En la práctica clínica, la estimación de la edad de la fractura es comúnmente requerida, especialmente en niños con lesiones sospechosas de no ser accidentales. Normalmente se realiza mediante un examen radiológico de la parte del cuerpo lesionada y analizando varios indicadores de la curación de la fractura, como la osteopenia, la reacción perióstica y el ancho de la brecha de la fractura. Sin embargo, los cambios relacionados con la edad en los plazos de curación, las variabilidades interindividuales en la densidad ósea y la subjetividad significativa intra e interoperador limitan la validez de estas pistas radiológicas. Para abordar estos problemas, sugerimos por primera vez un sistema automatizado basado en redes neuronales para determinar la edad de una fractura de muñeca pediátrica. En este estudio, proponemos y evaluamos un enfoque de aprendizaje profundo para estimar automáticamente la edad de la fractura. Nuestro conjunto de datos incluyó 3570 casos médicos con una distribución sesgada hacia consultas iniciales. Cada caso médico incluye una proyección lateral y anteroposterior de una fractura de muñeca, así como la edad y el género de los pacientes. Proponemos un sistema basado en redes neuronales con estimación de incertidumbre basada en dropout de Monte Carlo para abordar el sesgo del conjunto de datos. Además, esta investigación examina cómo cada componente del sistema contribuye a la predicción final y proporciona una interpretación de diferentes escenarios en las predicciones del sistema en términos de su incertidumbre. La examinación de los componentes de los sistemas propuestos mostró que la fusión de características de todos los datos disponibles es necesaria para obtener buenos resultados. Asimismo, proponer la estimación de incertidumbre en el sistema aumentó la precisión y la puntuación F1 a un resultado final en una tarea dada.