Modelos de machine learning mejoran la detección temprana del autismo en niños

Una revisión sistemática publicada en la revista Cureus examina el potencial de los modelos de aprendizaje automático para la detección temprana del trastorno del espectro autista (TEA) en población pediátrica. El estudio combina enfoques de ingeniería y medicina para evaluar el estado actual de estas herramientas diagnósticas.

Los investigadores analizaron múltiples algoritmos de machine learning entrenados con datos clínicos, conductuales y neurológicos de niños, con el objetivo de identificar patrones asociados al TEA antes de que el diagnóstico convencional sea posible. La detección temprana es clave para mejorar los resultados terapéuticos en pacientes.

El trabajo destaca que varios modelos lograron niveles de precisión diagnóstica comparables a los métodos clínicos tradicionales, aunque señala desafíos persistentes como la falta de conjuntos de datos estandarizados, la diversidad de presentaciones del trastorno y las limitaciones en la generalización de los resultados entre distintas poblaciones.

Los autores concluyen que la integración de inteligencia artificial en el proceso diagnóstico del TEA es prometedora, pero requiere mayor colaboración interdisciplinaria entre pediatras, neurocientíficos e ingenieros, además de marcos éticos sólidos que garanticen la equidad y la transparencia de los sistemas.