Antecedentes/Objetivos: Este documento presenta un marco basado en una Red Neuronal Residual (ResNet) adaptado para datos estructurados de accidentes de tráfico, con el objetivo de mejorar la predicción de la gravedad de los accidentes. El modelo propuesto aprovecha el aprendizaje residual para modelar de manera efectiva las relaciones intrincadas entre variables numéricas y categóricas, lo que resulta en un notable aumento en la precisión de la predicción. Métodos: Se realizó un análisis comparativo con otras arquitecturas de Aprendizaje Profundo (DL), incluyendo Redes Neuronales Convolucionales (CNN), Memoria a Corto y Largo Plazo (LSTM), Darknet y Extreme Inception (Xception), mostrando un rendimiento superior de la ResNet propuesta. Se identificaron factores clave que influyen en la gravedad de los accidentes, con los valores de Explicaciones Aditivas de Shapley (SHAP) ayudando a abordar la necesidad de Inteligencia Artificial (AI) transparente y explicativa en áreas críticas de toma de decisiones. Resultados: La generalizabilidad del modelo ResNet fue evaluada al entrenarlo, inicialmente, en un conjunto de datos de accidentes de carretera del Reino Unido y validar en un conjunto de datos distinto de la India. El modelo demostró consistentemente alta precisión predictiva, destacando su robustez en contextos diversos, a pesar de las diferencias regionales. Conclusiones: Estos resultados sugieren que el modelo ResNet adaptado podría mejorar significativamente las evaluaciones de seguridad vial y contribuir a la formulación de estrategias de gestión del tráfico más efectivas.