En los últimos años, los sistemas de asistencia al conductor en coches, autobuses y camiones se han vuelto más comunes y potentes. En particular, la introducción de métodos de IA en sensores, fusión de señales y reconocimiento de tráfico nos permite avanzar del actual nivel 2 de asistencia al nivel 3 de sistemas avanzados de asistencia al conductor (ADAS), donde la conducción se vuelve autónoma y la responsabilidad se traslada del conductor a los fabricantes de automóviles. Sin embargo, esto requiere una evaluación de riesgos de fallos de alta precisión, que solo se puede lograr mediante la adquisición de datos extensiva y el análisis estadístico de escenarios de tráfico reales (lo cual es imposible de realizar por humanos). Por lo tanto, las situaciones críticas de conducción deben ser identificadas y clasificadas automáticamente. Este documento desarrolla y compara dos estrategias diferentes: un enfoque tradicional basado en reglas derivado de consideraciones causales deterministas, y un enfoque basado en IA entrenado con maniobras idealizadas de incorporación, salida y paso. La aplicación a una secuencia de medición de 10 horas en una autopista alemana demuestra que este último tiene un rendimiento superior, mientras que el primero pierde algunos de los eventos relevantes para la seguridad que deben ser identificados.