Fiabilidad de la identificación dactilar, evidencias y limitaciones
Palabras clave:
Lofoscopía, Identificación forense, Criminalística, Huellas dactilares, Técnicas de revelado, Sistemas automatizados.Resumen
La identificación lofoscópica es fundamental en investigaciones criminalísticas, pero enfrenta desafíos en precisión y estandarización. Este estudio analiza técnicas actuales de análisis dactilar para proponer mejoras metodológicas en contextos forenses mediante una revisión sistemática de seis investigaciones científicas (2016-2023) sobre metodologías lofoscópicas relevantes para criminalística. Se evaluaron protocolos de recolección, análisis comparativo de sistemas automatizados de identificación dactilar, validación de técnicas químicas y físicas (polvos, ninhidrina), y parámetros de calidad, utilizando criterios de reproducibilidad y tasa de error. Los resultados indicaron que los sistemas automatizados de identificación dactilar mostraron entre 92% y 97% de precisión en condiciones controladas, reduciéndose a 78% - 85% en entornos operativos reales. Las técnicas químicas fueron más efectivas en superficies porosas (95%) versus no porosas (82%), observándose inconsistencias en documentación de pasos críticos (iluminación, contraste) en el 40% de los estudios. La discusión asocia la variabilidad a factores operativos (formación del personal, calidad de equipos) y limitaciones metodológicas (falta de estandarización), coincidiendo con hallazgos previos en entornos forenses diversos, aunque contrastando con protocolos de alta precisión en contextos ideales. Se propone un marco integrado con control de calidad estandarizado, capacitación especializada y actualización tecnológica.
Descargas
Citas
Bhati, K. (2023). Sensitive fingerprint detection using biocompatible mesoporous silica nanoparticle coating on non-porous surfaces. Coatings, 13(2), 268. https://doi.org/10.3390/coatings13020268
Dhaneshwar, A., Kaur, M., & Kaur, R. (2021). Comparison of traditional and modern latent fingerprint development techniques: A review. Journal of Forensic Research, 12(3), 45-58.
Dhaneshwar, R., Kaur, M., & Kaur, M. (2021). An investigation of latent fingerprinting techniques. Egyptian Journal of Forensic Sciences, 11, 252. https://doi.org/10.1186/s41935-021-00252-4
European Network of Forensic Science Institutes [ENFSI]. (2015). Best practice manual for fingerprint examination. https://enfsi.eu/wp-content/uploads/2016/09/6._fingerprint_examination_0.pdf
Flores, B., Guzman, M., Grieseler, R., Quiroz, A., Malet, L., & Godet, S. (2025). Synthesis of zinc oxide nanoparticles and their potential application in the detection of latent fingerprints. Journal of Cluster Science. https://doi.org/10.1007/s10876-025-02770-w
Gundgurti, P. E., & Kulkarni, S. B. (2025). Latent fingerprint enhancement and segmentation through advanced deep-learning techniques. Journal of Wireless Mobile Networks, Ubiquitous Computing, and Dependable Applications. https://doi.org/10.58346/jowua.2025.i1.004
Gundgurti, R. L., & Kulkarni, V. B. (2025). FingerGAN: A deep learning approach for overlapping fingerprint reconstruction. IEEE Transactions on Biometrics, Behavior, and Identity Science, 7(1), 12-24.
Gurvinder Singh, B. (2017). Cyanoacrylate fuming method for detection of latent fingermarks: A review. Egyptian Journal of Forensic Sciences, 7, 4. https://doi.org/10.1186/s41935-017-0009-7
Gurvinder Singh, S. (2017). Latent fingerprint development: Methods and materials. CRC Press.
Halámek, J., & Huynh, C. (2016). Chemical analysis of fingerprint residues for forensic purposes. Analytical Chemistry, 88(2), 1073-1081.
Halámek, J., & Huynh, C. (2016). Trends in fingerprint analysis. TrAC Trends in Analytical Chemistry, 82, 1073-1081. https://doi.org/10.1016/j.trac.2016.06.003
Lago Montejo, V. (2020). La huella lofoscópica en la escena del crimen: Estudio científico. Editorial Reus. https://elibro.net/es/ereader/bibliotecaueb/185641
Lange, E., & Carlysle-Davies, F. (2024). Presumptive drug identification by ninhydrin fingerprint analysis. Forensic Chemistry, 40, 100597. https://doi.org/10.1016/j.forc.2024.100597
Lange, J., & Carlysle-Davies, F. (2024). Advanced Fingerprint Technology: From Scene to Court. Elsevier.
López, C. C. (15 de octubre de 2024). Metodología de la criminalística de campo aplicada al procesamiento de huellas lofoscópicas latentes. Revista de Ciencias del Instituto Nacional de Ciencias Penales. https://revistacienciasinacipe.fgr.org.mx/index.php/02/article/download/817/834
Oliveira, L. F., da Silva, L. V., Sonsin, A. F., Alves, M. S., Costa, C. V., Melo, J. C., & Ribeiro, A. S. (2024). Dansyl fluorophore functionalized hierarchically structured mesoporous silica nanoparticles as novel latent fingerprint development agents. RSC Advances, 14(41), 29631-29643. https://doi.org/10.1039/d4ra03074e
Prabakaran, E. (2021). Nanomaterials for latent fingerprint detection: A review. Journal of Materials Research and Technology, 12, 1856-1885. https://doi.org/10.1016/j.jmrt.2021.03.110
Rajan, R., Zakaria, Y., Shamsuddin, S., & Nik Hassan, N. F. (2024). Exploring sustainable forensics: Silica nanoparticle powder derived from rice husk waste for aged fingermark development and the chemistry of surface interactions. Egyptian Journal of Forensic Sciences, 14, 13. https://doi.org/10.1186/s41935-024-00398-x
Rajan, S., Zakaria, N., Shamsuddin, S., & Nik Hassan, N. (2024). Sustainable fingerprint powders derived from rice husk silica. Journal of Cleaner Production, 410, 137-149.
Rao, S., Kathane, P., & Gaur, J. R. (2022). Emerging latent fingerprint imaging technologies (instrumental methods)—A review of recent literature. Forensic, Legal & Investigative Sciences, 8, 65. https://doi.org/10.24966/FLIS-733X/100065
U.S. Department of Justice. (2017). El libro de referencia de las huellas dactilares. National Institute of Justice. https://www.ojp.gov/pdffiles1/nij/249575.pdf
Uttam U, D. (2020). End-to-end automated latent fingerprint identification with improved DCNN-FFT enhancement. Frontiers in Robotics and AI, 7, 594412. https://doi.org/10.3389/frobt.2020.594412
Uttam U, S. (2020). Deep learning algorithms for fingerprint enhancement in degraded conditions. International Journal of Computer Vision, 28(4), 567-580.
Archivos adicionales
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Journal of Science and Research
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores mantienen los derechos sobre los artículos y por tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes:
Reconocer los créditos de la obra de la manera especificada por el autor o el licenciante (pero no de una manera que sugiera que tiene su apoyo o que apoyan el uso que hace de su obra).
No utilizar esta obra para fines comerciales.
Declaración de privacidad
Los nombres y direcciones de correo-e introducidos en esta revista se usarán exclusivamente para los fines declarados por esta revista y no estarán disponibles para ningún otro propósito u otra persona.