El Trastorno del Espectro Autista (TEA) abarca un conjunto de afecciones que afectan el desarrollo neurológico, manifestándose en dificultades en la interacción social y la comunicación, así como en patrones de comportamiento inusuales. Entre estos patrones se incluyen problemas para adaptarse a cambios o respuestas atípicas a estímulos sensoriales. Según datos de la Organización Mundial de la Salud (OMS), aproximadamente uno de cada 100 niños presenta TEA.
A pesar de que las características del trastorno pueden ser identificadas desde la primera infancia, el diagnóstico muchas veces se realiza en etapas más avanzadas. Actualmente, la detección del TEA se basa principalmente en observaciones conductuales y entrevistas estructuradas, como la Escala de Observación para el Diagnóstico del Autismo (ADOS). Sin embargo, estas herramientas dependen en gran medida del criterio subjetivo del profesional.
Nueva herramienta para el diagnóstico del TEA
En este contexto, una tesis doctoral defendida recientemente en la Universidad de La Laguna por Roberto Chávez Trujillo, quien es graduado en Ingeniería Electrónica y doctor en Ingeniería de Sistemas y Automática, ha dado lugar al desarrollo de una innovadora herramienta de apoyo al diagnóstico. Esta herramienta se basa en el análisis de datos obtenidos mediante seguimiento ocular (eye tracking) y un algoritmo de inteligencia artificial (IA) diseñado para determinar si los patrones visuales de una persona corresponden a un grupo diagnosticado con autismo. El objetivo es ofrecer un método más objetivo que complemente las técnicas tradicionales para identificar el TEA.
Un diagnóstico temprano permite que las personas con TEA accedan a estrategias psicopedagógicas y conductuales que mejoran notablemente su calidad de vida. “El análisis de datos a través del seguimiento ocular es muy interesante porque se ha demostrado que los patrones visuales en personas con TEA presentan alteraciones desde aproximadamente los seis meses”, explica Chávez Trujillo.
Desarrollo técnico y metodología
El proceso detrás de esta tesis fue complejo. En su fase inicial, se llevó a cabo un procesamiento exhaustivo de datos, ya que el eye-tracking genera una gran cantidad de información. “Recogíamos muestras cada tres milisegundos y cada muestra incluía más de 100 variables”, comenta. Esto requiere un análisis que trasciende las técnicas estadísticas convencionales, donde la ciencia de datos juega un papel crucial al extraer patrones significativos a partir de grandes volúmenes de información.
A continuación, se emplearon algoritmos de aprendizaje automático. “No utilizamos tanto deep learning, ya que inicialmente no contábamos con suficientes sujetos para desarrollar un modelo basado en redes neuronales”, aclara. Se optó por modelos más clásicos, concretamente el modelo XGBoost, que combina modelos simples para lograr un rendimiento superior al utilizarse individualmente.
Simplificación del proceso diagnóstico
"Con este modelo logramos una alta precisión en la clasificación muestral", asegura Chávez Trujillo. Al clasificar individualmente cada muestra, se logró identificar correctamente al 100% de los sujetos en el conjunto de prueba. Este proceso implica dividir los datos en tres partes: entrenamiento, validación y testeo, lo cual permite evaluar imparcialmente cómo funcionaría el modelo con datos reales.
Finalmente, se creó una página web tipo plug and play, facilitando así el proceso diagnóstico. “El usuario simplemente carga el archivo generado por el eye-tracker sin necesidad de realizar ningún procesamiento adicional”, explica. La plataforma ejecuta automáticamente todos los pasos necesarios para proporcionar un diagnóstico preciso para cada individuo incluido en el archivo.
Análisis diferencial y conclusiones finales
La literatura científica ya había indicado patrones visuales distintivos entre personas con TEA y aquellas neurotípicas. En esta tesis, se utilizaron estos patrones diferenciales para analizar comportamientos mientras observaban imágenes seleccionadas específicamente para resaltar estas diferencias. De ahí surgió el algoritmo basado en aprendizaje automático.
A medida que avanzaba la investigación, se amplió la muestra inicial a más de 100 sujetos, lo que presentó nuevos desafíos analíticos. Para abordar esto, Chávez Trujillo implementó diversas técnicas analíticas enfocadas en identificar sujetos atípicos dentro del grupo TEA mediante el análisis de sus patrones oculares y otros aspectos como parpadeos o tamaño pupilar.
Este estudio fue respaldado por los datos proporcionados por el profesor José Luis González Mora, catedrático responsable del grupo investigador del Laboratorio de Neuroquímica y Neuroimagen en la Universidad de La Laguna. Gracias a este trabajo colaborativo, Chávez Trujillo pudo acceder a una segunda muestra más amplia y obtener resultados significativos utilizando equipamiento especializado disponible dentro del grupo.
Si (
No(
