En la actualidad, la detección precoz y precisa del Trastorno del Espectro Autista (TEA) resulta esencial para una intervención eficaz. Sin embargo, las herramientas tradicionales para su evaluación, como las entrevistas y observaciones in situ, suelen ser costosas y demandan mucho tiempo. En dicho contexto, la inteligencia artificial (IA) ha emergido como una tecnología prometedora para automatizar y mejorar la precisión del diagnóstico de autismo. En esta nota, se analiza un estudio reciente que explora el uso de sistemas automáticos para identificar características relacionadas con el trastorno.

¿Qué se sabía hasta ahora?

Hasta el momento, las investigaciones indicaban que los métodos tradicionales de diagnóstico del TEA, también llamado autismo, presentaban ciertas limitaciones pese a su efectividad, sobre todo en términos de accesibilidad y tiempo.

Por su parte, los sistemas computacionales, como los basados en reconocimiento facial y análisis de patrones de comportamiento, han mostrado potencial para superar tales barreras. No obstante, la precisión de tales dispositivos variaba significativamente según el enfoque y los datos utilizados.

IA como herramienta diagnóstica

En ese sentido, la IA ha comenzado a explorarse como una posible herramienta de apoyo para la identificación del autismo. Lo dicho se debe a que permite procesar grandes volúmenes de información y detectar patrones complejos.

Diversos enfoques, como los algoritmos de aprendizaje automático (machine learning, ML, en inglés) y aprendizaje profundo (deep learning, DL, en inglés), se han aplicado a distintas fuentes de información. Dichas aproximaciones buscan determinar si es posible captar indicadores relevantes vinculados al trastorno, abriendo interrogantes sobre su utilidad en contextos clínicos.

¿Cómo se llevó a cabo la investigación?

El diseño de la investigación consistió en una revisión sistemática de la literatura. Para ello, el autor llevó a cabo una búsqueda exhaustiva de artículos publicados entre 2017 y 2024 en diversas bases de datos. La muestra de revisión incluyó estudios que aplicaban técnicas de IA para el diagnóstico de autismo y reportaban resultados experimentales. Los criterios de inclusión abarcaron artículos revisados por pares, publicados en inglés, y que proporcionaban detalles metodológicos suficientes.

En cuanto a las herramientas utilizadas, el trabajo revisó una amplia variedad de técnicas. Por ejemplo, las máquinas de vectores de soporte (support vector machines, SVM, en inglés), redes neuronales convolucionales (convolutional neural networks, CNN, en inglés) y redes neuronales profundas (deep neural networks, DNN, en inglés). Las mismas son aplicadas a registros de neuroimagen, señales EEG, seguimiento ocular, reconocimiento facial y análisis de movimiento corporal. El objetivo principal fue evaluar la eficacia de estas metodologías en el diagnóstico automático del TEA, identificando las más prometedoras y señalando áreas para futuras investigaciones.

Hallazgos claves de la revisión

En primer lugar, se destacó la capacidad de la IA para identificar marcadores específicos asociados al autismo. Los algoritmos de ML y DL, en particular, demostraron ser herramientas valiosas para analizar registros de imágenes, señales EEG, patrones de movimiento ocular y otras fuentes de información, como ya se mencionó.

Además, la combinación de múltiples modalidades de información y la integración de técnicas avanzadas de procesamiento permitieron mejorar la precisión y la robustez de los sistemas automáticos de diagnóstico. Por consiguiente, el estudio resalta la importancia de utilizar enfoques multimodales que integren diferentes tipos de datos para obtener una evaluación más completa y clara.

Precisión y desempeño de los modelos

En línea con lo señalado previamente, se encontró que los modelos basados en IA alcanzaron niveles de exactitud comparables, incluso superiores, a los métodos tradicionales. Por ejemplo, algunos sistemas de reconocimiento facial y análisis de patrones de comportamiento lograron precisiones superiores al 90 %.

En cuanto al desempeño, los modelos mostraron ser capaces de procesar grandes volúmenes de evidencia de manera eficiente, permitiendo efectuar evaluaciones rápidas y escalables. Sin embargo, se señaló que es posible que el rendimiento de estos modelos se vea afectado por la calidad y diversidad del corpus utilizado para su entrenamiento. Por tanto, es importante disponer de conjuntos de datos representativos para mejorar la precisión y el desempeño de los sistemas automáticos de diagnóstico en el TEA.

Patrones conductuales identificados

Asimismo, el estudio identificó varios patrones conductuales y comunicativos asociados al autismo capaces de ser detectados mediante IA. Entre ellos, se destacaron las diferencias en la expresión facial, la prosodia del habla, la coordinación motora y la interacción social.

Por ejemplo, los modelos de análisis facial han sido capaces de detectar anomalías en la expresión emocional, mientras que el análisis de patrones de comportamiento ha permitido identificar dificultades en la interacción social y la comunicación no verbal. Asimismo, los sistemas basados en señales EEG y movimientos oculares han detectado alteraciones en la atención y la percepción sensorial, que son características comunes en individuos con TEA.

Desafíos para mejorar los sistemas

Ahora bien, más allá de los aportes mencionados, es necesario atender algunos desafíos que condicionan su aplicación práctica. En primer lugar, la disponibilidad de datos de alta calidad y representativos sigue siendo un desafío importante para entrenar modelos de IA precisos y robustos. Además, la variabilidad en las manifestaciones del TEA entre individuos y grupos demográficos dificulta la creación de modelos universales de diagnóstico automático.

Por otro lado, la integración de múltiples modalidades de registros en un único sistema de evaluación plantea retos técnicos y computacionales significativos. Asimismo, la necesidad de garantizar la privacidad y la seguridad de los datos es una preocupación creciente. Por último, la aceptación y adopción de estas tecnologías por parte de los profesionales de la salud y las familias de los pacientes con autismo también representa un desafío importante para su implementación generalizada.

Hacia nuevas fronteras

La revisión ofrece una visión exhaustiva de las metodologías empleadas en el diagnóstico automático del TEA, destacando la capacidad de la IA para procesar grandes volúmenes de datos y aprender patrones complejos asociados al autismo. Precisamente, los hallazgos subrayan la importancia de utilizar enfoques multimodales que integren diferentes tipos de registros para obtener una evaluación más completa y precisa.

A pesar de las limitaciones identificadas, como la necesidad de volúmenes de información de alta calidad y la variabilidad en la precisión de los sistemas según los datos utilizados, el estudio concluye que la IA tiene el potencial de transformar el diagnóstico del TEA. En este sentido, se recomienda continuar investigando y desarrollando dichas tecnologías para mejorar su precisión, accesibilidad y aplicabilidad en entornos clínicos y terapéuticos.

Referencia bibliográfica

• Rezaee, K. (2025). Machine learning in automated diagnosis of autism spectrum disorder: A comprehensive review. Computer Science Review, 56, 100730. https://doi.org/10.1016/j.cosrev.2025.100730