Las fracturas de muñeca suelen diagnosticarse comúnmente utilizando imágenes de rayos X, complementadas con resonancia magnética y tomografía computarizada cuando sea necesario. Los radiólogos a veces pueden pasar por alto las fracturas porque son difíciles de detectar. Por el contrario, algunas fracturas pueden ser fácilmente identificadas y solo ralentizan a los radiólogos debido a los sistemas de informes. Proponemos un modelo de aprendizaje automático basado en el método YOLOv4 que puede ayudar a resolver estos problemas. La rigurosa prueba en tres niveles mostró que el modelo basado en YOLOv4 obtuvo resultados significativamente mejores en comparación con el método de vanguardia basado en el modelo U-Net. En la comparación con cinco radiólogos, el modelo YOLO 512 Anchor-AI (el mejor modelo basado en YOLOv4) fue significativamente mejor que los cuatro radiólogos (AI AUC-ROC, Promedio de AUC-ROC de los radiólogos). Además, hemos demostrado que tres de los cinco radiólogos mejoraron significativamente su desempeño cuando fueron ayudados por el modelo de IA. Finalmente, comparamos nuestro trabajo con otros trabajos relacionados y discutimos qué considerar al construir un modelo predictivo basado en IA para la detección de fracturas de muñeca. Todos nuestros hallazgos se basan en un conjunto de datos complejo de 19,700 imágenes de rayos X pediátricas.