La ecografía en el punto de atención es una herramienta crítica para la triage de pacientes durante el trauma para diagnosticar lesiones y priorizar los recursos limitados de evacuación médica. Específicamente, un examen eFAST evalúa si hay líquidos libres en el tórax o abdomen, pero esto solo es posible si las ecografías pueden ser interpretadas con precisión, un desafío en el entorno prehospitalario. En este esfuerzo, evaluamos el uso de modelos de interpretación de imágenes eFAST con inteligencia artificial. Se evaluaron arquitecturas de modelos de aprendizaje profundo ampliamente utilizadas, así como modelos bayesianos optimizados para seis modelos diagnósticos diferentes: neumotórax (i) en modo B o (ii) M, hemotórax (iii) en modo B o (iv) M, (v) hemorragia abdominal pélvica o vesical y (vi) hemorragia abdominal en el cuadrante superior derecho. Los modelos fueron entrenados utilizando imágenes capturadas en 27 cerdos. Utilizando un enfoque de entrenamiento de dejar a un sujeto afuera, los modelos MobileNetV2 y DarkNet53 superaron el 85% de precisión para cada sitio de escaneo en modo M. Los diferentes modelos en modo B tuvieron un rendimiento inferior con precisión entre el 68% y el 74%, excepto para el modelo de hemorragia pélvica, que solo alcanzó el 62% de precisión para todas las arquitecturas de modelo. Estos resultados resaltan qué sitios de escaneo eFAST pueden ser fácilmente automatizados con modelos de interpretación de imágenes, mientras que otros sitios de escaneo, como el modelo de hemorragia vesical, requerirán un desarrollo de modelo más robusto o una mayor ampliación de datos para mejorar el rendimiento. Con estas mejoras adicionales, el umbral de habilidad para la triage basada en ecografía puede ser reducido, expandiendo así su utilidad en el entorno prehospitalario.