Las quemaduras son una lesión devastadora que afecta a más de once millones de personas en todo el mundo y más de 265,000 individuos afectados pierden la vida cada año. Los países de ingresos bajos y medianos (LMICs) tienen un aumento de casos de más del 90% del total de incidencias mundiales debido a condiciones socioeconómicas precarias, falta de medidas preventivas, dependencia de técnicas de evaluación subjetivas e inexactas y falta de acceso a hospitales cercanos. Estos factores hacen necesario contar con una técnica de evaluación objetiva y rentable que pueda ser fácilmente implementada en áreas remotas y hospitales donde falte experiencia y una evaluación confiable de quemaduras. Por lo tanto, este estudio propone el uso de características de Redes Neuronales Convolucionales (CNN) junto con diferentes algoritmos de clasificación para discriminar entre piel quemada y sana utilizando un conjunto de datos de pacientes de origen africano-negro. Se utiliza un modelo CNN preentrenado (VGG16) para extraer características abstractas discriminatorias de imágenes y este enfoque se debió a la escasez de imágenes de quemaduras que hacía inviable entrenar un modelo CNN desde cero. Posteriormente, se utilizan árboles de decisión, máquinas de vectores de soporte (SVM), Bayes ingenuo, regresión logística y vecinos más cercanos (KNN) para clasificar si una imagen dada está quemada o sana en función de las características de VGG16. El rendimiento de estos algoritmos de clasificación fue analizado exhaustivamente utilizando las características de VGG16 de diferentes capas.