Para muchas familias, el camino hacia una evaluación del autismo no es rápido ni sencillo. Los padres pueden notar diferencias en el desarrollo a una edad temprana, pero aun así enfrentan largas esperas, disponibilidad limitada de especialistas, altos costos e incertidumbre sobre a dónde acudir.
Un artículo reciente de Penn Engineering destaca un esfuerzo de investigación destinado a reducir esas barreras. Investigadores de Penn Engineering y del Kennedy Krieger Institute están desarrollando un sistema de inteligencia artificial que utiliza video convencional para evaluar la capacidad de un niño para imitar movimientos corporales simples. La tecnología se denomina Evaluación Computarizada de la Imitación Motora (CAMI, por sus siglas en inglés), y CAMI-2DNet es la iteración más reciente del equipo.
El objetivo no es reemplazar a los médicos ni diagnosticar el autismo por sí solo. En cambio, la investigación apunta hacia una forma más accesible de medir un marcador conductual importante que puede respaldar la evaluación del desarrollo, los flujos de trabajo clínicos y 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 decir adiós con la mano, aplaudir, copiar un gesto o imitar un movimiento lúdico. Estas acciones no son solo habilidades motoras; también son parte de cómo los niños se involucran socialmente.
Los investigadores han observado durante mucho tiempo que algunos niños con autismo imitan los movimientos de manera diferente a sus pares 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 bloque de construcción fundamental para el desarrollo social”.
— Stewart H. Mostofsky, Director del Center for Neurodevelopmental and Imaging Research en el Kennedy Krieger Institute
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 un tiempo significativo para revisar videos.
Esto crea un problema práctico. Si un método de evaluación requiere demasiados recursos, puede ser menos accesible en escuelas, clínicas comunitarias, entornos rurales o entornos con menos recursos donde las familias ya enfrentan barreras para recibir atención.
El video convencional 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 simples, y la herramienta de IA rastrea el movimiento del niño, lo compara con el 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 pares 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 dado que 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 preprocesamiento manual.
La visión artificial se encuentra con la evaluación del desarrollo
El desafío técnico es más complejo que simplemente grabar a un niño en video. El sistema debe identificar las posiciones clave de las articulaciones del cuerpo, seguir el movimiento a lo largo del tiempo y comparar el movimiento del niño con el del instructor.
También debe 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, de modo que la IA se centre en la calidad del movimiento en lugar de en 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. Debe funcionar en diversos entornos, poblaciones, cámaras y situaciones.
El equipo de Penn Engineering informa que CAMI-2DNet funcionó tan bien como la sofisticada tecnología de captura de movimiento 3D y igualó, o incluso superó, a los evaluadores humanos expertos. Esos hallazgos sugieren potencial, pero sigue siendo esencial una validación continua en múltiples cohortes y sitios.
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 IA y tamizaje del desarrollo.
La evaluación del autismo es compleja. Implica el historial del desarrollo, aportes de los cuidadores, observación clínica, herramientas estandarizadas, patrones de comunicación, comportamiento social, diferencias sensoriales, condiciones concurrentes y criterio profesional. Una puntuación de imitación motora basada en video puede añadir información útil, pero no puede capturar el panorama clínico completo.
La promesa más realista es que las herramientas de IA pueden ayudar a que una parte del proceso de evaluación sea más objetiva, consistente y accesible. Pueden apoyar a los médicos, ayudar a los investigadores a seguir los 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 los flujos de trabajo clínicos responsables.
El acceso es el tema central
La parte más sólida de esta investigación es su enfoque en el acceso. Las familias a menudo esperan meses o más para obtener evaluaciones de autismo. Esas demoras pueden ser especialmente difíciles cuando los padres ya sienten que algo es diferente en el desarrollo de su hijo.
El 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 los centros especializados. Otras enfrentan barreras de costo, programación, transporte, seguro o idioma.
Una herramienta que utiliza video convencional podría ayudar a reducir algunas de esas barreras si se valida e implementa de manera responsable. Podría apoyar a clínicas que no cuentan con 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 acceso. La tecnología todavía necesita interpretación capacitada, protecciones de privacidad, implementación equitativa y un camino claro para el seguimiento. Pero una herramienta con menos barreras puede ayudar a que más niños den el siguiente paso más pronto.
La cuestión de la equidad
Cualquier tecnología destinada a ampliar el acceso al tamizaje también debe ser evaluada en cuanto a equidad. Los sistemas de IA pueden funcionar de manera diferente entre poblaciones si los datos utilizados para desarrollarlos no son lo suficientemente diversos. La calidad de la cámara, la iluminación, el entorno físico, la vestimenta, 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 ser adoptada ampliamente.
Para los médicos 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 retrasada 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 de acceso.
Lo que esto significa para las escuelas y los entornos comunitarios
Las escuelas son a menudo donde las diferencias en el desarrollo se vuelven 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 los compañeros. Los equipos escolares también pueden ser los primeros en alentar a las familias a buscar una evaluación.
Una herramienta basada en video como CAMI-2DNet podría eventualmente ser útil en entornos donde el acceso a especialistas es limitado, siempre que esté validada para esos entornos. Podría ayudar a recopilar información objetiva que respalde las derivaciones, la investigación o el seguimiento.
Aun así, las escuelas y los programas comunitarios necesitarían límites claros. Una herramienta de apoyo al tamizaje no debería etiquetar a un niño sin una evaluación completa. Los resultados tendrían que comunicarse con cuidado, respetando a las familias y sin crear una alarma innecesaria.
El caso de uso más sólido puede ser como parte de un camino más amplio: observación, apoyo al tamizaje, derivación, evaluación clínica y acceso a servicios cuando sea necesario.
Un cambio más amplio en la IA de atención médica
CAMI-2DNet es parte de un movimiento mayor hacia el uso de la IA para hacer que las evaluaciones especializadas sean más escalables. En este caso, se está aplicando visión artificial avanzada 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 con cuidado. 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 médicos 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 ordinario en un diagnóstico completo de autismo. Su promesa es más práctica: puede ayudar a medir un comportamiento de 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 las demoras o respaldar mejores derivaciones merece atención.
La siguiente etapa determinará qué tan lejos puede llegar la tecnología. Será esencial una validación continua en todos los sitios, poblaciones y tipos de movimiento. También lo será una integración reflexiva 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 centra en un problema real: hacer que la evaluación de alta calidad sea más fácil de alcanzar.
