LEAN EDUCATION PR

14/junio/2026

LEAN EDUCATION

La inteligencia artificial en autismo se está investigando principalmente en cinco áreas: detección temprana, diagnóstico asistido, intervención terapéutica, educación personalizada y comunicación asistiva. La evidencia reciente muestra un potencial importante, pero también advierte que la IA todavía no debe sustituir el juicio clínico, la evaluación interdisciplinaria ni la participación de la persona autista y su familia.

1. IA para detección temprana y diagnóstico

Una de las áreas más fuertes es el uso de machine learning para identificar patrones asociados al autismo. Por ejemplo, un estudio en JAMA Network Open utilizó datos de 30,660 participantes y encontró que un modelo de IA basado en solo 28 variables médicas y de desarrollo temprano logró buen desempeño predictivo; el modelo XGBoost alcanzó un AUROC de 0.895, sensibilidad de 0.805 y especificidad de 0.829. Los predictores más importantes fueron hitos del desarrollo y conducta alimentaria.  

Esto sugiere que la IA podría ayudar a identificar niños con mayor probabilidad de autismo antes de una evaluación formal. Sin embargo, el mismo estudio aclara que estos modelos están en una etapa de validación y deben utilizarse como apoyo, no como diagnóstico definitivo.  

2. IA, biomarcadores y análisis del movimiento

Otra línea de investigación analiza patrones motores, mirada, gestos y movimientos corporales. Una revisión sistemática de 2024 encontró que los modelos de machine learning aplicados al análisis del movimiento pueden clasificar patrones asociados al autismo con una precisión comparable a herramientas clínicas tradicionales, aunque todavía existen retos metodológicos, falta de estandarización y necesidad de validación en contextos reales.  

Esto es relevante porque muchas señales motoras y sensoriales aparecen temprano, incluso antes de que el lenguaje o la interacción social sean plenamente evaluables. Aun así, estos modelos pueden verse afectados por sesgos en las muestras, diferencias culturales, diversidad motora y condiciones coexistentes.

3. IA en intervención terapéutica

La IA también se está usando en robots sociales, aplicaciones adaptativas, realidad aumentada, sistemas de monitoreo y herramientas de entrenamiento social. Revisiones recientes indican que algunas intervenciones basadas en IA pueden mejorar habilidades sociales y comunicativas específicas, especialmente cuando permiten personalización, repetición estructurada y retroalimentación inmediata.  

Sin embargo, debe evitarse una visión reduccionista: no toda intervención tecnológica es neuroafirmativa. Algunas herramientas se enfocan demasiado en “corregir” conductas autistas en vez de mejorar calidad de vida, autonomía, comunicación funcional o bienestar emocional. El proyecto AIRA advierte que muchas investigaciones excluyen la voz de personas autistas y pueden reforzar estereotipos si no se diseñan con participación comunitaria.  

4. IA en educación especial

En educación, la IA puede apoyar la personalización de materiales, análisis del progreso, comunicación aumentativa, apoyos visuales, adaptación de tareas y predicción de necesidades de apoyo. Una revisión sobre intervenciones educativas con IA en estudiantes autistas encontró que la investigación se concentra en herramientas para destrezas sociales, comunicación, aprendizaje individualizado y tecnologías asistivas.  

Para que sea útil, la IA debe integrarse como apoyo al maestro y al terapeuta, no como sustituto. Su uso debe responder al perfil individual del estudiante: comunicación, intereses, necesidades sensoriales, nivel de autonomía, lenguaje, regulación emocional y contexto familiar.

5. IA generativa y autismo

La IA generativa, como los modelos conversacionales, se está explorando para crear historias sociales, guiones visuales, apoyos de comunicación, materiales educativos y simulaciones de situaciones cotidianas. Una revisión de 2025 sobre IA generativa en autismo señala potencial para evaluación, intervención y apoyo clínico, pero enfatiza retos éticos: privacidad, sesgos, explicabilidad, seguridad, validación clínica y riesgo de dependencia tecnológica.  

Esto significa que herramientas como ChatGPT pueden ser útiles para preparar materiales, pero no deben reemplazar evaluación clínica, terapia, consentimiento informado ni supervisión profesional.

6. Riesgos éticos principales

Los riesgos más importantes son:

La privacidad de datos, porque muchos modelos utilizan información sensible de niños, familias, videos, voz, conducta, historial médico o datos escolares.

El sesgo algorítmico, porque si los modelos se entrenan con muestras poco diversas, pueden fallar en niñas, mujeres, personas no hablantes, personas con discapacidad intelectual, comunidades latinas o contextos de bajos recursos.

La medicalización excesiva, porque algunas herramientas presentan el autismo como algo que debe detectarse para “normalizar” o “corregir”, en lugar de promover apoyos, derechos y calidad de vida.

La exclusión de personas autistas en el diseño de la tecnología. AIRA recomienda pasar de investigación “sobre autismo” a investigación “para y con personas autistas”, incorporándolas como co-creadoras y evaluadoras de las herramientas.  

La IA tiene un valor real en autismo, especialmente para acelerar procesos, detectar patrones difíciles de observar y personalizar apoyos. Pero su utilidad depende de tres condiciones: calidad de los datos, validación científica y enfoque ético-neuroafirmativo.

El mayor riesgo es que la IA se use para hacer más eficiente un modelo viejo: identificar, clasificar y corregir conductas autistas. El verdadero potencial está en usarla para diseñar apoyos más humanos: comunicación accesible, autonomía, participación social, educación individualizada, salud mental y calidad de vida.

La evidencia científica entre el  2020 y 2026 muestra que la inteligencia artificial puede transformar la detección, evaluación e intervención en autismo. No obstante, todavía debe verse como una herramienta complementaria. La IA más responsable no es la que intenta hacer que la persona autista parezca neurotípica, sino la que ayuda a comprender mejor sus necesidades, fortalecer su comunicación, adaptar los entornos y ampliar sus oportunidades reales.

Referencias

Cavus, N., Sani, A. S., Haruna, Y., & Lawan, A. A. (2021). A systematic literature review on the application of machine-learning models in behavioral assessment of autism spectrum disorder. Journal of Personalized Medicine, 11(4), 299. https://doi.org/10.3390/jpm11040299

European Council of Autistic People. (2025). Artificial intelligence and the rights of autistic people: Literature overview. EUCAP. https://eucap.eu/wp-content/uploads/2025/03/EUCAP_AIRA-Literature-overview.pdf

Kotsi, S., Argyriou, I., Drigas, A., & Karagiannidis, C. (2025). A review of artificial intelligence interventions for students with autism spectrum disorder. Computers, 5(1), 7. https://doi.org/10.3390/computers5010007

Rajagopalan, S. S., et al. (2024). Machine learning prediction of autism spectrum disorder from a minimal set of medical and background information. JAMA Network Open, 7(8), e2429229. https://doi.org/10.1001/jamanetworkopen.2024.29229

Simeoli, R., et al. (2024). Using machine learning for motion analysis to early detect autism spectrum disorder: A systematic review. Review Journal of Autism and Developmental Disorders. https://doi.org/10.1007/s40489-024-00435-4

Sohn, J. S., et al. (2025). Implementation of generative AI for the assessment and intervention of autism spectrum disorder: A narrative review. Journal of Medical Internet Research. https://doi.org/10.2196/63939

Tsapanou, A., et al. (2025). Application of artificial intelligence tools for social and communication skills in children with autism spectrum disorder: A systematic review. Brain Sciences, 16(1), 56. https://doi.org/10.3390/brainsci16010056