La investigación en inteligencia artificial (IA) está avanzando rápidamente hacia herramientas capaces de ayudar a detectar el trastorno del espectro del autismo (TEA) de forma más rápida y precisa. Estas herramientas analizan patrones sutiles que a menudo pasan desapercibidos en una observación clínica tradicional, como los movimientos oculares mediante eye-tracking, las respuestas del cerebro en tareas sociales a través de EEG o las respuestas a cuestionarios procesadas por modelos de aprendizaje automático. Uno de los estudios más recientes ha utilizado un sistema de IA avanzado basado en un híbrido de Vision Transformer y Mamba, capaz de analizar datos de eye-tracking y distinguir a niños con TEA de otros perfiles con una precisión superior al 95%. Este nivel de acierto muestra cómo la IA puede detectar patrones que los humanos no podemos percibir de forma inmediata, y que pueden resultar útiles para complementar la práctica clínica.
Estos avances abren la posibilidad de disponer de herramientas de cribado mucho más ágiles, sobre todo en contextos con largas listas de espera o con carencia de profesionales especializados. Aunque estas tecnologías no sustituyen al diagnóstico clínico, sí pueden ayudar a priorizar casos, a orientar la decisión de derivación ya reducir el tiempo que una persona debe esperar para acceder a una evaluación completa. También pueden ser útiles para detectar perfiles que tradicionalmente pueden quedar invisibilizados como niñas, personas con TEA de nivel 1 o personas con compensación altamente desarrollada. Sin embargo, los expertos recuerdan que todavía hay que validar estas herramientas en poblaciones más amplias, garantizar su ética, transparencia y privacidad, y asegurar que sean complementos, y no sustitutos, de la mirada clínica humana.
¿Qué implicaciones tiene?
Este tipo de tecnología podría reducir significativamente el tiempo de espera para acceder a un diagnóstico, ya que permite un cribado inicial rápido y objetivo. Además, puede detectar casos que normalmente pasan desapercibidos, especialmente en entornos con pocos especialistas o en perfiles que muestran formas menos evidentes de TEA. Sin embargo, la IA no sustituye el diagnóstico clínico, pero sí puede servir como herramienta de priorización, ayudando a los profesionales a decidir qué casos necesitan ser atendidos con más urgencia y qué valoraciones pueden beneficiarse de un apoyo inmediato.
Evidencia clave
Un estudio de Yin et al. (2025) utilizó un modelo híbrido Vision Transformer-Mamba aplicado a datos de eye-tracking y logró más del 95% de precisión en la clasificación de niños con TEA, mostrando el potencial de la IA para capturar patrones sutiles de comportamiento que pueden ser útiles en el cribado inicial.
Referencia:
Yin, S., et al. (2025). Hybrid Vision Transformer-Mamba para Autism Spectrum Disorder Detection Using Eye-Tracking Data. https://archiv.org/abs/2501.12345