Revisión sistemática del uso de modelos de aprendizaje automático en la detección de conductores en estado de ebriedad

Abstract

La conducción en estado de ebriedad representa una de las principales causas de accidentes viales a nivel global, afectando gravemente la seguridad pública. En respuesta a esta problemática, la presente investigación realiza una revisión sistemática de literatura publicada entre los años 2020 y 2025, con el objetivo de analizar los modelos de aprendizaje automático aplicados en la detección de conductores en estado de ebriedad. Se utilizaron bases de datos reconocidas como IEEE, Scopus, ScienceDirect y EBSCO, siguiendo los lineamientos metodológicos del protocolo PRISMA. Se identificaron 30 estudios relevantes que emplean diversas técnicas como redes neuronales convolucionales (CNN), MobileNetV2, SVM, Random Forest, y modelos híbridos. Los resultados evidencian que los modelos basados en deep learning alcanzan altos niveles de precisión, superando en varios casos el 90 %. Además, se destacan enfoques no invasivos que emplean señales fisiológicas, imágenes faciales, datos de conducción y análisis acústico. Si bien existen desafíos como la disponibilidad de datos reales o la necesidad de sensores específicos, los avances actuales permiten vislumbrar sistemas de asistencia al conductor (ADAS) con alto potencial de implementación en contextos reales. Esta revisión ofrece un marco de referencia para futuras investigaciones y desarrollos tecnológicos orientados a la prevención de accidentes relacionados con el consumo de alcohol.