La detección de condiciones del neurodesarrollo enfrenta una brecha persistente entre la demanda de evaluaciones y la capacidad diagnóstica del sistema. Las listas de espera prolongadas retrasan el acceso a intervenciones tempranas, con impacto a nivel individual y familiar. En este escenario, el desarrollo de herramientas basadas en la inteligencia artificial (IA) para el diagnóstico de cuadros del neurodesarrollo emerge como una vía para mejorar tiempos y ampliar cobertura. Tales tecnologías prometen captar patrones conductuales y fisiológicos difíciles de identificar en la práctica habitual. En la siguiente nota, analizaremos sus avances, límites y dilemas de implementación.

Del ojo entrenado a los biomarcadores digitales

El diagnóstico de trastornos del neurodesarrollo se apoya, tradicionalmente, en la historia evolutiva y la observación clínica directa, enfoque que permite integrar contexto, funcionamiento y variabilidad individual. Sin embargo, requiere tiempo, experiencia y disponibilidad profesional, factores que no siempre se encuentran garantizados. Es por ello que, pese a que los signos podrían detectarse antes de los tres años, muchas familias acceden tardíamente a evaluaciones formales.

En este contexto, en los últimos años ha comenzado a ganar relevancia el concepto de biomarcadores digitales. A diferencia de los marcadores biológicos clásicos, se derivan de patrones cuantificables de conducta y fisiología. La hipótesis central es que la captura sistemática de señales ayuda a los algoritmos a identificar regularidades útiles para el cribado temprano.

Evaluando posibles avances

El artículo de base presenta una síntesis narrativa del estado del arte de las tecnologías basadas en IA para la identificación precoz del autismo y otros trastornos del neurodesarrollo. Para ello, se analizan diversas modalidades, entre las que destacan las siguientes:

• El seguimiento ocular
• Análisis acústico del habla
• Clasificación de conductas mediante video
• Sensores y tecnología vestible
• Modelos basados en historias clínicas electrónicas
• Neuroimagen
• y aproximaciones moleculares o metabolómicas.

De esa manera, la idea es evaluar la precisión diagnóstica, la factibilidad clínica, la escalabilidad y los desafíos de implementación. En lugar de proponer una solución única, la revisión presenta un panorama comparativo que permite reconocer las fortalezas y los límites de cada enfoque.

Recursos emergentes para la detección temprana

La evidencia revisada muestra que diversas herramientas asistidas por IA logran identificar patrones conductuales y fisiológicos asociados al autismo con niveles de precisión comparables a métodos observacionales tradicionales. En particular, los dispositivos que cuantifican señales específicas logran acortar los tiempos de evaluación en ámbitos controlados.

Seguimiento ocular y análisis acústico del habla

Por su parte, las tecnologías de seguimiento ocular muestran una capacidad consistente para discriminar patrones de atención visual ante estímulos sociales. Su principal fortaleza es la estandarización del procedimiento, que permite obtener medidas objetivas en lapsos breves y con alta reproducibilidad. Los resultados indican un buen rendimiento diagnóstico en entornos controlados, especialmente en población preescolar.

El análisis acústico del habla también presenta hallazgos favorables. Los modelos que examinan variables como entonación, ritmo y prosodia logran diferenciar perfiles con buena precisión en tareas estructuradas. Además, su potencial de escalabilidad es elevado, dado que el audio es un insumo relativamente sencillo de capturar. No obstante, el desempeño varía según la edad, el nivel de lenguaje y la lengua, limitando su generalización sin ajustes específicos.

Señales digitales en la rutina diaria

El uso de video y sensores permite captar conductas en entornos naturales, incluso en el hogar, ampliando el alcance de las evaluaciones. Los resultados muestran que tales herramientas logran identificar patrones relevantes a partir de registros breves, facilitando el acceso en contextos con menor disponibilidad de especialistas.

Sin embargo, el rendimiento depende fuertemente de la calidad del dato. Factores como iluminación, encuadre, duración del registro y adherencia familiar influyen en la especificidad de los modelos. En algunos casos, la variabilidad se asocia con tasas más altas de sobreidentificación, lo que subraya la necesidad de calibración y validación en poblaciones diversas.

Modelos basados en registros reales e integración combinada

Los algoritmos construidos a partir de registros clínicos electrónicos funcionan como sistemas de alerta temprana en controles pediátricos. De esta manera, podrían identificar combinaciones de hitos del desarrollo y motivos de consulta asociados a mayor riesgo, contribuyendo a priorizar derivaciones.

Asimismo, la integración multimodal emerge como uno de los hallazgos más robustos. Combinar señales conductuales, fisiológicas y clínicas mejora la estabilidad de las estimaciones y reduce puntos ciegos presentes en modalidades aisladas.

Alcances del panorama revisado

Como es esperable, la evidencia también presenta limitaciones para su aplicación práctica. Los modelos de IA dependen en gran medida de la calidad y representatividad de los datos con los que se entrenan.

En ese sentido, cuando ciertos grupos están poco representados, pueden generarse sesgos y ampliarse desigualdades en la detección. Además, surgen desafíos relacionados con la privacidad y la gestión de los datos, especialmente por el uso de video, audio y registros longitudinales en población infantil.

Herramientas con criterio clínico

Para concluir, la evidencia disponible sugiere que las tecnologías asistidas por IA podrían contribuir a reducir demoras y aportar mayor objetividad en la identificación temprana del autismo y otros trastornos del neurodesarrollo. Su mayor potencial se observa cuando funcionan como apoyo a la toma de decisiones profesionales y no como sustituto de la valoración clínica.

Siguiendo esa línea, la posibilidad de transformar el acceso al diagnóstico dependerá de la capacidad de integrar estas herramientas en flujos clínicos realistas, con marcos regulatorios claros, protección de datos y formación profesional adecuada. Solo así las herramientas basadas en IA podrán consolidarse como un recurso sostenible para la detección temprana de trastornos del neurodesarrollo, y no como una promesa difícil de trasladar a la práctica.

Referencia bibliográfica

• Patel, R., Jerskey, B. A., Shannon, J., Soares, N. y Fogler, J. M. (2025). AI-Enabled Technologies and Biomarker Analysis for the Early Identification of Autism and Related Neurodevelopmental Disorders. Children, 12(12), 1670.
  https://doi.org/10.3390/children12121670