Esta tesis doctoral versa sobre la necesidad de predecir la gravedad de los accidentes de tráfico con el objetivo de anticiparse a las posibles consecuencias que sufrirían las víctimas utilizando como información base la descripción de las circunstancias que rodean al accidente mediante el uso de la inteligencia artificial. La principal motivación de esta tesis es limitar dichas consecuencias que sufrirían las víctimas tanto a corto como a largo plazo, y que pueden ser reducidas gracias a una gestión eficiente y rápida de recursos médicos una vez se conocen las características del accidente. Diversos estudios avalan que una rápida respuesta por parte de los servicios de emergencia pueden evitar resultados mortales en los accidentados si cuentan con asistencia médica en un tiempo acorde a su gravedad, además de poder reducir las futuras lesiones a largo plazo que las víctimas puedan sufrir. Históricamente, en el estado del arte el principal inconveniente en distintos enfoques de este problema, en lo que respecta a la predicción de la gravedad de los accidentes, radica en que los métodos que han sido aplicados hasta ahora son dependientes de los datos disponibles por cada región concreta, siendo estos asimétricos y, en muchos casos, dependientes de la economía del lugar (un país desarrollado siempre tiene acceso a más información que otro que no tenga suficientes recursos para ello). Esta dependencia de los datos es un inconveniente, ya que impide la presencia de un modelo generalista que pueda ser agnóstico a los datos ofrecidos por una región concreta en la que han sido entrenados. Es por esto que es necesario la presencia de un método general que pueda ser aplicado en cualquier población o región independientemente de los datos de los que cada región dispone, independientemente de la limitación marcada por sus condiciones socioeconómicas o culturales. Para solventar este reto, en esta tesis se propone un modelo general de predicción en la gravedad de los accidentes de tráfico (GTAAF) independiente a los datos propios de cada región, que clasifica muestras de accidentes en dos clases distintas: necesidad de asistencia médica y sin necesidad de ella, con el objetivo de poder priorizar los recursos médicos cuando se produce un nuevo accidente. Gracias a un sistema de categorización de variables disponibles en los datos se presenta un modelo que puede ser aplicado a cualquier área, región o población. La metodología diseñada en esta tesis se basa en un modelo que, teniendo como entrada la descripción de los accidentes en formato de datos tabulares, aplica diferentes etapas de limpieza de datos, discretización, filtrado de accidentes en base a la división por áreas de las regiones, y rebalanceo de datos para posteriormente transformar los datos resultantes en matrices que serán la entrada al modelo convolucional diseñado. Esto último, gracias a un método de transformación de matrices que hace uso de la importancia que ha tenido cada una de las características en los datos en el entrenamiento de un modelo tipo boosting basado en árboles de decisión optimizado mediante un algoritmo genético, para posteriormente hacer uso de la categorización de las características que serán la referencia de la construcción de las matrices. Una vez entrenado, los resultados obtenidos por el modelo convolucional propuesto GTAAF superan ampliamente a los seis modelos del estado del arte contra los que se ha comparado, a lo largo de ocho poblaciones distintas, con características diferentes, de tres países distintos (España, Reino Unido y Australia). Así, el marco GTAAF llega a mejorar un 6.7% en la métrica F1-Score sobre el segundo mejor modelo para accidentes sin necesidad de asistencia y hasta un 13.8% de mejora en accidentes con necesidad de asistencia. Para comprobar la generalización y escalabilidad del modelo GTAAF, se diseñan una serie de pruebas de robustez en las que se eliminan las características de mayor y menor influencia de manera individual y posteriormente ambas conjuntamente, ofreciendo resultados que resaltan, aún más, la mejora respecto a los seis modelos comparativos del estado del arte. En conclusión, en esta tesis se presenta un modelo general para predecir la gravedad de los accidentes de tráfico y la necesidad o no de asistencia médica, con un potencial para ser aplicado a cualquier región del mundo.