Durante una operación de rescate de emergencia, los rescatistas tienen que lidiar con muchas complicaciones de salud diferentes como cardiovasculares, respiratorias, neurológicas, psiquiátricas, etc. El proceso de identificación de las complicaciones de salud comunes en eventos de rescate no es muy difícil ni consume mucho tiempo porque los síntomas vitales de salud u observaciones primarias son suficientes para identificar, pero es bastante difícil con algunas complicaciones relacionadas con la neurología, por ejemplo, esquizofrenia, epilepsia con convulsiones no motoras o amnesia retrógrada, porque no se pueden identificar con la tendencia de los datos vitales de salud. Los síntomas tienen un amplio espectro y a menudo no se pueden distinguir de otros tipos de complicaciones. Además, esperar resultados de pruebas médicas como resonancias magnéticas y electrocardiogramas consume tiempo y no es adecuado para casos de emergencia donde un tratamiento rápido es una necesidad obvia después del diagnóstico. En este documento, presentamos una solución novedosa para superar estos desafíos mediante el empleo de modelos de inteligencia artificial (IA) en el procedimiento de diagnóstico de complicaciones neurológicas en situaciones de rescate. La novedad radica en el procedimiento de generación de características de entrada a partir de datos de rescate sin procesar utilizados en modelos de IA, ya que los datos no son como los datos clínicos tradicionales recopilados de repositorios hospitalarios. Más bien, los datos se recopilaron directamente de más de 200,000 casos de rescate y se requirieron técnicas de procesamiento del lenguaje natural para extraer información significativa. Se presenta un análisis paso a paso del desarrollo de múltiples modelos de IA que pueden facilitar la identificación rápida de complicaciones neurológicas en general en este documento. Se utilizan análisis avanzados de datos para analizar el registro completo de 273,183 eventos de rescate en una duración de casi 10 años, incluido el análisis de los rescatistas sobre las complicaciones y sus métodos de diagnóstico. Para desarrollar el modelo de detección, se utilizaron siete algoritmos de aprendizaje automático diferentes: Máquina de Vectores de Soporte (SVM), Bosque Aleatorio (RF), Vecino más Cercano (KNN), Extreme Gradient Boosting (XGB), Regresión Logística (LR), Bayes Ingenuo (NB) y Red Neuronal Artificial (ANN). Observando el rendimiento del modelo, concluimos que la red neuronal y el extreme gradient boosting muestran el mejor rendimiento en términos de los criterios de evaluación seleccionados. Para utilizar este resultado en escenarios prácticos, el documento también describe la posibilidad de incrustar tales modelos de aprendizaje automático en hardware como FPGA. El objetivo es lograr resultados de detección rápidos, que es un requisito primario en cualquier misión de rescate. También se presenta un análisis del tiempo de inferencia de los modelos de ML seleccionados y del acelerador de IA VTA del compilador de aprendizaje automático Apache-TVM utilizado para el FPGA en esta investigación.