La otitis media aguda y la otitis media crónica representan dos de las patologías otológicas de mayor prevalencia e impacto en la salud pública mundial, afectando de manera significativa tanto a la población pediátrica como a la adulta. El diagnóstico diferencial tradicional, fundamentado en la otoscopia convencional, presenta limitaciones inherentes sustanciales, dependiendo en gran medida de la experiencia clínica del examinador y mostrando una elevada variabilidad entre distintos observadores. Ante este desafío clínico, los sistemas de inteligencia artificial, y específicamente las redes neuronales convolucionales, han emergido como una solución tecnológica disruptiva para el análisis automatizado y preciso de imágenes médicas. El presente estudio multicéntrico desarrolla, valida e implementa un modelo de aprendizaje profundo basado en la arquitectura EfficientNet-B3, utilizando técnicas de transferencia de aprendizaje para clasificar automáticamente imágenes otoscópicas en tres categorías clínicas fundamentales: oído normal, otitis media aguda y otitis media crónica (incluyendo variantes supurativas y no supurativas). Se conformó un conjunto de datos robusto de 12.564 imágenes otoscópicas, validadas mediante un riguroso consenso de expertos. El modelo propuesto alcanzó una exactitud global del 94,8 %, con una sensibilidad del 93,1 % para la patología aguda y 95,6 % para la crónica, y una especificidad del 96,2 %. El área bajo la curva de características operativas del receptor reportó valores de 0,987, 0,979 y 0,992 para normalidad, enfermedad aguda y enfermedad crónica, respectivamente. Estos resultados, superiores al rendimiento promedio de médicos generales y residentes, sugieren que los algoritmos computacionales pueden fungir como herramientas de apoyo diagnóstico de alta precisión, optimizando la toma de decisiones clínicas en entornos de atención primaria y telemedicina.