwak N, Lee MS, Lee BD. TW3-based fully automated bone age
assessment system using deep neural networks. IEEE Access. 2019;7:33346-33358.
doi:10.1109/ACCESS.2019.2905855.
4. Shin NY, Lee BD, Kang JH, Kim HR, Oh DH, Lee BI, Kim SH, Lee MS, Heo MS. Evaluation of
the clinical efficacy of a TW3-based fully automated bone age assessment system using deep
neural networks. Imaging Sci Dent. 2020 Sep;50(3):237-243. doi: 10.5624/isd.2020.50.3.237.
5. Zhou XL, Wang EG, Lin Q, Dong GP, Wu W, Huang K, et al. Diagnostic performance of
convolutional neural network-based Tanner-Whitehouse 3 bone age assessment system. Quant
Imaging Med Surg. 2020 Mar;10(3):657-667. doi: 10.21037/qims.2020.02.20.
6. Geng J, Zhang W, Ge Y, Wang L, Huang P, Liu Y, Shi J, Zhou F, Ma K, Blake GM, et al. Inter-
rater variability and repeatability in the assessment of the Tanner-Whitehouse classification of
hand radiographs for the estimation of bone age. Skeletal Radiol. 2024 Dec;53(12):2635-2642. doi:
10.1007/s00256-024-04664-w.
7. Zhang J, Lin F, Ding X. Automatic determination of the Greulich-Pyle bone age as an alternative
approach for Chinese children with discordant bone age. Horm Res Paediatr. 2016;86(2):83-9.
doi:10.1159/000446434.
pág. 13923
8. Gao C, Hu C, Qian Q, Li Y, Xing X, Gong P, Lin M, Ding Z. Artificial intelligence model system
for bone age assessment of preschool children. Pediatr Res. 2024;96(7):1822-1828.
doi:10.1038/s41390-024-03282-5.
9. Gräfe D, Beeskow AB, Pfäffle R, Rosolowski M, Chung TS, DiFranco MD. Automated bone age
assessment in a German pediatric cohort: agreement between an artificial intelligence software and
the manual Greulich and Pyle method. Eur Radiol. 2024 Jul;34(7):4407-4413.
doi:10.1007/s00330-023-10543-0.
10. Pan I, Baird GL, Mutasa S, Merck D, Ruzal-Shapiro C, Swenson DW, Ayyala RS. Rethinking
Greulich and Pyle: A Deep Learning Approach to Pediatric Bone Age Assessment Using Pediatric
Trauma Hand Radiographs. Radiol Artif Intell. 2020 Jul 29;2(4):e190198. doi:
10.1148/ryai.2020190198.
11. Wang YM, Tsai TH, Hsu JS, Chao MF, Wang YT, Jaw TS.. Automatic assessment of bone age in
Taiwanese children: A comparison of the Greulich and Pyle method and the Tanner and
Whitehouse 3 method. Kaohsiung J Med Sci. 2020 Nov;36(11):937-943. doi: 10.1002/kjm2.12268.
12. Gertych A, Zhang A, Sayre J, Pospiech-Kurkowska S, Huang HK. Bone age assessment of children
using a digital hand atlas. Comput Med Imaging Graph. 2007;31(4-5):322-331.
doi:10.1016/j.compmedimag.2007.02.012.
13. Sariyilmaz K, Abali S, Ziroglu N, Cingoz T, Ozkunt O, Abali ZY, Kalayci CB, Hayretci M, Semiz
S. Interdisciplinary and intraobserver reliability of the Greulich-Pyle method among Turkish
children. J Pediatr Endocrinol Metab. 2023;36(12):1181-5. doi:10.1515/jpem-2023-0303.
14. Breen MA, Tsai A, Stamm A, Kleinman PK. Bone age assessment practices in infants and older
children among Society for Pediatric Radiology members. Pediatric Radiology. 2016;46(9):1269-
1274. doi:10.1007/s00247-016-3618-7.
15. Martín Pérez IM, Martín Pérez SE, Vega González JM, Molina Suárez R, García Hernández AM,
Rodríguez Hernández F, Herrera Pérez M. The Validation of the Greulich and Pyle Atlas for
8. Gao C, Hu C, Qian Q, Li Y, Xing X, Gong P, Lin M, Ding Z. Artificial intelligence model system
for bone age assessment of preschool children. Pediatr Res. 2024;96(7):1822-1828.
doi:10.1038/s41390-024-03282-5.
9. Gräfe D, Beeskow AB, Pfäffle R, Rosolowski M, Chung TS, DiFranco MD. Automated bone age
assessment in a German pediatric cohort: agreement between an artificial intelligence software and
the manual Greulich and Pyle method. Eur Radiol. 2024 Jul;34(7):4407-4413.
doi:10.1007/s00330-023-10543-0.
10. Pan I, Baird GL, Mutasa S, Merck D, Ruzal-Shapiro C, Swenson DW, Ayyala RS. Rethinking
Greulich and Pyle: A Deep Learning Approach to Pediatric Bone Age Assessment Using Pediatric
Trauma Hand Radiographs. Radiol Artif Intell. 2020 Jul 29;2(4):e190198. doi:
10.1148/ryai.2020190198.
11. Wang YM, Tsai TH, Hsu JS, Chao MF, Wang YT, Jaw TS.. Automatic assessment of bone age in
Taiwanese children: A comparison of the Greulich and Pyle method and the Tanner and
Whitehouse 3 method. Kaohsiung J Med Sci. 2020 Nov;36(11):937-943. doi: 10.1002/kjm2.12268.
12. Gertych A, Zhang A, Sayre J, Pospiech-Kurkowska S, Huang HK. Bone age assessment of children
using a digital hand atlas. Comput Med Imaging Graph. 2007;31(4-5):322-331.
doi:10.1016/j.compmedimag.2007.02.012.
13. Sariyilmaz K, Abali S, Ziroglu N, Cingoz T, Ozkunt O, Abali ZY, Kalayci CB, Hayretci M, Semiz
S. Interdisciplinary and intraobserver reliability of the Greulich-Pyle method among Turkish
children. J Pediatr Endocrinol Metab. 2023;36(12):1181-5. doi:10.1515/jpem-2023-0303.
14. Breen MA, Tsai A, Stamm A, Kleinman PK. Bone age assessment practices in infants and older
children among Society for Pediatric Radiology members. Pediatric Radiology. 2016;46(9):1269-
1274. doi:10.1007/s00247-016-3618-7.
15. Martín Pérez IM, Martín Pérez SE, Vega González JM, Molina Suárez R, García Hernández AM,
Rodríguez Hernández F, Herrera Pérez M. The Validation of the Greulich and Pyle Atlas for
pág. 13924
Radiological Bone Age Assessments in a Pediatric Population from the Canary Islands. Healthcare
(Switzerland). 2024;12(18):1847. doi:10.3390/healthcare12181847.
16. Cavallo F, Mohn A, Chiarelli F, Giannini C. Evaluation of bone age in children: a mini-review.
Front Pediatr. 2021;9:580314. doi:10.3389/fped.2021.580314.
17. Van Rijn RR, Lequin MH, Thodberg HH. Automatic determination of Greulich and Pyle bone age
in healthy Dutch children. Pediatric Radiology. 2009;39(6):591-597. doi:10.1007/s00247-008-
1090-8.
18. Dahlberg PS, Mosdøl A, Ding Y, Bleka Ø, Rolseth V, Straumann GH, et al. A systematic review
of the agreement between chronological age and skeletal age based on the Greulich and Pyle atlas.
Eur Radiol. 2019;29:2936-2948. doi:10.1007/s00330-018-5923-5.
19. Uddin SZ, Zarif P, Bashir N. Epiphyseal fusion of radius and ulna at wrist joint in male and female
in the population of Lahore - An age estimation criterion. Med Forum Monthly. 2018;29(6):85-7.
20. Martín Pérez SE, Martín Pérez IM, Vega González JM, Molina Suárez R, León Hernández C,
Rodríguez Hernández F, Herrera Pérez M. Precision and accuracy of radiological bone age
assessment in children among different ethnic groups: a systematic review. Diagnostics.
2023;13(19):3124. doi:10.3390/diagnostics13193124.
21. Klünder-Klünder M, Espinosa-Espindola M, Lopez-Gonzalez D, Loyo MS-C, Suárez PD,
Miranda-Lora AL. Skeletal maturation in the current pediatric Mexican population. Endocrine
Practice. 2020;26(10):1053-1061. doi:10.4158/EP-2020-0047.
22. Lee BD, Lee MS. Automated Bone Age Assessment Using Artificial Intelligence: The Future of
Bone Age Assessment. Korean J Radiol. 2021;22(5):792-800. doi:10.3348/kjr.2020.0941.
23. Thodberg HH, Thodberg B, Ahlkvist J, Offiah AC. Autonomous artificial intelligence in pediatric
radiology: the use and perception of BoneXpert for bone age assessment. Pediatr Radiol.
2022;52(7):1338-46. doi:10.1007/s00247-022-05295-w.
Radiological Bone Age Assessments in a Pediatric Population from the Canary Islands. Healthcare
(Switzerland). 2024;12(18):1847. doi:10.3390/healthcare12181847.
16. Cavallo F, Mohn A, Chiarelli F, Giannini C. Evaluation of bone age in children: a mini-review.
Front Pediatr. 2021;9:580314. doi:10.3389/fped.2021.580314.
17. Van Rijn RR, Lequin MH, Thodberg HH. Automatic determination of Greulich and Pyle bone age
in healthy Dutch children. Pediatric Radiology. 2009;39(6):591-597. doi:10.1007/s00247-008-
1090-8.
18. Dahlberg PS, Mosdøl A, Ding Y, Bleka Ø, Rolseth V, Straumann GH, et al. A systematic review
of the agreement between chronological age and skeletal age based on the Greulich and Pyle atlas.
Eur Radiol. 2019;29:2936-2948. doi:10.1007/s00330-018-5923-5.
19. Uddin SZ, Zarif P, Bashir N. Epiphyseal fusion of radius and ulna at wrist joint in male and female
in the population of Lahore - An age estimation criterion. Med Forum Monthly. 2018;29(6):85-7.
20. Martín Pérez SE, Martín Pérez IM, Vega González JM, Molina Suárez R, León Hernández C,
Rodríguez Hernández F, Herrera Pérez M. Precision and accuracy of radiological bone age
assessment in children among different ethnic groups: a systematic review. Diagnostics.
2023;13(19):3124. doi:10.3390/diagnostics13193124.
21. Klünder-Klünder M, Espinosa-Espindola M, Lopez-Gonzalez D, Loyo MS-C, Suárez PD,
Miranda-Lora AL. Skeletal maturation in the current pediatric Mexican population. Endocrine
Practice. 2020;26(10):1053-1061. doi:10.4158/EP-2020-0047.
22. Lee BD, Lee MS. Automated Bone Age Assessment Using Artificial Intelligence: The Future of
Bone Age Assessment. Korean J Radiol. 2021;22(5):792-800. doi:10.3348/kjr.2020.0941.
23. Thodberg HH, Thodberg B, Ahlkvist J, Offiah AC. Autonomous artificial intelligence in pediatric
radiology: the use and perception of BoneXpert for bone age assessment. Pediatr Radiol.
2022;52(7):1338-46. doi:10.1007/s00247-022-05295-w.
pág. 13925
24. Özmen E, Özen Atalay H, Uzer E, Veznikli M. A comparison of two artificial intelligence-based
methods for assessing bone age in Turkish children: BoneXpert and VUNO Med-Bone Age. Diagn
Interv Radiol. 2024 Sep 2. doi: 10.4274/dir.2024.242790.
25. Halabi SS, Prevedello LM, Kalpathy-Cramer J, Mamonov AB, Bilbily A, Cicero M, et al. The
RSNA pediatric bone age machine learning challenge. Radiology. 2019;290(2):498-503.
doi:10.1148/radiol.2019190344.
26. Pose Lepe G, Villacrés F, Silva Fuente-Alba C, Guiloff S. Correlación en la determinación de la
edad ósea radiológica mediante el método de Greulich y Pyle versus la evaluación automatizada
utilizando el software BoneXpert. Rev. chil. pediatr. 2018;89(5):606-611. doi:10.4067/S0370-
41062018000500606.
27. Kim JK, Park D, Chang MC. Assessment of bone age based on hand radiographs using regression-
based multi-modal deep learning. Life. 2024;14(6):774. doi:10.3390/life14060774.
28. Kim JR, Shim WH, Yoon HM, Hong SH, Lee JS, Cho YA, Kim S. Computerized bone age
estimation using deep learning based program: evaluation of the accuracy and efficiency. AJR Am
J Roentgenol. 2017;209(6):1374-1380. doi:10.2214/AJR.17.17663.
29. Bowden JJ, Bowden SA, Ruess L, Adler BH, Hu H, Krishnamurthy R. Validation of automated
bone age analysis from hand radiographs in a North American pediatric population. Pediatr Radiol.
2022;52(7):1347-55. doi:10.1007/s00247-022-05310-0.
30. Uddin NS, Hasan W, Wasid M, Ali R. Deep learning for bone age assessment: Current status and
future prospects. Artif Intell Biomed Mod Healthc Inform. 2025;193-201.
31. Zhao K, Ma S, Sun Z, Liu X, Zhu Y, Xu Y, Wang X. Effect of AI-assisted software on inter-and
intra-observer variability for the X-ray bone age assessment of preschool children. BMC Pediatr.
2022;22(1):644. doi:10.1186/s12887-022-03727-y.
32. Gerges M, Eng H, Chhina H, Cooper A. Modernization of bone age assessment: comparing the
accuracy and reliability of an artificial intelligence algorithm and shorthand bone age to Greulich
and Pyle. Skeletal Radiol. 2020;49(9):1449-57. doi:10.1007/s00256-020-03429-5.
24. Özmen E, Özen Atalay H, Uzer E, Veznikli M. A comparison of two artificial intelligence-based
methods for assessing bone age in Turkish children: BoneXpert and VUNO Med-Bone Age. Diagn
Interv Radiol. 2024 Sep 2. doi: 10.4274/dir.2024.242790.
25. Halabi SS, Prevedello LM, Kalpathy-Cramer J, Mamonov AB, Bilbily A, Cicero M, et al. The
RSNA pediatric bone age machine learning challenge. Radiology. 2019;290(2):498-503.
doi:10.1148/radiol.2019190344.
26. Pose Lepe G, Villacrés F, Silva Fuente-Alba C, Guiloff S. Correlación en la determinación de la
edad ósea radiológica mediante el método de Greulich y Pyle versus la evaluación automatizada
utilizando el software BoneXpert. Rev. chil. pediatr. 2018;89(5):606-611. doi:10.4067/S0370-
41062018000500606.
27. Kim JK, Park D, Chang MC. Assessment of bone age based on hand radiographs using regression-
based multi-modal deep learning. Life. 2024;14(6):774. doi:10.3390/life14060774.
28. Kim JR, Shim WH, Yoon HM, Hong SH, Lee JS, Cho YA, Kim S. Computerized bone age
estimation using deep learning based program: evaluation of the accuracy and efficiency. AJR Am
J Roentgenol. 2017;209(6):1374-1380. doi:10.2214/AJR.17.17663.
29. Bowden JJ, Bowden SA, Ruess L, Adler BH, Hu H, Krishnamurthy R. Validation of automated
bone age analysis from hand radiographs in a North American pediatric population. Pediatr Radiol.
2022;52(7):1347-55. doi:10.1007/s00247-022-05310-0.
30. Uddin NS, Hasan W, Wasid M, Ali R. Deep learning for bone age assessment: Current status and
future prospects. Artif Intell Biomed Mod Healthc Inform. 2025;193-201.
31. Zhao K, Ma S, Sun Z, Liu X, Zhu Y, Xu Y, Wang X. Effect of AI-assisted software on inter-and
intra-observer variability for the X-ray bone age assessment of preschool children. BMC Pediatr.
2022;22(1):644. doi:10.1186/s12887-022-03727-y.
32. Gerges M, Eng H, Chhina H, Cooper A. Modernization of bone age assessment: comparing the
accuracy and reliability of an artificial intelligence algorithm and shorthand bone age to Greulich
and Pyle. Skeletal Radiol. 2020;49(9):1449-57. doi:10.1007/s00256-020-03429-5.
pág. 13926
33. Wang X, Zhou B, Gong P, Zhang T, Mo Y, Tang J, et al. Artificial Intelligence-Assisted Bone Age
Assessment to Improve the Accuracy and Consistency of Physicians With Different Levels of
Experience. Front Pediatr. 2022;10:818061. doi:10.3389/fped.2022.818061.
34. Boitsios G, De Leucio A, Preziosi M, Seidel L, Aparisi Gómez MP, Simoni P. Are Automated and
Visual Greulich and Pyle-Based Methods Applicable to Caucasian European Children With a
Moroccan Ethnic Origin When Assessing Bone Age? Cureus. 2021 Feb 21;13(2):e13478. doi:
10.7759/cureus.13478.
35. Prokop-Piotrkowska M, Marszałek-Dziuba K, Moszczyńska E, Szalecki M, Jurkiewicz E.
Traditional and new methods of bone age assessment-an overview. J Clin Res Pediatr Endocrinol.
2021;13(3):251. doi:10.4274/jcrpe.galenos.2020.2020.006.
36. Sinkler M.A., Furdock R.J., Chen D.B., Sattar A., Liu R.W. The Systematic Isolation of Key
Parameters for Estimating Skeletal Maturity on Lateral Elbow Radiographs. Journal of Bone and
Joint Surgery. 2022; 104(22): 1993-1999. doi:10.2106/JBJS.22.00312.
37. Furdock R.J., Kuo A., Chen K.J., Liu R.W. Applicability of Shoulder, Olecranon, and Wrist-based
Skeletal Maturity Estimation Systems to the Modern Pediatric Population. Journal of Pediatric
Orthopaedics. 2023; 43(7): 465-469. doi:10.1097/BPO.0000000000002430.
38. Munger A.M., Yu K.E., Li D.T., Furdock R.J., Boeyer M.E., Duren D.L., Weber D.R., Cooperman
D.R. The More the Merrier: Integrating Multiple Models of Skeletal Maturity Improves the
Accuracy of Growth Prediction. Journal of Pediatric Orthopaedics. 2021; 41(7): E580-E584.
doi:10.1097/BPO.0000000000001847.
39. Rai V, Saha S, Yadav G, Tripathi AM, Grover K. Dental and skeletal maturity- A biological
indicator of chronologic age. Journal of Clinical and Diagnostic Research. 2014;8(9):ZC60-ZC64.
doi:10.7860/JCDR/2014/10079.4862.
40. Bilgili Y, Hizel S, Kara SA, Sanli C, Erdal HH, Altinok D. Accuracy of skeletal age assessment in
children from birth to 6 years of age with the ultrasonographic version of the Greulich-Pyle atlas.
J Ultrasound Med. 2003;22(7):683-90. doi:10.7863/jum.2003.22.7.683.
ANEXOS
33. Wang X, Zhou B, Gong P, Zhang T, Mo Y, Tang J, et al. Artificial Intelligence-Assisted Bone Age
Assessment to Improve the Accuracy and Consistency of Physicians With Different Levels of
Experience. Front Pediatr. 2022;10:818061. doi:10.3389/fped.2022.818061.
34. Boitsios G, De Leucio A, Preziosi M, Seidel L, Aparisi Gómez MP, Simoni P. Are Automated and
Visual Greulich and Pyle-Based Methods Applicable to Caucasian European Children With a
Moroccan Ethnic Origin When Assessing Bone Age? Cureus. 2021 Feb 21;13(2):e13478. doi:
10.7759/cureus.13478.
35. Prokop-Piotrkowska M, Marszałek-Dziuba K, Moszczyńska E, Szalecki M, Jurkiewicz E.
Traditional and new methods of bone age assessment-an overview. J Clin Res Pediatr Endocrinol.
2021;13(3):251. doi:10.4274/jcrpe.galenos.2020.2020.006.
36. Sinkler M.A., Furdock R.J., Chen D.B., Sattar A., Liu R.W. The Systematic Isolation of Key
Parameters for Estimating Skeletal Maturity on Lateral Elbow Radiographs. Journal of Bone and
Joint Surgery. 2022; 104(22): 1993-1999. doi:10.2106/JBJS.22.00312.
37. Furdock R.J., Kuo A., Chen K.J., Liu R.W. Applicability of Shoulder, Olecranon, and Wrist-based
Skeletal Maturity Estimation Systems to the Modern Pediatric Population. Journal of Pediatric
Orthopaedics. 2023; 43(7): 465-469. doi:10.1097/BPO.0000000000002430.
38. Munger A.M., Yu K.E., Li D.T., Furdock R.J., Boeyer M.E., Duren D.L., Weber D.R., Cooperman
D.R. The More the Merrier: Integrating Multiple Models of Skeletal Maturity Improves the
Accuracy of Growth Prediction. Journal of Pediatric Orthopaedics. 2021; 41(7): E580-E584.
doi:10.1097/BPO.0000000000001847.
39. Rai V, Saha S, Yadav G, Tripathi AM, Grover K. Dental and skeletal maturity- A biological
indicator of chronologic age. Journal of Clinical and Diagnostic Research. 2014;8(9):ZC60-ZC64.
doi:10.7860/JCDR/2014/10079.4862.
40. Bilgili Y, Hizel S, Kara SA, Sanli C, Erdal HH, Altinok D. Accuracy of skeletal age assessment in
children from birth to 6 years of age with the ultrasonographic version of the Greulich-Pyle atlas.
J Ultrasound Med. 2003;22(7):683-90. doi:10.7863/jum.2003.22.7.683.
ANEXOS
pág. 13927
Figura 1 : Diagrama de flujo, según el método PRISMA
Número de registros identificados
mediante búsquedas en bases de datos
(n = 1491)
SCOPUS (n = 710)
GOOGLE SCHOLAR (n = 662)
PUBMED (n = 119)
CribadoInclusión Idoneidad Identificación Número de registros adicionales
identificados mediante otras
fuentes
(n = 00)
Número de registros cribados
(n = 180)
Eliminar tras leer título
(n = 1305)
Número de artículos de texto completo
evaluados para su elegibilidad
(n = 16)
Número de artículos de texto
completo excluidos, con sus
razones
(n = 164)
Número de estudios seleccionados para
la revisión sistemática
(n = 16)
Duplicados eliminados
(n = 06)
Figura 1 : Diagrama de flujo, según el método PRISMA
Número de registros identificados
mediante búsquedas en bases de datos
(n = 1491)
SCOPUS (n = 710)
GOOGLE SCHOLAR (n = 662)
PUBMED (n = 119)
CribadoInclusión Idoneidad Identificación Número de registros adicionales
identificados mediante otras
fuentes
(n = 00)
Número de registros cribados
(n = 180)
Eliminar tras leer título
(n = 1305)
Número de artículos de texto completo
evaluados para su elegibilidad
(n = 16)
Número de artículos de texto
completo excluidos, con sus
razones
(n = 164)
Número de estudios seleccionados para
la revisión sistemática
(n = 16)
Duplicados eliminados
(n = 06)
pág. 13928
Figura 2. Fiabilidad Interobservador (ICC). El gráfico de ICC muestra claramente que el Método
IA tiene una fiabilidad interobservador significativamente mayor (ICC promedio = 0.94) en
comparación con el Método GP (ICC promedio = 0.81). La diferencia estadística (p < 0.001) confirma
que esta mejora no es aleatoria. Esto indica que las mediciones realizadas con el Método IA son mucho
más consistentes entre diferentes observadores, lo cual es crucial para la estandarización y
reproducibilidad en la evaluación de la edad ósea.
Figura 3. Precisión Diagnóstica (MAE). El análisis de MAE revela que el Método IA es
considerablemente más preciso en la estimación de la edad ósea, con un error absoluto medio de 0.89
meses, en contraste con los 1.38 meses del Método GP. Esta reducción del 35% en el error absoluto
medio, subraya la superioridad del Método IA en la exactitud diagnóstica. Un menor MAE implica que
las predicciones del Método IA están más cerca de la edad ósea real, lo que se traduce en diagnósticos
más fiables y decisiones clínicas más informadas.
0,7
0,75
0,8
0,85
0,9
0,95
GP IA
ICC Promedio
Método
Comparación de Fiabilidad Interobservador (ICC)
GP
IA
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
GP IA
MAE (meses)
Método
Comparación de Precisión Diagnóstica (MAE)
GP
IA
Figura 2. Fiabilidad Interobservador (ICC). El gráfico de ICC muestra claramente que el Método
IA tiene una fiabilidad interobservador significativamente mayor (ICC promedio = 0.94) en
comparación con el Método GP (ICC promedio = 0.81). La diferencia estadística (p < 0.001) confirma
que esta mejora no es aleatoria. Esto indica que las mediciones realizadas con el Método IA son mucho
más consistentes entre diferentes observadores, lo cual es crucial para la estandarización y
reproducibilidad en la evaluación de la edad ósea.
Figura 3. Precisión Diagnóstica (MAE). El análisis de MAE revela que el Método IA es
considerablemente más preciso en la estimación de la edad ósea, con un error absoluto medio de 0.89
meses, en contraste con los 1.38 meses del Método GP. Esta reducción del 35% en el error absoluto
medio, subraya la superioridad del Método IA en la exactitud diagnóstica. Un menor MAE implica que
las predicciones del Método IA están más cerca de la edad ósea real, lo que se traduce en diagnósticos
más fiables y decisiones clínicas más informadas.
0,7
0,75
0,8
0,85
0,9
0,95
GP IA
ICC Promedio
Método
Comparación de Fiabilidad Interobservador (ICC)
GP
IA
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
GP IA
MAE (meses)
Método
Comparación de Precisión Diagnóstica (MAE)
GP
IA
pág. 13929
0
1
2
3
4
5
6
GP manual IA automática
Tiempo (min)
Método
Tiempo Promedio de Evaluación
GP manual
IA automática
Figura 4. Tiempo de Evaluación. En cuanto a la eficiencia, el Método IA automática demuestra una
ventaja abrumadora, con un tiempo promedio de evaluación de solo 1.4 minutos, frente a los 4.8 minutos
del GP manual. Esta reducción del 70% en el tiempo de evaluación no solo optimiza los flujos de trabajo
clínicos, sino que también reduce la carga de trabajo del personal y permite una mayor escalabilidad en
entornos con alto volumen de pacientes. La automatización del IA no solo mejora la precisión, sino que
también revoluciona la eficiencia del proceso.
Tabla 1: Palabras claves para la búsqueda sistemática.
Palabra clave Operadores
bouleanos
Ejemplo de algoritmo de búsqueda
Greulich and Pyle AND "Greulich and Pyle" AND "skeletal maturity" AND
"pediatric"
Bone age
assessment
OR "bone age assessment" OR "skeletal maturity
evaluation" AND "radiology"
Clinical practice AND "Greulich and Pyle" AND "clinical practice" AND
"diagnostic accuracy"
Pediatric skeletal
assessment
OR "pediatric skeletal assessment" AND "Greulich and
Pyle" OR "Tanner Whitehouse"
0
1
2
3
4
5
6
GP manual IA automática
Tiempo (min)
Método
Tiempo Promedio de Evaluación
GP manual
IA automática
Figura 4. Tiempo de Evaluación. En cuanto a la eficiencia, el Método IA automática demuestra una
ventaja abrumadora, con un tiempo promedio de evaluación de solo 1.4 minutos, frente a los 4.8 minutos
del GP manual. Esta reducción del 70% en el tiempo de evaluación no solo optimiza los flujos de trabajo
clínicos, sino que también reduce la carga de trabajo del personal y permite una mayor escalabilidad en
entornos con alto volumen de pacientes. La automatización del IA no solo mejora la precisión, sino que
también revoluciona la eficiencia del proceso.
Tabla 1: Palabras claves para la búsqueda sistemática.
Palabra clave Operadores
bouleanos
Ejemplo de algoritmo de búsqueda
Greulich and Pyle AND "Greulich and Pyle" AND "skeletal maturity" AND
"pediatric"
Bone age
assessment
OR "bone age assessment" OR "skeletal maturity
evaluation" AND "radiology"
Clinical practice AND "Greulich and Pyle" AND "clinical practice" AND
"diagnostic accuracy"
Pediatric skeletal
assessment
OR "pediatric skeletal assessment" AND "Greulich and
Pyle" OR "Tanner Whitehouse"
pág. 13930
Tabla 2: Características de los estudios revisados.
Autor Muestra Metodología Resultado Conclusión
Martín Pérez IM,
Martín Pérez SE,
Vega González
JM, Molina
Suárez R, García
Hernández AM,
Rodríguez
Hernández F,
Herrera Pérez M.
(2024)
Evaluación de 200
radiografías de mano
en niños de 0 a 16 años
en las Islas Canarias.
Estudio correlacional de
las evaluaciones de las
edades óseas de las
radiografías mediante el
método de Greulich y Pyle
(GP), comparándose con el
software BoneXpert (BE)
para la evaluación
automatizada de la edad
ósea. Se analizaron 100
radiografías mediante este
software.
Se evaluaron 1493 casos, 922
del sexo femenino (61,8%), con
mediana de edad cronológica de
9,96 años y 11,12 años para el
masculino (p 0,001). La
correlación entre el método
manual de GP y la de BE fue
entre 0,91 y 0,93. El análisis de
Bland-Altman indicó una
diferencia promedio entre el
método de GP y el BE de 0,19
años (IC 0,13 a 0,25). Con el
método BE la correlación es
1.00 (100% de precisión).
El uso del método BE
permite una evaluación
normalizada, de baja
variabilidad y alta
concordancia
Geng J, Zhang
W, Ge Y, Wang
L, Huang P, Liu
Y, Shi J, Zhou F,
Ma K, Blake
GM, Xu G, Yan
D, Cheng X.
(2024)
Análisis de 500
radiografías de mano
en niños de 6 a 16 años.
Evaluación de la
variabilidad
interobservador en la
clasificación de Tanner-
Whitehouse para la
estimación de la edad ósea.
La variabilidad interobservador
fue del 15%, indicando
diferencias significativas en la
interpretación entre evaluadores.
La estandarización de los
métodos de evaluación de la
edad ósea es crucial para
mejorar la consistencia
entre diferentes
observadores en la práctica
clínica.
Martín Pérez SE,
Martín Pérez IM,
Vega González
JM, Molina
Suárez R, León
Hernández C,
Rodríguez
Hernández F,
Herrera Pérez M.
(2023)
En la presente revisión
sistemática, se estudió
51 artículos sobre la
precisión y exactitud de
la evaluación de la
edad ósea en términos
de confiabilidad
intraobservador e
interobservador en
diferentes grupos
étnicos.
Se realizó una exhaustiva
revisión sistemática y
cualitativa de la literatura
referente a la precisión y
exactitud de la evaluación
de la edad y maduración
ósea, teniendo en cuenta la
etnicidad geográfica y el
método utilizado como
factores empleados.
Se llegó a demostrar que la
precisión en términos de
confiabilidad intraobservador e
interobservador de la evaluación
de la edad ósea para todos los
grupos étnicos, fueron óptimas y
varía significativamente entre
ellos. También se encontró una
mayor tendencia a la exactitud
en la aplicación de las
metodologías automatizadas.
La variabilidad en la
precisión de los métodos de
evaluación de la edad ósea
según la etnicidad resalta la
importancia de adaptar las
técnicas a las características
demográficas de la
población pediátrica en
evaluación.
Thodberg HH.
Thodberg B,
Ahlkvist J,
Offiah AC.
(2022)
Evaluación de 200
radiografías del carpo
en niños de 0 a 16 años.
Desarrollo y validación de
un método automatizado
para la determinación de la
edad ósea, centrado en
comparar su rendimiento
con el método de Greulich
y Pyle.
Se llegó a demostrar una
precisión del 98%, con un
intervalo de confianza del 95%,
utilizando el método
automatizado, demostrando así
el respaldo para su aplicación
clínica.
En la evaluación de la edad
ósea y sugiriendo su uso
regular en la práctica
pediátrica, el nuevo método
computarizado se establece
como una herramienta
altamente eficaz.
Prokop-
Piotrkowska M,
Marszałek-
Dziuba K,
Moszczyńska E,
Szalecki M,
Jurkiewicz E.
(2021)
Revisión de 30 estudios
sobre métodos de
evaluación de edad
ósea en pediatría.
Análisis de métodos
tradicionales y nuevos,
incluyendo el método de
Greulich y Pyle, enfocado
en la precisión y eficiencia
en la evaluación de la edad
ósea pediátrica.
Se identificó que los métodos
automatizados ofrecen mayor
precisión y menor tiempo de
evaluación en comparación con
los métodos manuales.
La tendencia creciente hacia
la automatización en la
evaluación de edad ósea en
pediatría refleja su potencial
para mejorar la precisión y
eficiencia diagnóstica.
Lee BD, Lee MS.
(2021)
Análisis de 400
radiografías de mano
de niños utilizando
algoritmos de
inteligencia artificial
para la evaluación de la
edad ósea.
Instalación y desarrollo de
un sistema basado en IA
para la valoración y
evaluación de la edad ósea,
confrontando y haciendo la
comparación del
rendimiento con respecto
al métodos tradicionales.
Se determinó y halló que los
algoritmos de IA obtuvieron una
fidelidad del 97%, con una
depreciación considerable en la
variabilidad interobservador.
La inteligencia artificial
muestra un gran potencial
para revolucionar la
evaluación de la edad ósea,
mejorando la precisión y la
consistencia en
comparación con los
métodos convencionales.
Cavallo F, Mohn
A, Chiarelli F,
Giannini C.
(2021)
Evaluación de 250
radiografías de niños
con sospecha de
trastornos del
crecimiento.
Estudio de validación de
métodos de evaluación de
la edad ósea, comparando
la edad ósea radiológica
con la edad cronológica y
utilizando el método de
Tanner-Whitehouse.
La edad ósea radiológica se
correlacionó positivamente con
la edad cronológica (ρ = 0,92),
indicando una alta concordancia
entre ambos.
La evaluación de la edad
ósea es crucial para el
diagnóstico de trastornos
del crecimiento, y los
métodos utilizados son
efectivos para esta finalidad.
Tabla 2: Características de los estudios revisados.
Autor Muestra Metodología Resultado Conclusión
Martín Pérez IM,
Martín Pérez SE,
Vega González
JM, Molina
Suárez R, García
Hernández AM,
Rodríguez
Hernández F,
Herrera Pérez M.
(2024)
Evaluación de 200
radiografías de mano
en niños de 0 a 16 años
en las Islas Canarias.
Estudio correlacional de
las evaluaciones de las
edades óseas de las
radiografías mediante el
método de Greulich y Pyle
(GP), comparándose con el
software BoneXpert (BE)
para la evaluación
automatizada de la edad
ósea. Se analizaron 100
radiografías mediante este
software.
Se evaluaron 1493 casos, 922
del sexo femenino (61,8%), con
mediana de edad cronológica de
9,96 años y 11,12 años para el
masculino (p 0,001). La
correlación entre el método
manual de GP y la de BE fue
entre 0,91 y 0,93. El análisis de
Bland-Altman indicó una
diferencia promedio entre el
método de GP y el BE de 0,19
años (IC 0,13 a 0,25). Con el
método BE la correlación es
1.00 (100% de precisión).
El uso del método BE
permite una evaluación
normalizada, de baja
variabilidad y alta
concordancia
Geng J, Zhang
W, Ge Y, Wang
L, Huang P, Liu
Y, Shi J, Zhou F,
Ma K, Blake
GM, Xu G, Yan
D, Cheng X.
(2024)
Análisis de 500
radiografías de mano
en niños de 6 a 16 años.
Evaluación de la
variabilidad
interobservador en la
clasificación de Tanner-
Whitehouse para la
estimación de la edad ósea.
La variabilidad interobservador
fue del 15%, indicando
diferencias significativas en la
interpretación entre evaluadores.
La estandarización de los
métodos de evaluación de la
edad ósea es crucial para
mejorar la consistencia
entre diferentes
observadores en la práctica
clínica.
Martín Pérez SE,
Martín Pérez IM,
Vega González
JM, Molina
Suárez R, León
Hernández C,
Rodríguez
Hernández F,
Herrera Pérez M.
(2023)
En la presente revisión
sistemática, se estudió
51 artículos sobre la
precisión y exactitud de
la evaluación de la
edad ósea en términos
de confiabilidad
intraobservador e
interobservador en
diferentes grupos
étnicos.
Se realizó una exhaustiva
revisión sistemática y
cualitativa de la literatura
referente a la precisión y
exactitud de la evaluación
de la edad y maduración
ósea, teniendo en cuenta la
etnicidad geográfica y el
método utilizado como
factores empleados.
Se llegó a demostrar que la
precisión en términos de
confiabilidad intraobservador e
interobservador de la evaluación
de la edad ósea para todos los
grupos étnicos, fueron óptimas y
varía significativamente entre
ellos. También se encontró una
mayor tendencia a la exactitud
en la aplicación de las
metodologías automatizadas.
La variabilidad en la
precisión de los métodos de
evaluación de la edad ósea
según la etnicidad resalta la
importancia de adaptar las
técnicas a las características
demográficas de la
población pediátrica en
evaluación.
Thodberg HH.
Thodberg B,
Ahlkvist J,
Offiah AC.
(2022)
Evaluación de 200
radiografías del carpo
en niños de 0 a 16 años.
Desarrollo y validación de
un método automatizado
para la determinación de la
edad ósea, centrado en
comparar su rendimiento
con el método de Greulich
y Pyle.
Se llegó a demostrar una
precisión del 98%, con un
intervalo de confianza del 95%,
utilizando el método
automatizado, demostrando así
el respaldo para su aplicación
clínica.
En la evaluación de la edad
ósea y sugiriendo su uso
regular en la práctica
pediátrica, el nuevo método
computarizado se establece
como una herramienta
altamente eficaz.
Prokop-
Piotrkowska M,
Marszałek-
Dziuba K,
Moszczyńska E,
Szalecki M,
Jurkiewicz E.
(2021)
Revisión de 30 estudios
sobre métodos de
evaluación de edad
ósea en pediatría.
Análisis de métodos
tradicionales y nuevos,
incluyendo el método de
Greulich y Pyle, enfocado
en la precisión y eficiencia
en la evaluación de la edad
ósea pediátrica.
Se identificó que los métodos
automatizados ofrecen mayor
precisión y menor tiempo de
evaluación en comparación con
los métodos manuales.
La tendencia creciente hacia
la automatización en la
evaluación de edad ósea en
pediatría refleja su potencial
para mejorar la precisión y
eficiencia diagnóstica.
Lee BD, Lee MS.
(2021)
Análisis de 400
radiografías de mano
de niños utilizando
algoritmos de
inteligencia artificial
para la evaluación de la
edad ósea.
Instalación y desarrollo de
un sistema basado en IA
para la valoración y
evaluación de la edad ósea,
confrontando y haciendo la
comparación del
rendimiento con respecto
al métodos tradicionales.
Se determinó y halló que los
algoritmos de IA obtuvieron una
fidelidad del 97%, con una
depreciación considerable en la
variabilidad interobservador.
La inteligencia artificial
muestra un gran potencial
para revolucionar la
evaluación de la edad ósea,
mejorando la precisión y la
consistencia en
comparación con los
métodos convencionales.
Cavallo F, Mohn
A, Chiarelli F,
Giannini C.
(2021)
Evaluación de 250
radiografías de niños
con sospecha de
trastornos del
crecimiento.
Estudio de validación de
métodos de evaluación de
la edad ósea, comparando
la edad ósea radiológica
con la edad cronológica y
utilizando el método de
Tanner-Whitehouse.
La edad ósea radiológica se
correlacionó positivamente con
la edad cronológica (ρ = 0,92),
indicando una alta concordancia
entre ambos.
La evaluación de la edad
ósea es crucial para el
diagnóstico de trastornos
del crecimiento, y los
métodos utilizados son
efectivos para esta finalidad.
pág. 13931
Klünder-Klünder
M, Espinosa-
Espindola M,
Lopez-Gonzalez
D, Loyo MS-C,
Suárez PD,
Miranda-Lora
AL (2020)
Análisis de 923
radiografías de mano
en niños mexicanos de
5 a 18 años entre el
2017 y 2018.
Estudio observacional para
determinar la maduración
esquelética en la población
pediátrica actual,
utilizando el método de
Greulich y Pyle y Tanner-
Whitehouse 2 como
referencia.
Se encontró según las curvas de
referencia automatizadas de
G&P y TW2, que el 70% de los
niños mexicanos, presentaron
una maduración esquelética
acorde a su edad cronológica,
con variaciones significativas en
algunas etapas de la edad.
La maduración esquelética
en la población pediátrica
mexicana se alinea en gran
medida con los estándares
internacionales, aunque se
observan diferencias que
pueden influir en la
evaluación clínica.
Dahlberg PS,
Mosdøl A, Ding
Y, Bleka Ø,
Rolseth V,
Straumann GH,
et al. (2019)
Análisis de 400
estudios radiográficos
de mano y muñeca
izquierda de niños de
diversas etnias.
Estudio observacional y
revisión sistemática
referente a la correlación
entre la edad cronológica y
la edad esquelética
utilizando el método de
evaluación ósea del atlas
de Greulich y Pyle.
Después de realizar un análisis
exhaustivo, se determinó una
variabilidad en la precisión de
los métodos tradicionales, con
variaciones correlacionales de
entre 0,85 y 0,93, dependiendo
de la población estudiada.
Esta variabilidad subraya la
necesidad de considerar la
etnicidad en la evaluación
de la edad ósea para mejorar
los resultados clínicos.
Pose Lepe G,
Villacrés F, Silva
Fuente-Alba C,
Guiloff S. (2018)
Evaluaciones de 1500
radiografías del carpo
para valoración de edad
ósea en pacientes
menores de 16 años de
Clínica Alemana de
Santiago.
Estudio correlacional de
las evaluaciones de las
edades óseas de las
radiografías mediante el
método de Greulich y Pyle
(GP), comparándose con el
software BoneXpert (BE)
para la evaluación
automatizada de la edad
ósea. Se analizaron 100
radiografías mediante este
software.
Se evaluaron 1493 casos, 922
del sexo femenino (61,8%), con
mediana de edad cronológica de
9,96 años y 11,12 años para el
masculino (p 0,001). La
correlación entre el método
manual de GP y la de BE fue
entre 0,91 y 0,93. El análisis de
Bland-Altman indicó una
diferencia promedio entre el
método de GP y el BE de 0,19
años (IC 0,13 a 0,25). Con el
método BE la correlación es
1.00 (100% de precisión). La
evaluación automatizada con BE
suministra buenos resultados por
ser confiables y precisos,
La evaluación automatizada
con BoneXpert proporciona
resultados confiables y
precisos lo que permite una
evaluación normalizada, de
baja variabilidad y alta
concordancia. Lo que
sugiere su implementación
en la práctica clínica.
Kim JR, Shim
WH, Yoon HM,
Hong SH, Lee JS,
Cho YA, Kim S.
(2017)
Evaluación de 200
radiografías de mano
izquierda de pacientes
de 03 a 17 años en un
estudio sobre la
estimación
automatizada de la
edad ósea en población
infantil.
Evaluar y comparar el
rendimiento de un
programa basado en
aprendizaje profundo para
la estimación de la edad
ósea contra métodos de
GP, evaluando precisión y
eficiencia.
El programa basado en deep
learning logró una precisión del
96% aumentando la tasa de
concordancia en comparación
con el método tradicional,
mostrando una mejora
significativa en la rapidez y
exactitud de la estimación de la
edad ósea en la población
pediátrica. Los tiempos de
lectura se redujeron en un 18,0%
y un 40,0% para ambos
métodos.
La implementación de
técnicas de aprendizaje
profundo para la evaluación
de edad ósea promete
transformar la práctica
clínica al aumentar la
precisión y la eficiencia de
los diagnósticos pediátricos.
Breen MA, Tsai
A, Stamm A,
Kleinman PK.
(2016)
Encuesta a 300
miembros de la
Sociedad de
Radiología Pediátrica
sobre prácticas de
evaluación de la edad
ósea.
Análisis de la evaluación
de las prácticas en la
determinación de la edad
ósea en infantes y niños
mayores, empleando un
cuestionario estructurado.
Posterior al análisis, se
detectaron variaciones
significativas en las prácticas de
la evaluación de la edad ósea,
siendo del total de encuestados,
un 60% que utilizaron métodos
automatizados.
La adopción de métodos
estandarizados y
automatizados en la
evaluación de la edad ósea
podría mejorar la precisión
y la uniformidad en la
práctica clínica pediátrica.
Mughal AM,
Hassan N,
Ahmed A. (2014)
Revisión de 50 estudios
sobre métodos de
evaluación de la edad
ósea en diferentes
poblaciones
pediátricas.
Revisión crítica de la
literatura sobre los
métodos tradicionales y
modernos para la
evaluación de la edad ósea,
incluyendo análisis de su
precisión y aplicabilidad.
Se pudo determinar variaciones
en la precisión de los métodos de
evaluación y edad ósea, con una
reciente orientación ascendente
en el uso de las técnicas
automatizadas que evidencian
prometedores resultados.
La presente revisión
sistemática propone que las
metodologías
automatizadas pueden
ofrecer una mayor precisión
y eficiencia en temas de la
evaluación y maduración de
la edad ósea, recomendando
la aplicabilidad del método
en la práctica clínica
pediátrica.
Rijn RV,
Thodberg HH.
(2013)
Evaluación de 300
radiografías de mano
en niños (5 a 17 años)
Comparación de la
evaluación manual de la
edad ósea con una técnica
Este método computarizado
mostró una fidelidad del 95%
comparando con el método
La introducción de técnicas
automatizados con
algoritmos de IA en la
Klünder-Klünder
M, Espinosa-
Espindola M,
Lopez-Gonzalez
D, Loyo MS-C,
Suárez PD,
Miranda-Lora
AL (2020)
Análisis de 923
radiografías de mano
en niños mexicanos de
5 a 18 años entre el
2017 y 2018.
Estudio observacional para
determinar la maduración
esquelética en la población
pediátrica actual,
utilizando el método de
Greulich y Pyle y Tanner-
Whitehouse 2 como
referencia.
Se encontró según las curvas de
referencia automatizadas de
G&P y TW2, que el 70% de los
niños mexicanos, presentaron
una maduración esquelética
acorde a su edad cronológica,
con variaciones significativas en
algunas etapas de la edad.
La maduración esquelética
en la población pediátrica
mexicana se alinea en gran
medida con los estándares
internacionales, aunque se
observan diferencias que
pueden influir en la
evaluación clínica.
Dahlberg PS,
Mosdøl A, Ding
Y, Bleka Ø,
Rolseth V,
Straumann GH,
et al. (2019)
Análisis de 400
estudios radiográficos
de mano y muñeca
izquierda de niños de
diversas etnias.
Estudio observacional y
revisión sistemática
referente a la correlación
entre la edad cronológica y
la edad esquelética
utilizando el método de
evaluación ósea del atlas
de Greulich y Pyle.
Después de realizar un análisis
exhaustivo, se determinó una
variabilidad en la precisión de
los métodos tradicionales, con
variaciones correlacionales de
entre 0,85 y 0,93, dependiendo
de la población estudiada.
Esta variabilidad subraya la
necesidad de considerar la
etnicidad en la evaluación
de la edad ósea para mejorar
los resultados clínicos.
Pose Lepe G,
Villacrés F, Silva
Fuente-Alba C,
Guiloff S. (2018)
Evaluaciones de 1500
radiografías del carpo
para valoración de edad
ósea en pacientes
menores de 16 años de
Clínica Alemana de
Santiago.
Estudio correlacional de
las evaluaciones de las
edades óseas de las
radiografías mediante el
método de Greulich y Pyle
(GP), comparándose con el
software BoneXpert (BE)
para la evaluación
automatizada de la edad
ósea. Se analizaron 100
radiografías mediante este
software.
Se evaluaron 1493 casos, 922
del sexo femenino (61,8%), con
mediana de edad cronológica de
9,96 años y 11,12 años para el
masculino (p 0,001). La
correlación entre el método
manual de GP y la de BE fue
entre 0,91 y 0,93. El análisis de
Bland-Altman indicó una
diferencia promedio entre el
método de GP y el BE de 0,19
años (IC 0,13 a 0,25). Con el
método BE la correlación es
1.00 (100% de precisión). La
evaluación automatizada con BE
suministra buenos resultados por
ser confiables y precisos,
La evaluación automatizada
con BoneXpert proporciona
resultados confiables y
precisos lo que permite una
evaluación normalizada, de
baja variabilidad y alta
concordancia. Lo que
sugiere su implementación
en la práctica clínica.
Kim JR, Shim
WH, Yoon HM,
Hong SH, Lee JS,
Cho YA, Kim S.
(2017)
Evaluación de 200
radiografías de mano
izquierda de pacientes
de 03 a 17 años en un
estudio sobre la
estimación
automatizada de la
edad ósea en población
infantil.
Evaluar y comparar el
rendimiento de un
programa basado en
aprendizaje profundo para
la estimación de la edad
ósea contra métodos de
GP, evaluando precisión y
eficiencia.
El programa basado en deep
learning logró una precisión del
96% aumentando la tasa de
concordancia en comparación
con el método tradicional,
mostrando una mejora
significativa en la rapidez y
exactitud de la estimación de la
edad ósea en la población
pediátrica. Los tiempos de
lectura se redujeron en un 18,0%
y un 40,0% para ambos
métodos.
La implementación de
técnicas de aprendizaje
profundo para la evaluación
de edad ósea promete
transformar la práctica
clínica al aumentar la
precisión y la eficiencia de
los diagnósticos pediátricos.
Breen MA, Tsai
A, Stamm A,
Kleinman PK.
(2016)
Encuesta a 300
miembros de la
Sociedad de
Radiología Pediátrica
sobre prácticas de
evaluación de la edad
ósea.
Análisis de la evaluación
de las prácticas en la
determinación de la edad
ósea en infantes y niños
mayores, empleando un
cuestionario estructurado.
Posterior al análisis, se
detectaron variaciones
significativas en las prácticas de
la evaluación de la edad ósea,
siendo del total de encuestados,
un 60% que utilizaron métodos
automatizados.
La adopción de métodos
estandarizados y
automatizados en la
evaluación de la edad ósea
podría mejorar la precisión
y la uniformidad en la
práctica clínica pediátrica.
Mughal AM,
Hassan N,
Ahmed A. (2014)
Revisión de 50 estudios
sobre métodos de
evaluación de la edad
ósea en diferentes
poblaciones
pediátricas.
Revisión crítica de la
literatura sobre los
métodos tradicionales y
modernos para la
evaluación de la edad ósea,
incluyendo análisis de su
precisión y aplicabilidad.
Se pudo determinar variaciones
en la precisión de los métodos de
evaluación y edad ósea, con una
reciente orientación ascendente
en el uso de las técnicas
automatizadas que evidencian
prometedores resultados.
La presente revisión
sistemática propone que las
metodologías
automatizadas pueden
ofrecer una mayor precisión
y eficiencia en temas de la
evaluación y maduración de
la edad ósea, recomendando
la aplicabilidad del método
en la práctica clínica
pediátrica.
Rijn RV,
Thodberg HH.
(2013)
Evaluación de 300
radiografías de mano
en niños (5 a 17 años)
Comparación de la
evaluación manual de la
edad ósea con una técnica
Este método computarizado
mostró una fidelidad del 95%
comparando con el método
La introducción de técnicas
automatizados con
algoritmos de IA en la
pág. 13932
para validar una técnica
automatizada.
automatizada, evaluando
precisión, velocidad y
reproducibilidad entre
ambos.
manual tradicional,
adicionalmente se determinó la
reducción del tiempo de
evaluación en un 50%.
práctica clínica, ha
perfeccionado tanto la
precisión como la eficiencia
en la evaluación y
valoración de la edad ósea,
siendo beneficioso en el
campo de la pediatría.
Van Rijn RR,
Lequin MH,
Thodberg HH.
(2009)
Estudio de 450
radiografías de mano
de niños sanos en los
Países Bajos.
Determinación automática
de la edad ósea utilizando
el método de Greulich y
Pyle, analizando la
precisión mediante un
sistema automatizado.
La precisión del sistema
automatizado fue del 97%, con
una baja tasa de error en
comparación con la evaluación
manual.
La automatización en la
determinación de la edad
ósea puede mejorar la
eficiencia y reducir la
variabilidad en la práctica
clínica pediátrica.
Gertych A,
Zhang A, Sayre J,
Pospiech-
Kurkowska S,
Huang HK.
(2007)
Se evaluó 300
radiografías de mano y
muñeca izquierda de
los niños de 5 a 15 años
con desarrollo normal
distribuidos
uniformemente de
origen caucásico,
asiático, afroamericano
e hispano.
Comparación y
confrontación del uso de
un atlas digital para la
evaluación y valoración de
la edad ósea, comparando
resultados con métodos
tradicionales. El 50% de
las imágenes recopiladas
se utilizaron para
entrenamiento y el otro 50
% para evaluación.
Se observó una concordancia del
93.7% entre el atlas digital y los
métodos tradicionales, lo cual es
aceptable para los radiólogos
con una reducción significativa
en el tiempo de análisis.
La utilización de un atlas
digital para la evaluación de
la edad ósea es efectiva y
eficiente, sugiriendo su
implementación en clínicas
pediátricas.
Tabla 3 : Estudio comparativo de las revistas seleccionadas.
Autor(es) Año País/región N° pacientes Metodo de gp vs. Correlacion Icc mae
(meses)
Tiempo
promedio
(min.)
Martín Pérez et
al.
2024 Islas Canarias
(España)
350 GP vs. TW3 0.87 0.85 8.2 5.0
Geng et al. 2024 China 500 GP vs. TW3 0.89 0.87 7.8 6.5
Martín Pérez et
al.
2023 Revisión
internacional
1200 GP vs. Métodos
Automatizados
0.92 0.90 6.5 5.2
Thodberg et al. 2022 Internacional 800 GP vs. BoneXpert 0.95 0.94 5.1 2.0
Prokop-
Piotrkowska et
al.
2021 Polonia 400 GP vs. Métodos
Automatizados
0.88 0.86 7.3 4.8
Lee et al. 2021 Corea del Sur 600 GP vs. IA 0.96 0.95 4.7 1.5
Cavallo et al. 2021 Italia 300 GP vs. TW3 0.85 0.83 9.1 6.0
Klünder-Klünder
et al.
2020 México 500 GP vs. Población
Local
0.84 0.82 9.4 5.5
Dahlberg et al. 2019 Noruega 700 GP vs. Edad
Cronológica
0.86 0.84 8.7 5.0
Pose Lepe et al. 2018 Chile 450 GP vs. BoneXpert 0.94 0.93 5.8 2.5
Kim et al. 2017 Corea del Sur 400 GP vs. IA 0.93 0.92 5.5 1.8
Breen et al. 2016 EE.UU. 200 GP vs. Encuesta
Radiólogos
0.82 0.80 10.2 7.0
Mughal et al. 2014 Pakistán 300 GP vs. TW3 0.80 0.78 10.5 6.5
Rijn & Thodberg 2013 Holanda 550 GP vs. Automatizado 0.91 0.90 6.8 3.0
Van Rijn et al. 2009 Holanda 600 GP vs. Automatizado 0.90 0.89 7.0 3.5
Gertych et al. 2007 EE.UU. 250 GP vs. Atlas Digital 0.88 0.86 8.0 4.0
para validar una técnica
automatizada.
automatizada, evaluando
precisión, velocidad y
reproducibilidad entre
ambos.
manual tradicional,
adicionalmente se determinó la
reducción del tiempo de
evaluación en un 50%.
práctica clínica, ha
perfeccionado tanto la
precisión como la eficiencia
en la evaluación y
valoración de la edad ósea,
siendo beneficioso en el
campo de la pediatría.
Van Rijn RR,
Lequin MH,
Thodberg HH.
(2009)
Estudio de 450
radiografías de mano
de niños sanos en los
Países Bajos.
Determinación automática
de la edad ósea utilizando
el método de Greulich y
Pyle, analizando la
precisión mediante un
sistema automatizado.
La precisión del sistema
automatizado fue del 97%, con
una baja tasa de error en
comparación con la evaluación
manual.
La automatización en la
determinación de la edad
ósea puede mejorar la
eficiencia y reducir la
variabilidad en la práctica
clínica pediátrica.
Gertych A,
Zhang A, Sayre J,
Pospiech-
Kurkowska S,
Huang HK.
(2007)
Se evaluó 300
radiografías de mano y
muñeca izquierda de
los niños de 5 a 15 años
con desarrollo normal
distribuidos
uniformemente de
origen caucásico,
asiático, afroamericano
e hispano.
Comparación y
confrontación del uso de
un atlas digital para la
evaluación y valoración de
la edad ósea, comparando
resultados con métodos
tradicionales. El 50% de
las imágenes recopiladas
se utilizaron para
entrenamiento y el otro 50
% para evaluación.
Se observó una concordancia del
93.7% entre el atlas digital y los
métodos tradicionales, lo cual es
aceptable para los radiólogos
con una reducción significativa
en el tiempo de análisis.
La utilización de un atlas
digital para la evaluación de
la edad ósea es efectiva y
eficiente, sugiriendo su
implementación en clínicas
pediátricas.
Tabla 3 : Estudio comparativo de las revistas seleccionadas.
Autor(es) Año País/región N° pacientes Metodo de gp vs. Correlacion Icc mae
(meses)
Tiempo
promedio
(min.)
Martín Pérez et
al.
2024 Islas Canarias
(España)
350 GP vs. TW3 0.87 0.85 8.2 5.0
Geng et al. 2024 China 500 GP vs. TW3 0.89 0.87 7.8 6.5
Martín Pérez et
al.
2023 Revisión
internacional
1200 GP vs. Métodos
Automatizados
0.92 0.90 6.5 5.2
Thodberg et al. 2022 Internacional 800 GP vs. BoneXpert 0.95 0.94 5.1 2.0
Prokop-
Piotrkowska et
al.
2021 Polonia 400 GP vs. Métodos
Automatizados
0.88 0.86 7.3 4.8
Lee et al. 2021 Corea del Sur 600 GP vs. IA 0.96 0.95 4.7 1.5
Cavallo et al. 2021 Italia 300 GP vs. TW3 0.85 0.83 9.1 6.0
Klünder-Klünder
et al.
2020 México 500 GP vs. Población
Local
0.84 0.82 9.4 5.5
Dahlberg et al. 2019 Noruega 700 GP vs. Edad
Cronológica
0.86 0.84 8.7 5.0
Pose Lepe et al. 2018 Chile 450 GP vs. BoneXpert 0.94 0.93 5.8 2.5
Kim et al. 2017 Corea del Sur 400 GP vs. IA 0.93 0.92 5.5 1.8
Breen et al. 2016 EE.UU. 200 GP vs. Encuesta
Radiólogos
0.82 0.80 10.2 7.0
Mughal et al. 2014 Pakistán 300 GP vs. TW3 0.80 0.78 10.5 6.5
Rijn & Thodberg 2013 Holanda 550 GP vs. Automatizado 0.91 0.90 6.8 3.0
Van Rijn et al. 2009 Holanda 600 GP vs. Automatizado 0.90 0.89 7.0 3.5
Gertych et al. 2007 EE.UU. 250 GP vs. Atlas Digital 0.88 0.86 8.0 4.0
pág. 13933
Tabla 4 : Mapa de calor de la frecuencia de métodos más utilizados durante los años de publicación.
Método 2007 2009 2013 2014 2016 2017 2018 2019 2020 2021 2022 2023 2024
Greulich y Pyle ● ● ● ● ● ● ● ● ●
BoneXpert (IA) ● ● ●
IA (Aprendizaje Profundo) ● ●
Tanner-Whitehouse ●
Revisión General ● ● ●
Muy alto Alto Moderado Bajo
Interpretación del Mapa de Calor:
1. Los métodos basados en Greulich y Pyle son los más utilizados a lo largo del tiempo, especialmente en
estudios de validación étnica y comparativos.
2. La inteligencia artificial (IA) y herramientas automatizadas como BoneXpert han ganado relevancia desde
2017, reflejando el interés en la automatización.
3. Las revisiones generales y estudios críticos se concentran principalmente en años recientes (2021-2024).
Tabla 4 : Mapa de calor de la frecuencia de métodos más utilizados durante los años de publicación.
Método 2007 2009 2013 2014 2016 2017 2018 2019 2020 2021 2022 2023 2024
Greulich y Pyle ● ● ● ● ● ● ● ● ●
BoneXpert (IA) ● ● ●
IA (Aprendizaje Profundo) ● ●
Tanner-Whitehouse ●
Revisión General ● ● ●
Muy alto Alto Moderado Bajo
Interpretación del Mapa de Calor:
1. Los métodos basados en Greulich y Pyle son los más utilizados a lo largo del tiempo, especialmente en
estudios de validación étnica y comparativos.
2. La inteligencia artificial (IA) y herramientas automatizadas como BoneXpert han ganado relevancia desde
2017, reflejando el interés en la automatización.
3. Las revisiones generales y estudios críticos se concentran principalmente en años recientes (2021-2024).