IA - Autismo Diario

Inteligencia artificial, videojuegos y el futuro del diagnóstico neuropsicológico Un estudio propone usar una imagen del fondo de ojo para detectar TDAH con IA. Otro usa un videojuego para diagnosticar autismo. ¿Revolución diagnóstica en marcha? Una nueva mirada al diagnóstico del TDAH El Trastorno por Déficit de Atención e Hiperactividad (TDAH) es una condición del neurodesarrollo que afecta la concentración, la autorregulación y la impulsividad. Su diagnóstico, tradicionalmente basado en entrevistas clínicas, cuestionarios y observación conductual, puede ser lento, costoso y subjetivo. Pero ¿y si bastara con una simple imagen del ojo? Un grupo de investigadores surcoreanos ha explorado esta posibilidad. En un estudio publicado en npj Digital Medicine (Nature, 2025), demostraron que una fotografía del fondo de ojo, analizada mediante algoritmos de inteligencia artificial, puede detectar TDAH con alta precisión. ¿Qué revela el fondo de ojo sobre el TDAH? La retina, más que una simple estructura ocular, es en realidad una extensión del cerebro. Comparte origen embrionario con el sistema nervioso central y puede reflejar procesos alterados como la neurotransmisión dopaminérgica y el flujo cerebral, implicados en el TDAH. En el estudio, se analizaron más de 1.100 imágenes retinianas de niños y adolescentes con y sin diagnóstico. Algoritmos de aprendizaje automático como XGBoost detectaron patrones sutiles en los vasos sanguíneos y el disco óptico, alcanzando una precisión de entre 95% y 97%. Inteligencia artificial que ve lo que el ojo no ve El modelo más eficaz logró: Sensibilidad del 91,6%: detecta correctamente a niños con TDAH. Especificidad del 92%: descarta falsos positivos. Alto rendimiento en predecir déficits de atención visual (AUROC > 85%). El estudio no se detuvo en el diagnóstico. También evaluó si las imágenes del ojo podían predecir déficits en funciones ejecutivas, como la atención visual. Los modelos lograron identificar a los niños con mayores dificultades atencionales con una precisión notable (AUROC > 85%). Curiosamente, los resultados fueron mucho menos precisos en tareas de atención auditiva, lo que sugiere que este método es especialmente sensible a procesos visuales. Esto tiene sentido si consideramos que el ojo es, precisamente, el órgano donde se enfocó la medición. Ventajas de esta técnica de diagnóstico No invasiva: solo requiere una fotografía del ojo. Objetiva y rápida: ideal para cribados escolares o comunitarios. Bajo coste: potencialmente accesible en centros de salud primarios. Complementaria: puede reforzar el diagnóstico clínico sin sustituirlo. Comparación crítica con el diagnóstico tradicional Aspecto Método Retiniano con IA Diagnóstico Clínico Tradicional Objetividad Alta (datos cuantificables) Variable (depende del evaluador) Duración Minutos Horas (entrevistas, test, observación) Evaluación del contexto Inexistente Alta (considera entorno y evolución) Accesibilidad Limitada (requiere equipamiento) Variable (según país y recursos) Generalización actual Baja (solo Corea del Sur) Alta (aplicada globalmente) En síntesis: Es una herramienta de cribado poderosa, pero no sustituye la evaluación integral realizada por especialistas. Fiabilidad estadística frente a validez clínica Alta precisión estadística: El sistema basado en imágenes del fondo de ojo logró valores de AUROC superiores al 95%, con alta sensibilidad y especificidad. Eso indica una gran capacidad para distinguir entre casos con y sin TDAH en esa muestra específica. Validez limitada en contextos clínicos reales: A pesar de esos resultados, el modelo aún no ha sido validado en diversas poblaciones, idiomas, culturas ni entornos clínicos. El diagnóstico del TDAH es multifactorial, y este método no capta componentes como historia de vida, contexto familiar o comorbilidades, que sí se consideran en una evaluación clínica tradicional. Complementariedad, no reemplazo Este sistema no pretende reemplazar las entrevistas clínicas ni los cuestionarios diagnósticos. Su rol ideal sería como herramienta de cribado objetiva o de apoyo, especialmente útil en lugares con pocos especialistas. El modelo tampoco evalúa la intensidad, la evolución temporal ni la interferencia funcional de los síntomas, que son fundamentales en los criterios del DSM-5 o la CIE-11. Limitaciones actuales del estudio Población restringida: Solo participaron niños y adolescentes de Corea del Sur. No se sabe cómo respondería el modelo ante adultos, otras etnias o personas con comorbilidades como ansiedad, TEA o dislexia. Riesgo de sobreajuste: Aunque los modelos de ML usados son robustos, sin replicación externa podrían haber capturado patrones específicos de esa muestra más que generalizables a toda la población. Este nuevo método no reemplaza la evaluación clínica, pero sí tiene potencial para complementarla. Sería ideal como herramienta de cribado en centros escolares o zonas con pocos recursos. Aun así, faltan estudios que validen su uso en adultos, otras culturas, y personas con condiciones comórbidas. ¿Y el autismo? ¿Puede el ojo también ser un biomarcador? Aunque el estudio se enfoca en TDAH, existe un interés creciente por aplicar esta técnica al autismo. Algunos estudios preliminares han detectado diferencias en el grosor retiniano, la vasculatura y respuestas atípicas en electroretinogramas en personas con TEA. Sin embargo: La evidencia actual es limitada y no replicada. El espectro autista es clínicamente muy diverso. La retina podría ser un biomarcador exploratorio, pero aún no es fiable para diagnóstico clínico. ¿Qué haría falta para aplicarlo al autismo? Para que un enfoque basado en imágenes del ojo sea útil en el autismo, se necesitaría: Recolectar grandes bases de datos de imágenes retinianas de personas con TEA y neurotípicas. Entrenar modelos de IA específicos para el perfil de autismo, que es más diverso que el del TDAH. Validar su utilidad en diferentes subgrupos (por ejemplo, autismo sin discapacidad intelectual, autismo femenino, etc.). La IA ya ha demostrado utilidad en la detección de autismo mediante el análisis de rasgos faciales, y su papel en el desarrollo de pruebas diagnósticas es cada vez mayor. Cada día el uso de la inteligencia artificial está siendo más determinante a la hora de entrenar a sistemas de prueba diagnóstica de base clínica. Pero recientemente publicamos el artículo “Diagnóstico de Autismo y TDAH en un minuto con un videojuego” donde también se usaba una IA como sistema diagnóstico, así que, hemos comparado ambos sistemas y este es el resultado. CAMI: un videojuego que diferencia autismo y TDAH en un minuto Otro enfoque innovador es CAMI (Computerised Assessment of Motor Imitation). Utiliza un videojuego que, en un minuto, mide la capacidad de imitación motora para identificar señales de autismo o TDAH. Resultados clave: 80% de precisión en la detección de autismo. 70% de efectividad en diferenciar autismo de TDAH. Evalúa funciones motoras como proxy de habilidades sociales. Comparativa entre métodos: fondo de ojo vs videojuego CAMI Característica Fondo de ojo con IA CAMI (videojuego) Condición principal TDAH Autismo y TDAH Tipo de dato Estructural (imagen retiniana) Funcional (imitación motora) Duración de la prueba Pocos minutos 1 minuto Tecnología necesaria Cámara retiniana + IA Sensor de movimiento + software Aplicabilidad en autismo Potencial exploratorio Validado preliminarmente Diagnóstico diferencial Bajo Alto (distingue TEA de TDAH) Sinergia: unir lo visual, lo motor y lo clínico Ambos métodos comparten puntos fuertes: Son rápidos, objetivos y no invasivos. Aportan información complementaria: uno sobre la arquitectura cerebral, otro sobre funciones sociales-motoras. Pueden mejorar el cribado en escuelas y centros de atención primaria. La combinación de estas herramientas con entrevistas clínicas y observación podría aumentar la precisión diagnóstica y acelerar las intervenciones tempranas. ¿Y si combinamos todo esto? La gran promesa de estos avances es la integración multimodal: combinar datos visuales (retina), motores (videojuego), conductuales y clínicos para obtener un diagnóstico más rápido y certero. Así como el diagnóstico del autismo y el TDAH no se puede reducir a un solo síntoma, tampoco debería depender de una sola prueba. La tecnología puede y debe ser una aliada, pero no un reemplazo de la mirada clínica humana. Consideraciones éticas Si bien estas tecnologías abren nuevas posibilidades, también plantean desafíos: ¿Quién controla y almacena los datos biométricos? ¿Cómo prevenir sesgos algorítmicos en IA entrenadas en muestras poco diversas? ¿Cómo garantizar que no se use esta tecnología como sustituto prematuro del juicio clínico? Es crucial acompañar la innovación tecnológica con marcos éticos, inclusivos y clínicamente responsables. Conclusión: una nueva era diagnóstica Estamos ante una transformación en el diagnóstico del TDAH y el autismo. Desde una fotografía del ojo hasta un videojuego de un minuto, la inteligencia artificial está ampliando nuestras herramientas para comprender la neurodiversidad. El futuro no será unívoco, sino convergente, digital y personalizado. Y aunque ninguna tecnología sustituye la mirada clínica humana, puede sin duda afinarla, complementarla y democratizar su acceso. Bibliografía: Choi, H., Hong, J., Kang, H.G. et al. (2025). Retinal fundus imaging as biomarker for ADHD using machine learning for screening and visual attention stratification. npj Digital Medicine, 8, 164. https://doi.org/10.1038/s41746-025-01547-9 Pacheci, C., Crocetti, D., Vidal, R., Mostofsky, S.H., Tuncgenc, B., & Santra, R. (2025). Computerised Assessment of Motor Imitation (CAMI) Identifies Autism-Specific Difficulties Not Observed in ADHD or Neurotypical Development. PsyArXiv. https://doi.org/10.31234/osf.io/4vcd7