Las fracturas de cadera representan un desafío significativo para los sistemas de salud debido a sus altos costos y tasas de mortalidad asociadas, siendo las fracturas de cuello femoral responsables de casi la mitad de todas las fracturas de cadera. Este estudio aborda el desafío de diagnosticar fracturas de cuello femoral no desplazadas, que a menudo son difíciles de detectar con radiografías estándar, especialmente en pacientes ancianos. Esta investigación evalúa un modelo de aprendizaje profundo que emplea una red neuronal convolucional (CNN) dentro de un marco ResNet, diseñado para mejorar la precisión diagnóstica de las fracturas de cuello femoral no desplazadas. El modelo fue entrenado y validado en un conjunto de datos de 2032 radiografías de cadera de dos hospitales, con validación externa adicional realizada en conjuntos de datos de otras instituciones. El modelo de IA logró una precisión del 94.8% y un Área Bajo la Curva de 0.991 en radiografías pélvicas de cadera anteroposteriores, superando a los médicos de emergencia y entregando resultados comparables a los médicos expertos. La validación externa confirmó la precisión robusta del modelo y su capacidad de generalización en diversos conjuntos de datos. Este estudio subraya el potencial de los modelos de aprendizaje profundo para actuar como una herramienta complementaria en entornos clínicos, potencialmente reduciendo errores diagnósticos y mejorando los resultados de los pacientes al facilitar un diagnóstico y tratamiento más rápidos.