La lesión cerebral traumática (LCT) es una de las principales causas de discapacidad a largo plazo en todo el mundo, y la recuperación de cada persona es diferente. La inteligencia artificial (IA) ofrece herramientas prometedoras para proyectar resultados individuales. Sin embargo, estos modelos se ven afectados por la calidad e inclusividad del conjunto de datos en el que se entrenan, lo que tiene importantes implicaciones para su valor clínico. Esta revisión de alcance evaluó conjuntos de datos disponibles públicamente que utilizan modelado de IA para predecir resultados de LCT. Se examinó cómo la literatura derivada de estos conjuntos de datos captura variables funcionales y sociales. Siguiendo las directrices de PRISMA, se identificaron 24 estudios, que dieron lugar a 19 conjuntos de datos distintos. Si bien la mayoría de los conjuntos de datos enfatizaban métricas biomédicas y de gravedad de la lesión, pocos incorporaron comunicación, cognición y determinantes sociales de salud relevantes. Casi todos los estudios incluyeron edad y sexo, pero menos de la mitad informaron sobre raza o etnicidad, y solo un pequeño subconjunto integró indicadores contextuales más amplios. Los resultados sugieren que el modelado de resultados sigue dependiendo en gran medida de escalas globales, con un uso limitado de mediciones específicas del dominio. Otro factor limitante es el escaso uso de medidas longitudinales, que a menudo no extienden el seguimiento más allá de los seis meses posteriores a la lesión. Estos hallazgos apuntan a la necesidad de prácticas de datos inclusivas, funcionalmente ricas y éticamente transparentes para ayudar a los sistemas de IA a promover una atención equitativa y clínicamente significativa.