Aplicación de técnicas de Aprendizaje Automático para la detección temprana del Trastorno del Espectro Autista

Abstract

[Resumen] El Trastorno del Espectro Autista (TEA) es una condición del neurodesarrollo con dificultades en la comunicación social y patrones conductuales restrictivos. Su diagnóstico clínico suele ser complejo y lento, lo que retrasa intervenciones tempranas esenciales. Este trabajo propone y valida un sistema de Aprendizaje Automático para el cribado temprano del TEA, basado en datos clínicos reales de 209 individuos y 216 variables procedentes de los cuestionarios ICAP y GARS-2. Tras un preprocesamiento exhaustivo, se comparan distintos métodos de selección de características y algoritmos de clasificación mediante validación cruzada estratificada. El enfoque prioriza la reducción de dimensionalidad, identificando un subconjunto óptimo de 20 variables, logrando un rendimiento competitivo y un buen equilibrio entre precisión e interpretabilidad clínica.

[Abstract] Autism Spectrum Disorder (ASD) is a neurodevelopmental condition characterised by social communication difficulties and restrictive behavioral patterns. Clinical diagnosis is typically complex and time-consuming, delaying essential early interventions. This work proposes and validates a Machine Learning system for early ASD screening using real clinical data from 209 individuals and 216 variables from the ICAP and GARS-2 questionnaires. After thorough preprocessing, different feature selection methods and classification algorithms are evaluated using stratified cross-validation. The approach focuses on dimensionality reduction, identifying an optimal subset of 20 variables, achieving strong performance and a balance between predictive accuracy and clinical interpretability.