Antecedentes: La identificación de la gestión óptima para el trauma esplénico contuso-angioembolización (AE), esplenectomía u observación, sigue siendo un desafío. Este estudio aplica Árboles de Política Óptima (OPT), un modelo de inteligencia artificial (IA), para prescribir un manejo apropiado y mejorar la mortalidad intrahospitalaria. Métodos: Los OPT fueron entrenados en pacientes con lesiones esplénicas contusas en ACS-TQIP 2013-2019 para prescribir una de las tres intervenciones: esplenectomía, angioembolización (AE) u observación. Se derivaron árboles prescriptivos en dos cohortes de pacientes separadas: aquellos que presentaron una presión arterial sistólica (PAS) < 70 mmHg y aquellos con una PAS >= 70 mmHg. La gravedad de la lesión esplénica se clasificó utilizando la escala de clasificación de la Asociación Americana de Trauma Quirúrgico (AAST). Se utilizó la estimación contrafactual para predecir los efectos de las intervenciones en la mortalidad intrahospitalaria general. Resultados: Entre 54,345 pacientes, el 3.1% se sometió a AE esplénica, el 13.1% a esplenectomía y el 83.8% fueron tratados con observación. En pacientes con PAS < 70 mmHg, se recomendó AE para un índice de shock (SI) < 1.5 o sin transfusión, mientras que la esplenectomía se indicó para SI >= 1.5 con transfusión. Para pacientes con PAS >= 70 mmHg, se recomendó AE para los grados AAST 4-5, o grados 1-3 con SI >= 1.2; se recomendó observación para los grados 1-3 con SI < 1.2. La mortalidad predicha utilizando los tratamientos prescritos por OPT fue del 18.4% para PAS < 70 mmHg y del 4.97% para PAS >= 70 mmHg, en comparación con tasas observadas del 36.46% y 7.60%, respectivamente. Conclusiones: Los modelos de IA interpretables pueden servir como una ayuda para la toma de decisiones para mejorar la mortalidad en pacientes que presentan un trauma esplénico contuso. Nuestros modelos OPT prescriptivos basados en datos pueden ayudar a prescribir el manejo apropiado en esta cohorte de pacientes según sus características.