Para muchas familias, el camino hacia una evaluación del autismo no es rápido ni sencillo. Los padres pueden notar diferencias en el desarrollo desde temprano, pero aun así enfrentarse a largas esperas, disponibilidad limitada de especialistas, altos costos e incertidumbre sobre a dónde acudir después.
Un artículo reciente de Penn Engineering destaca un esfuerzo de investigación destinado a reducir esas barreras. Investigadores de Penn Engineering y del Instituto Kennedy Krieger están desarrollando un sistema de inteligencia artificial que utiliza video común para evaluar la capacidad de un niño para imitar movimientos corporales sencillos. La tecnología se denomina Evaluación Computarizada de la Imitación Motora, o CAMI, y CAMI-2DNet es la versión más reciente del equipo.
El objetivo no es reemplazar a los clínicos ni diagnosticar el autismo por sí solo. En cambio, la investigación apunta a una forma más accesible de medir un importante marcador conductual que puede respaldar la evaluación del desarrollo, los flujos de trabajo clínicos y los estudios de investigación más amplios.
Un marcador conductual que puede ser difícil de medir de manera consistente
La imitación motora es una de las formas en que los niños aprenden de las personas que los rodean. Un niño puede saludar con la mano, aplaudir, copiar un gesto o imitar un movimiento juguetón. Estas acciones no son solo habilidades motoras. También forman parte de cómo los niños se relacionan socialmente.
Los investigadores han observado desde hace mucho tiempo que algunos niños con autismo imitan los movimientos de manera diferente a sus compañeros neurotípicos. Eso convierte a la imitación motora en un área de estudio útil durante las evaluaciones del desarrollo, pero medirla puede ser difícil.
“La imitación motora es un componente fundamental para el desarrollo social.”
— Stewart H. Mostofsky, director del Centro de Investigación Neurodesarrollamental y de Imágenes del Instituto Kennedy Krieger
La evaluación tradicional de la imitación motora puede depender de la observación de expertos, la calificación manual o sistemas especializados de captura de movimiento. Estos enfoques pueden ser valiosos, pero no siempre son fáciles de escalar. Pueden requerir personal capacitado, equipos costosos, condiciones de laboratorio de investigación o mucho tiempo para revisar el video.
Eso crea un problema práctico. Si un método de evaluación requiere demasiados recursos, puede estar menos disponible en escuelas, clínicas comunitarias, entornos rurales o entornos con menos recursos donde las familias ya enfrentan barreras para acceder a la atención.
El video común como punto de partida
CAMI-2DNet está diseñado para hacer que la evaluación de la imitación motora sea más práctica. Según el artículo de Penn Engineering, el sistema utiliza video de una cámara estándar. Un niño imita a un instructor que realiza movimientos sencillos, y la herramienta de IA rastrea el movimiento del niño, lo compara con el movimiento del instructor y genera una puntuación objetiva.
Ese cambio es importante porque elimina algunas de las limitaciones del análisis de movimiento tradicional. El sistema no requiere equipos especializados de captura de movimiento en 3D y reduce la necesidad de horas de revisión manual.
Los investigadores describen esto como un paso desde la prueba de concepto hacia una herramienta que eventualmente podría ser útil en entornos clínicos cotidianos. Trabajos anteriores ya habían demostrado que una Evaluación Computarizada de la Imitación Motora de un minuto podía distinguir a los niños autistas de sus compañeros neurotípicos con una tasa de verdaderos positivos del 80 % en un estudio clínico de 2025 con 183 niños. El mismo estudio encontró que CAMI podía diferenciar el autismo del TDAH con una tasa de verdaderos positivos del 70 %, una distinción importante porque ambas condiciones pueden coexistir y pueden ser difíciles de separar clínicamente.
CAMI-2DNet se basa en ese trabajo al hacer que el proceso dependa menos de equipos especializados y del preprocesamiento manual.
La visión por computadora se une a la evaluación del desarrollo
El desafío técnico es más complejo que simplemente grabar a un niño en video. El sistema necesita identificar posiciones clave de las articulaciones del cuerpo, seguir el movimiento a lo largo del tiempo y comparar el movimiento de un niño con el de un instructor.
También necesita evitar distraerse con factores que no deberían determinar la puntuación, como el ángulo de la cámara, la iluminación, el tamaño del cuerpo o las diferencias en el fondo. El autor principal, Kaleab Kinfu, describe el desafío como hacer que el sistema sea lo suficientemente robusto para entornos del mundo real, para que la IA preste atención a la calidad del movimiento en lugar de a condiciones de grabación irrelevantes.
Ese punto es importante para cualquier tecnología relacionada con el tamizaje. Una herramienta destinada a ampliar el acceso no puede funcionar solo en condiciones de laboratorio ideales. Necesita funcionar en diversos entornos, poblaciones, cámaras y ambientes.
El equipo de Penn Engineering informa que CAMI-2DNet funcionó tan bien como la sofisticada tecnología de captura de movimiento en 3D y igualó, o incluso superó, a los evaluadores humanos expertos. Esos hallazgos sugieren potencial, pero la validación continua en múltiples cohortes y sitios sigue siendo esencial.
Una herramienta para complementar, no reemplazar, el juicio clínico
El artículo de Penn Engineering deja claro que CAMI-2DNet no está diseñado para diagnosticar el autismo por sí solo. Esa distinción debe seguir siendo central en cualquier discusión sobre la IA y el tamizaje del desarrollo.
La evaluación del autismo es compleja. Implica antecedentes del desarrollo, información de los cuidadores, observación clínica, herramientas estandarizadas, patrones de comunicación, comportamiento social, diferencias sensoriales, condiciones coexistentes y juicio profesional. Una puntuación de imitación motora basada en video puede agregar información útil, pero no puede capturar el panorama clínico completo.
La promesa más realista es que las herramientas de IA pueden ayudar a hacer que una parte del proceso de evaluación sea más objetiva, consistente y accesible. Pueden respaldar a los clínicos, ayudar a los investigadores a rastrear cambios a lo largo del tiempo y reducir la carga de la calificación manual.
Ese es un papel significativo. También es limitado. El valor de la IA en este contexto depende de qué tan bien se integre en flujos de trabajo clínicos responsables.
El acceso es el problema central
La parte más sólida de esta investigación es su enfoque en el acceso. Las familias a menudo esperan meses o más para las evaluaciones del autismo. Esos retrasos pueden ser especialmente difíciles cuando los padres ya perciben que algo es diferente en el desarrollo de su hijo.
Un diagnóstico temprano puede abrir la puerta a intervenciones, servicios y apoyos que pueden mejorar los resultados a largo plazo. Pero el acceso a especialistas capacitados es desigual. Algunas familias viven lejos de centros especializados. Otras enfrentan barreras de costo, horarios, transporte, seguro o idioma.
Una herramienta que utilice video común podría ayudar a reducir algunas de esas barreras si se valida e implementa de manera responsable. Podría respaldar a clínicas que no tienen laboratorios especializados de captura de movimiento. Podría ayudar a las escuelas o entornos comunitarios a recopilar información útil sobre el desarrollo. Podría permitir a los investigadores estudiar poblaciones más grandes y diversas.
Eso no significa que la IA por sí sola resuelva el problema del acceso. La tecnología aún necesita interpretación capacitada, protecciones de privacidad, despliegue equitativo y una vía clara para el seguimiento. Pero una herramienta con menos barreras puede ayudar a que más niños den el siguiente paso antes.
La cuestión de la equidad
Cualquier tecnología destinada a ampliar el acceso al tamizaje también debe ser probada en términos de equidad. Los sistemas de IA pueden funcionar de manera diferente en distintas poblaciones si los datos utilizados para desarrollarlos no son lo suficientemente diversos. La calidad de la cámara, la iluminación, el entorno físico, la ropa, las diferencias de movilidad y la variación cultural en el movimiento o la interacción podrían afectar el rendimiento.
El artículo de Penn Engineering señala que el equipo está trabajando para ampliar la evaluación en múltiples cohortes, sitios clínicos y tipos de movimiento. Ese es exactamente el tipo de trabajo necesario antes de que una herramienta como CAMI-2DNet pueda adoptarse ampliamente.
Para los clínicos y los sistemas de salud, la pregunta no debería ser solo si la herramienta funciona bien en un estudio. También debería ser si funciona de manera consistente en los niños con mayor probabilidad de experimentar una evaluación tardía hoy en día.
La tecnología de tamizaje equitativa debe ser precisa, accesible, explicable y estar conectada a la atención. De lo contrario, corre el riesgo de crear otra capa de evaluación sin resolver el problema subyacente del acceso.
Qué significa esto para las escuelas y los entornos comunitarios
Las escuelas suelen ser los lugares donde las diferencias del desarrollo se hacen visibles por primera vez fuera del hogar. Los maestros pueden notar diferencias en la imitación, la coordinación motora, la participación social, la comunicación o la interacción con sus compañeros. Los equipos escolares también pueden ser los primeros en animar a las familias a buscar una evaluación.
Una herramienta basada en video como CAMI-2DNet eventualmente podría ser útil en entornos donde el acceso a especialistas es limitado, siempre que se valide para esos ambientes. Podría ayudar a recopilar información objetiva que respalde remisiones, investigaciones o monitoreos.
Aun así, las escuelas y los programas comunitarios necesitarían límites claros. Una herramienta de apoyo para el tamizaje no debería etiquetar a un niño sin una evaluación completa. Los resultados tendrían que comunicarse cuidadosamente, con respeto a las familias y sin crear una alarma innecesaria.
El caso de uso más sólido puede ser como parte de un proceso más amplio: observación, apoyo para el tamizaje, remisión, evaluación clínica y acceso a servicios cuando sea necesario.
Un cambio más amplio en la IA de la atención médica
CAMI-2DNet es parte de un movimiento más amplio hacia el uso de la IA para hacer que las evaluaciones especializadas sean más escalables. En este caso, la visión por computadora avanzada se está aplicando a un cuello de botella clínico real: la dificultad de medir el comportamiento de manera objetiva y eficiente.
Ese cambio puede ser valioso cuando la tecnología se utiliza cuidadosamente. La IA puede ayudar a procesar datos de movimiento complejos rápidamente. Puede reducir la carga de la calificación manual. Puede crear mediciones estandarizadas que pueden ser útiles para la investigación y el seguimiento longitudinal.
Pero la IA no debe tratarse como neutral simplemente porque está automatizada. Sus resultados dependen de los datos, las decisiones de diseño, el proceso de validación y el contexto clínico detrás de ella. El papel de los investigadores y clínicos es asegurarse de que esas herramientas mejoren la atención en lugar de simplificarla en exceso.
Un paso práctico hacia una evaluación más accesible
La promesa de CAMI-2DNet no es que convierta un video común en un diagnóstico completo de autismo. Su promesa es más práctica: puede ayudar a medir un comportamiento del desarrollo significativo de una manera más rápida, objetiva y escalable.
Eso sigue siendo importante. Para las familias que esperan respuestas, cualquier herramienta responsable que ayude a mejorar el acceso, reducir los retrasos o respaldar mejores remisiones merece atención.
La siguiente etapa determinará hasta dónde puede llegar la tecnología. La validación continua en sitios, poblaciones y tipos de movimiento será esencial. También lo será una integración cuidadosa en los flujos de trabajo clínicos y educativos.
Por ahora, CAMI-2DNet ofrece un vistazo de cómo la IA puede respaldar la atención del desarrollo cuando se enfoca en un problema real: hacer que una evaluación de alta calidad sea más fácil de alcanzar.
