Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
USO DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL PARA LA DETECCIÓN  
TEMPRANA DE ALTERACIONES DEL NEURODESARROLLO EN LA PRIMERA  
INFANCIA: REVISIÓN SISTEMÁTICA 2020-2026  
USE OF ARTIFICIAL INTELLIGENCE TOOLS FOR THE EARLY DETECTION OF  
NEURODEVELOPMENTAL DISORDERS IN EARLY CHILDHOOD: A SYSTEMATIC  
REVIEW 2020-2026  
Autores: ¹Heidy Tanya Mayorga Sánchez, ²Karla Gabriela Mora Alvarado, ³Wilson Oswaldo  
Sánchez Macías y 4Diego Esteban Fernández Olivo.  
¹ORCID ID: https://orcid.org/0000-0003-0833-0832  
²ORCID ID: https://orcid.org/0000-0003-1265-0716  
3ORCID ID: https://orcid.org/0009-0000-3003-1279  
4ORCID ID: https://orcid.org/0000-0001-8408-2012  
¹E-mail de contacto: hmayorgas@unemi.edu.ec  
²E-mail de contacto: kmoraa@unemi.edu.ec  
³E-mail de contacto: wsanchezm2@unemi.edu.ec  
4E-mail de contacto: esteban.fernandez@ucacue.edu.ec  
Afiliación:1*2*3*Universidad Estatal de Milagro, (Ecuador). 4*Universidad Católica de Cuenca, (Ecuador).  
Artículo recibido: 13 de Mayo del 2026  
Artículo revisado: 15 de Mayo del 2026  
Artículo aprobado: 17 de Mayo del 2026  
1Licenciada en Ciencias de la Educación mención Mercadotecnia y Publicidad, graduada en la Universidad de Guayaquil, (Ecuador).  
Máster Universitario en Tecnología Educativa y Competencias Digitales, graduada en la Universidad Internacional de la Rioja, (España).  
Magíster en Educación mención en Pedagogía graduada en la Universidad Tecnológica Empresarial de Guayaquil, (Ecuador). Magíster  
en Educación Inicial por la Universidad Estatal de Milagro, (Ecuador).  
2Psicóloga Clínica Educativa, graduada de la Universidad Estatal de Milagro, (UNEMI). Máster en Neuropsicología y Educación en la  
Universidad Internacional de La Rioja, (UNIR), (Ecuador). Posgrado en Neuropsicología Clínica en la Universidad de Nebrija, (España).  
Actualmente, cursando el doctorado en Educación en la Universidad Espíritu Santo (UEES), (Ecuador).  
3Ingeniero en Electricidad Especialización Electrónica, egresado de la Escuela Superior Politécnica del Litoral, (Ecuador). Magíster en  
Gerencia Educativa, graduado en la Universidad Central del Ecuador, (Ecuador). Especialista en Gestión de Procesos Educativos,  
graduado en la Universidad Central del Ecuador, (Ecuador). Magíster en Matemática mención en Modelación Matemática, graduado de  
la Universidad Estatal de Milagro, (Ecuador).  
4Licenciado en Ciencias de la Educación en la Especialización de Lengua, Literatura y Lenguajes Audiovisuales, graduado en la  
Universidad de Cuenca, (Ecuador). Máster Universitario en Tecnología Educativa y Competencias Digitales, graduado en la Universidad  
Internacional de la Rioja, (España).  
Resumen  
concentrado principalmente en el cribado del  
trastorno del espectro autista y, en menor  
medida, en la predicción temprana de parálisis  
cerebral mediante análisis automatizado de  
movimientos espontáneos. Aunque varios  
estudios reportan desempeños prometedores en  
exactitud, sensibilidad, especificidad y AUC, la  
Esta revisión sistemática analiza la evidencia  
científica publicada entre 2020 y mayo de 2026  
sobre el uso de herramientas de inteligencia  
artificial para apoyar la detección temprana de  
alteraciones del neurodesarrollo en niños de 0 a  
5 años. El estudio se estructuró conforme a  
PRISMA 2020 y organizó la evidencia en  
función de las modalidades de datos, las  
familias algorítmicas, la condición objetivo y  
las exigencias de validación clínica. Se  
consideraron investigaciones que aplicaron  
aprendizaje automático, aprendizaje profundo,  
visión por computador, procesamiento de  
lenguaje natural, análisis acústico, seguimiento  
robustez  
condicionada  
de  
la  
por  
evidencia  
la  
se  
encuentra  
heterogeneidad  
metodológica, el predominio de validaciones  
internas, la limitada evaluación prospectiva y la  
escasa comprobación del rendimiento por  
subgrupos. La revisión concluye que la  
inteligencia  
artificial  
posee  
valor  
como  
andamiaje técnico para fortalecer el tamizaje  
temprano, la vigilancia del desarrollo y la  
priorización de derivaciones; sin embargo, su  
adopción en salud y educación infantil exige  
ocular,  
enfoques  
registros  
clínicos  
multimodales.  
muestran un campo en rápida expansión,  
electrónicos  
Los hallazgos  
y
Página 114  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
validación externa, explicabilidad, supervisión  
profesional, protección reforzada de datos y  
criterios de equidad diagnóstica.  
Neurodevelopment, Early detection, Early  
childhood.  
Palabras clave: Alteraciones, Inteligencia  
Sumario  
artificial,  
Neurodesarrollo,  
Detección  
Esta revisão sistemática analisa as evidências  
científicas publicadas entre 2020 e maio de  
2026 sobre o uso de ferramentas de inteligência  
artificial para apoiar a detecção precoce de  
temprana, Primera infancia.  
Abstract  
transtornos  
do  
neurodesenvolvimento  
em  
This systematic review analyzes the scientific  
evidence published between 2020 and May  
2026 on the use of artificial intelligence tools to  
crianças de 0 a 5 anos. O estudo foi estruturado  
de acordo com o PRISMA 2020 e organizou as  
evidências com base em modalidades de dados,  
support  
the  
early  
detection  
of  
famílias  
requisitos  
consideradas  
aprendizado  
algorítmicas,  
de validação  
pesquisas  
de máquina,  
condição  
clínica.  
que  
alvo  
Foram  
aplicaram  
e
neurodevelopmental disorders in children aged  
0 to 5 years. The study was structured according  
to PRISMA 2020 and organized the evidence  
based on data modalities, algorithmic families,  
aprendizado  
profundo, visão computacional, processamento  
de linguagem natural, análise acústica,  
target  
condition,  
and  
clinical  
validation  
rastreamento ocular, registros eletrônicos de  
saúde e abordagens multimodais. Os resultados  
mostram um campo em rápida expansão, focado  
principalmente na triagem para transtorno do  
espectro autista e, em menor grau, na predição  
precoce de paralisia cerebral por meio da  
requirements. Research applying machine  
learning, deep learning, computer vision,  
natural language processing, acoustic analysis,  
eye tracking, electronic health records, and  
multimodal approaches was considered. The  
findings show a rapidly expanding field,  
primarily focused on screening for autism  
spectrum disorder and, to a lesser extent, on the  
early prediction of cerebral palsy through  
automated analysis of spontaneous movements.  
Although several studies report promising  
análise  
espontâneos. Embora diversos estudos relatem  
desempenho promissor em acurácia,  
automatizada  
de  
movimentos  
sensibilidade, especificidade e AUC, a robustez  
das evidências é limitada pela heterogeneidade  
metodológica,  
validações internas, pela avaliação prospectiva  
limitada e pela escassez de testes de  
desempenho em subgrupos. Esta revisão  
conclui que a inteligência artificial tem valor  
como uma estrutura técnica para fortalecer a  
pela  
predominância  
de  
performance  
specificity, and AUC, the robustness of the  
evidence is limited by methodological  
in  
accuracy,  
sensitivity,  
heterogeneity, the predominance of internal  
validations, the limited prospective evaluation,  
and the scarcity of subgroup performance  
testing. This review concludes that artificial  
intelligence has value as a technical framework  
to strengthen early screening, developmental  
triagem  
desenvolvimento  
precoce,  
o
monitoramento  
a priorização  
do  
de  
e
encaminhamentos; No entanto, sua adoção na  
saúde e educação da primeira infância requer  
validação externa, explicabilidade, supervisão  
profissional, proteção de dados aprimorada e  
critérios de equidade diagnóstica.  
Palavras-chave: Transtornos, Inteligência  
artificial, Neurodesenvolvimento, Detecção  
precoce, Primeira infância.  
monitoring,  
and  
referral  
prioritization;  
however, its adoption in early childhood health  
and education requires external validation,  
explainability, professional oversight, enhanced  
data protection, and diagnostic equity criteria.  
Keywords: Disorders, Artificial intelligence,  
Introducción  
Durante los primeros años de vida, la  
organización  
neurológica,  
la  
maduración  
Página 115  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
sensoriomotora, la emergencia del lenguaje, la  
móviles para vigilancia clínica en la infancia  
han abierto nuevas posibilidades para capturar  
videos de movimientos generales mediante  
aplicaciones y dispositivos cotidianos, aunque  
regulación socioemocional y la configuración  
de patrones de interacción se producen con una  
intensidad que difícilmente vuelve a repetirse  
en etapas posteriores. Draper et al. (2024)  
sostienen que el periodo comprendido entre los  
dos y cinco años constituye una continuidad  
decisiva de las inversiones realizadas durante  
los primeros mil días, debido a que en esta etapa  
se consolidan condiciones fundamentales para  
la salud, el aprendizaje y el desarrollo infantil.  
En la misma línea Bondi et al. (2024) advierten  
que la evaluación del neurodesarrollo en la  
insisten  
en  
que  
su  
desarrollo  
exige  
estandarización,  
adaptación  
contextual,  
privacidad y sostenibilidad tecnológica. Este  
desplazamiento no es menor: la observación del  
desarrollo deja de depender exclusivamente del  
consultorio y comienza a extenderse hacia  
escenarios cotidianos, donde el niño se mueve,  
mira, vocaliza, interactúa y responde a  
estímulos en condiciones más cercanas a su vida  
diaria.  
infancia  
temprana  
requiere  
marcos  
conceptuales y herramientas sensibles a la  
complejidad de dominios como la cognición, el  
lenguaje, la motricidad, la conducta adaptativa  
y la regulación socioemocional.  
En el caso de la parálisis cerebral, Abbasi et al.  
(2023) reportan que los movimientos generales  
anormales constituyen un predictor relevante de  
trastornos progresivos del neurodesarrollo,  
incluida la parálisis cerebral, y plantean que la  
Sin embargo, Sandbank et al. (2023) muestran  
que  
la  
evidencia  
sobre  
intervenciones  
automatización  
de  
su  
evaluación  
puede  
tempranas en niños autistas ha aumentado de  
manera significativa en los últimos años,  
aunque también señalan que la calidad  
metodológica y la vigilancia de efectos  
adversos siguen siendo aspectos críticos para  
interpretar sus resultados. Esta constatación  
refuerza una idea central: detectar temprano  
solo adquiere sentido si la identificación del  
riesgo se articula con rutas de intervención  
oportunas, éticas y sostenidas. Desde la mirada  
educativa, esta relación entre detección y  
respuesta es decisiva, porque la alerta temprana  
pierde valor si no se traduce en apoyos  
contribuir a superar barreras de escalabilidad  
asociadas a la disponibilidad limitada de  
evaluadores expertos. A su vez, Passmore et al.  
(2024) demuestran que el aprendizaje profundo  
aplicado a videos capturados con teléfonos  
inteligentes permite rastrear movimientos  
infantiles entre las 12 y 18 semanas de edad  
corregida  
y
predecir  
clasificaciones  
de  
movimientos generales fuera de entornos  
clínicos altamente controlados.  
En el trastorno del espectro autista, Rajagopalan  
et al. (2024) desarrollan y validan un modelo de  
aprendizaje automático para predecir TEA a  
partir de un conjunto mínimo de información  
médica y antecedentes, lo que muestra el  
pedagógicos,  
acompañamiento  
familiar,  
adaptación del ambiente y derivación oportuna.  
La inteligencia artificial ha ingresado en este  
debate como una tecnología capaz de extraer  
patrones de grandes volúmenes de datos y  
convertir señales conductuales, clínicas o  
sensoriales en indicadores de riesgo. Marschik  
et al. (2023) explican que las soluciones  
potencial  
tempranamente para identificar niños con  
mayor probabilidad de presentar rasgos  
de  
variables  
disponibles  
compatibles con esta condición. Chen et al.  
(2023) complementan esta perspectiva al  
integrar datos estructurados de historias clínicas  
Página 116  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
electrónicas y narrativas clínicas para mejorar la  
pediátrico, pero enfatizan que la variabilidad en  
predicción temprana del autismo antes de los  
cuatro años. Más recientemente, Kim et al.  
(2025) evidencian la factibilidad de un sistema  
automatizado de identificación de TEA a partir  
de videos domésticos, reforzando el interés por  
herramientas que capturen señales conductuales  
en contextos naturales. Esta ampliación de  
modalidades también se observa en técnicas que  
buscan objetivar señales específicas del  
comportamiento infantil. Antolí et al. (2025)  
aplican aprendizaje automático explicable a  
datos de seguimiento ocular procedentes de  
tareas de atención social, con el propósito de  
clasificar perfiles y reconocer variables que  
diferencian a niños con TEA, trastorno del  
desarrollo del lenguaje y desarrollo típico. De  
forma convergente, Han et al. (2026) señalan,  
diseños,  
poblaciones,  
estandarización  
privacidad,  
algorítmica,  
interpretabilidad,  
equidad y sesgo dificulta su traducción clínica  
sin validaciones multicéntricas y marcos  
regulatorios claros.  
En consecuencia, el objetivo de este artículo es  
analizar la evidencia científica publicada entre  
2020 y mayo de 2026 sobre el uso de  
herramientas de inteligencia artificial para la  
detección  
temprana  
de  
alteraciones  
del  
neurodesarrollo en niños de 0 a 5 años, con el  
fin de caracterizar las modalidades tecnológicas  
empleadas, valorar su rendimiento, identificar  
limitaciones metodológicas y discutir sus  
implicaciones clínicas, educativas y éticas. La  
ruta argumentativa se organiza en cuatro  
momentos:  
primero,  
se  
describe  
el  
mediante  
una  
revisión  
sistemática  
con  
procedimiento metodológico de la revisión;  
segundo, se presentan los estudios empíricos y  
los documentos de apoyo clasificados según su  
aporte; tercero, se discuten los hallazgos desde  
la relación entre desempeño algorítmico y  
aplicabilidad contextual; y, finalmente, se  
delimitan las condiciones mínimas para una  
adopción responsable en escenarios de salud y  
educación infantil.  
metaanálisis, que los modelos de aprendizaje  
automático basados en eye-tracking muestran  
rendimiento  
diagnóstico  
prometedor  
para  
diferenciar TEA, aunque la heterogeneidad de  
protocolos y algoritmos limita todavía su  
traducción clínica directa. En paralelo, Laguna  
et al. (2025) exploran el análisis automático del  
llanto mediante aprendizaje profundo como vía  
de cribado temprano para TEA, mostrando que  
las vocalizaciones infantiles pueden contener  
rasgos acústicos con valor discriminativo.  
Materiales y Métodos  
La revisión adoptó como marco general las  
directrices PRISMA 2020 para organizar el  
reporte del proceso de búsqueda, selección,  
extracción y síntesis. Page et al. (2021) señalan  
No obstante, Shahini et al. (2025) advierten, en  
una revisión sistemática sobre tecnologías  
asistidas por inteligencia artificial para niños  
con trastornos del neurodesarrollo, que los  
patrones de implementación difieren según la  
condición estudiada y que la heterogeneidad  
metodológica sigue siendo uno de los  
principales límites para comparar resultados.  
Del mismo modo, Ramírez et al. (2026)  
concluyen que la inteligencia artificial puede  
contribuir al diagnóstico temprano y a la toma  
de decisiones clínicas en neurodesarrollo  
que  
la  
transparencia  
en  
las  
revisiones  
sistemáticas requiere documentar de manera  
explícita fuentes de información, criterios de  
elegibilidad, proceso de selección y estrategia  
de síntesis. En el caso de estudios con  
inteligencia artificial, esta exigencia se vuelve  
aún más relevante, porque las decisiones sobre  
datos, predictores, arquitectura algorítmica,  
validación y métricas pueden modificar  
Página 117  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
sustantivamente  
la  
interpretación  
del  
toddler, early childhood, preschool, primera  
infancia, lactante, niño pequeño y 0-5 years. El  
rendimiento. En esa línea, Collins et al. (2024)  
proponen TRIPOD+AI como una actualización  
orientada a mejorar el reporte de estudios que  
desarrollan, validan o actualizan modelos  
bloque  
de  
condición  
incorporó  
neurodevelopmental disorders, developmental  
delay, autism spectrum disorder, ASD, cerebral  
palsy, language delay, motor delay, global  
developmental delay y equivalentes en español.  
El bloque tecnológico incorporó artificial  
intelligence, machine learning, deep learning,  
predictivos  
con  
regresión  
o
aprendizaje  
automático. Moons et al. (2025) sostienen que  
la evaluación crítica de modelos predictivos con  
IA requiere instrumentos adaptados a sus  
fuentes específicas de sesgo y a sus problemas  
de aplicabilidad. Dado que se trató de una  
investigación secundaria basada en documentos  
publicados, no se requirió aprobación ética  
computer  
vision,  
convolutional  
neural  
networks, transformers, eye-tracking, speech  
analysis, cry analysis, electronic health records,  
digital phenotyping, screening, prediction  
model y early detection.  
institucional;  
no obstante, se asumieron  
principios de integridad científica, trazabilidad,  
consistencia metodológica y reporte honesto de  
las limitaciones.  
La gestión de referencias se realizó mediante  
depuración de duplicados y revisión manual de  
registros. El cribado se organizó en dos fases.  
En la primera, se evaluaron títulos y resúmenes  
para descartar documentos claramente ajenos al  
objetivo. En la segunda, se revisaron textos  
La pregunta orientadora fue la siguiente: ¿qué  
evidencia científica se ha publicado entre 2020  
y mayo de 2026 sobre el uso de herramientas de  
inteligencia artificial para la detección temprana  
de alteraciones del neurodesarrollo en niños de  
0 a 5 años? Esta formulación permitió integrar  
estudios de exactitud diagnóstica, clasificación,  
predicción o cribado, siempre que incorporaran  
de forma explícita técnicas de aprendizaje  
automático o aprendizaje profundo y reportaran  
métricas de desempeño. Las fuentes de  
completos  
para  
verificar  
criterios  
de  
elegibilidad. La extracción de datos se realizó  
mediante una matriz estandarizada que registró  
autoría, año, diseño, condición objetivo, rango  
etario, tamaño muestral, modalidad de datos,  
tipo de algoritmo, estrategia de validación,  
métricas reportadas, principales hallazgos,  
limitaciones y aporte para la detección  
temprana.  
información  
consideradas  
fueron  
Scopus,  
PubMed, Web of Science, PsycINFO, IEEE  
Xplore y ACM Digital Library. La búsqueda  
cubrió el periodo comprendido entre el 1 de  
enero de 2020 y mayo de 2026. No se aplicó  
restricción geográfica. En cuanto al idioma, se  
priorizaron documentos en inglés, español y  
portugués, así como artículos en otros idiomas  
cuando el título, el resumen o la versión  
Para investigaciones de exactitud diagnóstica se  
consideraron  
QUADAS-2  
los  
dominios  
clásicos  
de  
y
los desarrollos  
recientes  
orientados a QUADAS-AI. Guni et al. (2024)  
sostienen que los estudios diagnósticos basados  
en IA requieren herramientas específicas de  
evaluación, debido a que el pipeline algorítmico  
introduce riesgos de sesgo que no siempre son  
capturados por instrumentos tradicionales. Para  
modelos predictivos se adoptaron criterios  
derivados de PROBAST+AI, con atención a  
selección de participantes, definición del  
accesible  
permitieran  
determinar  
su  
elegibilidad.  
La estrategia  
de búsqueda  
combinó tres bloques conceptuales: población,  
condición objetivo y tecnología. El bloque de  
población incluyó términos como infant,  
Página 118  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
resultado, manejo de predictores, división entre  
entrenamiento prueba, validación,  
sobreajuste, calibración, datos faltantes, fuga de  
información aplicabilidad. De forma  
Se identificaron 97 registros iniciales; tras  
y
eliminar 62 duplicados, quedaron 35 registros  
para cribado. De estos, 11 fueron excluidos por  
título y resumen, y 24 informes fueron buscados  
para recuperación. Trece informes no pudieron  
recuperarse o no ofrecieron información  
suficiente. Finalmente, 11 documentos fueron  
evaluados a texto completo; de ellos, 9 estudios  
empíricos cumplieron los criterios para integrar  
y
complementaria, Vasey et al. (2022), Cruz  
Rivera et al. (2020) y Liu et al. (2020) se  
emplearon como referentes para discutir la  
transición desde prototipos retrospectivos hacia  
estudios clínicos prospectivos y reportes de  
intervención con IA.  
la  
síntesis  
principal.  
de  
Dos  
documentos  
fueron  
metodológicos  
o
síntesis  
La síntesis fue narrativa y estructurada, debido  
considerados de forma complementaria para  
apoyar la interpretación de calidad, sesgo,  
aplicabilidad y condiciones de implementación.  
a
la  
heterogeneidad  
de  
poblaciones,  
condiciones, modalidades de datos, algoritmos  
y métricas. Los hallazgos se agruparon en cinco  
ejes: video y visión por computador; registros  
clínicos electrónicos e información médica  
mínima; seguimiento ocular; análisis acústico  
de llanto, voz o vocalización; y enfoques  
multimodales. No se realizó metaanálisis  
propio, ya que los estudios diferían en  
estándares de referencia, edad, contexto de  
captura, definición de desenlace y estrategias de  
validación. En su lugar, se desarrolló una  
interpretación crítica centrada en el equilibrio  
entre rendimiento técnico, validez externa,  
factibilidad, equidad y responsabilidad ética.  
Tabla 1. Criterios de elegibilidad aplicados en la revisión  
Figura 1. Diagrama de flujo PRISMA 2020  
Criterio  
Inclusión  
Exclusión  
Documentos fuera del  
periodo definido.  
Publicaciones entre enero de  
2020 y mayo de 2026.  
Niños de 0 a 5 años o  
Periodo  
Fuente: Elaboración propia  
Población mayor sin  
desagregación por edad.  
Población  
subgrupos identificables dentro  
de ese rango.  
Resultados y Discusión  
TEA, parálisis cerebral, retraso  
global del desarrollo, retrasos  
motores, lingüísticos o perfiles  
neurodesarrollativos  
Condiciones no  
relacionadas con  
neurodesarrollo o sin  
interés en detección  
temprana.  
Herramientas  
tradicionales sin  
componente algorítmico o  
intervenciones no basadas  
en IA.  
Condición  
objetivo  
La evidencia revisada muestra un campo en  
expansión, aunque todavía marcado por una  
maduración metodológica desigual. La mayor  
concentración de estudios se ubica en el  
trastorno del espectro autista (TEA), seguido  
tempranos.  
IA, aprendizaje automático,  
aprendizaje profundo, visión  
por computador, NLP, análisis  
acústico, eye-tracking, EHR o  
multimodalidad.  
Tecnología  
Resultado  
Documentos sin  
Métricas de desempeño o  
utilidad diagnóstica/predictiva.  
resultados, protocolos sin  
datos o reportes sin  
métricas comparables.  
por  
investigaciones  
orientadas  
de  
a
la  
identificación  
automatizada  
patrones  
Estudios empíricos y evidencia  
de síntesis relevante;  
documentos metodológicos  
recientes usados como apoyo  
interpretativo.  
Opiniones, editoriales sin  
método o textos sin  
información suficiente  
para evaluación crítica.  
Tipo de  
documento  
motores asociados al riesgo de parálisis  
cerebral. Esta distribución no resulta casual: el  
TEA y la parálisis cerebral constituyen dos  
Fuente: Elaboración propia  
Página 119  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
condiciones en las que la detección temprana  
puede modificar de manera significativa las  
tempranos.  
Esta  
modalidad  
resulta  
especialmente atractiva porque aprovecha  
dispositivos ampliamente disponibles, aunque  
también introduce desafíos de iluminación,  
encuadre, duración de la grabación, ruido  
contextual y participación de los cuidadores.  
rutas  
de  
derivación,  
acompañamiento  
e
intervención. Para evitar una interpretación  
metodológicamente ambigua de la evidencia,  
los documentos revisados se organizaron en dos  
grupos. El primero corresponde a estudios  
empíricos que desarrollaron, validaron o  
aplicaron herramientas de inteligencia artificial  
Un segundo resultado se relaciona con el uso  
de datos clínicos ya existentes, como registros  
electrónicos de salud, narrativas médicas o  
información mínima de antecedentes. Estos  
para  
detección,  
cribado,  
clasificación  
o
predicción de alteraciones del neurodesarrollo  
en la infancia temprana. El segundo reúne guías  
metodológicas, revisiones de síntesis y marcos  
de apoyo interpretativo empleados para valorar  
la calidad del reporte, el riesgo de sesgo, la  
aplicabilidad clínica y las implicaciones éticas  
de los modelos.  
enfoques poseen un  
escalamiento porque  
alto potencial de  
no dependen  
necesariamente de nuevas pruebas, sino de  
datos generados en la atención habitual. Sin  
embargo, esta línea presenta una vulnerabilidad  
epistemológica particular: los registros clínicos  
no son una representación neutral del  
desarrollo infantil, sino el resultado de  
trayectorias de acceso, prácticas institucionales  
de documentación, decisiones profesionales,  
disponibilidad de servicios y desigualdades  
previas en la atención.  
En términos de modalidades, predominaron los  
estudios basados en video doméstico, video  
clínico,  
registros  
clínicos  
electrónicos,  
información médica mínima, seguimiento  
ocular y análisis acústico del llanto. Estas  
fuentes expresan una transformación relevante  
en la forma de observar el neurodesarrollo  
Un tercer resultado apunta a la búsqueda  
creciente de interpretabilidad. Los estudios  
basados en seguimiento ocular y aprendizaje  
infantil:  
el  
análisis  
a
ya  
no  
se  
limita  
exclusivamente  
instrumentos  
clínicos  
automático  
explicable  
no  
se  
orientan  
aplicados en entornos especializados, sino que  
comienza a incorporar señales producidas en  
escenarios cotidianos, como el hogar, las  
únicamente a clasificar casos, sino a identificar  
qué variables diferencian perfiles de desarrollo.  
Esta orientación resulta crucial en salud y  
educación infantil, debido a que no basta con  
que un algoritmo emita un puntaje de riesgo; es  
necesario comprender qué señales sostienen  
esa clasificación, cómo se relacionan con la  
trayectoria evolutiva del niño y de qué manera  
pueden dialogar con la evaluación clínica,  
psicológica o educativa. Varios estudios  
reportan métricas prometedoras, pero no  
interacciones  
familiares  
o
los  
registros  
generados durante la atención habitual.  
Un primer resultado relevante es que el video  
se ha consolidado como una modalidad  
privilegiada para la detección temprana. En  
TEA, los videos domésticos han sido utilizados  
para capturar atención social, expresividad,  
respuesta al nombre, juego, imitación e  
interacción familiar. En parálisis cerebral, los  
siempre  
documentan  
validación  
por  
externa,  
videos  
de  
lactantes  
permiten  
analizar  
calibración,  
rendimiento  
subgrupos,  
movimientos espontáneos, simetría, fluidez,  
variabilidad motora y patrones corporales  
comparación con evaluadores humanos.  
Página 120  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
Tabla 2. Estudios empíricos principales sobre inteligencia artificial para la detección temprana de  
alteraciones del neurodesarrollo  
Condición  
objetivo  
Modalidad de  
datos  
Enfoque  
algorítmico  
Autor/año  
Hallazgo principal  
Lectura crítica  
Mostraron que los métodos de  
reemplazo de características  
permiten trabajar con datos  
incompletos de videos caseros  
sin deterioro sustancial del  
rendimiento del modelo.  
Aporta realismo metodológico,  
debido a que los datos  
capturados en el hogar suelen ser  
incompletos, heterogéneos y  
dependientes del contexto  
familiar.  
Aprendizaje  
automático con  
reemplazo de  
características  
Leblanc et al.  
(2020)  
TEA  
Video doméstico  
Desarrollaron y validaron un  
método para predecir parálisis  
cerebral en lactantes de alto  
riesgo a partir de movimientos  
espontáneos.  
El diseño multicéntrico fortalece  
la evidencia; sin embargo, la  
población de alto riesgo limita la  
extrapolación directa a tamizaje  
universal.  
Videos de  
movimientos  
espontáneos  
Groos et al.  
(2022)  
Parálisis  
cerebral  
Aprendizaje  
profundo  
Fortalece la posibilidad de  
vigilancia remota, aunque su  
desempeño depende de la  
calidad del video, la  
estandarización de captura y la  
validez en contextos no  
controlados.  
Propusieron un sistema  
automatizado para rastrear  
movimientos infantiles en  
videos de dispositivos móviles  
sin uso de marcadores  
corporales.  
Riesgo motor /  
parálisis  
Video de  
dispositivos  
móviles  
Estimación de  
pose sin  
marcadores  
Abbasi et al.  
(2023)  
cerebral  
Tiene alto potencial de  
Registros  
clínicos  
electrónicos y  
narrativas  
clínicas  
Integraron datos estructurados y  
narrativas clínicas para anticipar  
diagnósticos posteriores de TEA  
antes de los cuatro años.  
escalamiento, pero es sensible a  
sesgos de registro, diferencias de  
acceso al sistema de salud y  
variabilidad en la documentación  
clínica.  
Modelos  
predictivos y  
ensamble  
Chen et al.  
(2023)  
TEA  
Relevante para detección remota  
y vigilancia temprana; requiere  
validación prospectiva,  
Movimientos  
anómalos /  
parálisis  
Aprendizaje  
profundo y  
seguimiento  
corporal  
Predijeron clasificaciones de  
movimientos generales a partir  
de videos capturados fuera de  
entornos clínicos controlados.  
Videos de  
teléfonos  
inteligentes  
Passmore et  
al. (2024)  
protocolos de captura y análisis  
de factibilidad operativa.  
Prometedor para triage y  
priorización de derivaciones,  
aunque no sustituye evaluación  
diagnóstica especializada y  
requiere evaluación de equidad  
por subgrupos.  
cerebral  
Desarrollaron modelos para  
predecir TEA con un conjunto  
reducido de variables tempranas  
y validación en cohortes  
independientes.  
Información  
médica y  
antecedentes  
mínimos  
Aprendizaje  
automático  
supervisado  
Rajagopalan  
et al. (2024)  
TEA  
Avanza hacia modelos  
Identificaron variables  
oculométricas relevantes para  
diferenciar perfiles de  
desarrollo.  
interpretables, aunque su  
implementación demanda  
equipamiento específico,  
protocolos estandarizados y  
validación clínica.  
TEA y trastorno  
del desarrollo  
del lenguaje  
Eye-tracking en  
tareas de  
atención social  
Aprendizaje  
automático  
explicable  
Antolí et al.  
(2025)  
Muestra potencial de  
Aprendizaje  
profundo y  
clasificadores de  
ensamble  
Propusieron un sistema  
automatizado de identificación  
de TEA a partir de videos del  
hogar con tareas breves.  
escalabilidad, pero su utilidad  
clínica depende de validación  
externa, regulación del uso de  
videos familiares y supervisión  
profesional.  
Videos  
domésticos  
breves  
Kim et al.  
(2025)  
TEA  
TEA  
Línea innovadora y  
potencialmente accesible,  
aunque vulnerable al ruido  
ambiental, al dispositivo de  
grabación y a la variabilidad  
cultural-contextual.  
Aprendizaje  
profundo aplicado  
a señales acústicas  
Exploraron rasgos acústicos del  
llanto como apoyo al cribado  
temprano de TEA.  
Laguna et al.  
(2025)  
Llanto infantil  
Fuente: Elaboración propia  
La tabla incluye estudios empíricos centrados  
en detección, cribado, clasificación o predicción  
resultados de esta revisión permiten sostener  
que la inteligencia artificial ha dejado de ocupar  
un lugar marginal en la investigación sobre  
neurodesarrollo infantil para convertirse en un  
componente emergente de los sistemas de  
vigilancia temprana.  
basada  
en  
inteligencia  
artificial.  
Los  
documentos metodológicos, normativos y de  
apoyo interpretativo se presentan por separado  
para evitar mezclar evidencia primaria con  
guías de reporte, evaluación o gobernanza. Los  
Página 121  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
Tabla 3. Documentos metodológicos, evidencia de síntesis y marcos de apoyo interpretativo  
empleados en la revisión  
Documento  
Tipo de aporte  
Uso en el artículo  
Razón para no tratarlo como estudio empírico incluido  
Estructura el reporte del proceso de  
revisión sistemática, especialmente  
identificación, cribado,  
Es una guía metodológica de reporte, no un estudio sobre IA  
aplicada a neurodesarrollo.  
Page et al. (2021)  
Guía PRISMA 2020  
elegibilidad e inclusión.  
Aporta criterios para valorar el  
reporte de estudios que desarrollan,  
validan o actualizan modelos  
predictivos con IA.  
Collins et al.  
(2024)  
No evalúa población infantil ni herramientas específicas de  
detección temprana.  
TRIPOD+AI  
PROBAST+AI  
QUADAS-AI  
Orienta la evaluación crítica del  
riesgo de sesgo, calidad y  
aplicabilidad de modelos  
predictivos con IA.  
Moons et al.  
(2025)  
Es una herramienta metodológica para valoración de  
modelos, no evidencia primaria de detección.  
Apoya la discusión sobre calidad y  
aplicabilidad de estudios de  
exactitud diagnóstica basados en  
IA.  
Es un protocolo/herramienta de evaluación metodológica, no  
un estudio empírico en población infantil.  
Guni et al. (2024)  
Permite discutir la evaluación  
clínica temprana de sistemas de  
apoyo a decisiones basados en IA.  
Vasey et al.  
(2022)  
No reporta desempeño de herramientas de IA en detección  
del neurodesarrollo.  
DECIDE-AI  
SPIRIT-AI  
Informa criterios para protocolos  
de ensayos clínicos con  
intervenciones basadas en IA.  
Cruz Rivera et al.  
(2020)  
Documento de reporte de protocolos; no constituye  
evidencia empírica de cribado infantil.  
Aporta criterios para reportar  
ensayos clínicos que involucran  
IA.  
Documento metodológico de reporte; no evalúa  
herramientas de detección temprana.  
Liu et al. (2020)  
CONSORT-AI  
Justifica la relevancia clínica y  
educativa de detectar  
tempranamente para activar apoyos  
oportunos.  
Metaanálisis de  
intervención temprana  
en TEA  
Sandbank et al.  
(2023)  
Evalúa intervenciones tempranas, no herramientas de IA  
para detección o cribado.  
Permite contextualizar la  
heterogeneidad del campo, las  
modalidades tecnológicas y los  
desafíos de implementación.  
Revisión sistemática  
sobre IA en trastornos  
del neurodesarrollo  
Shahini et al.  
(2025)  
Es evidencia de síntesis, no estudio primario de detección en  
primera infancia.  
Revisión de alcance  
sobre IA en diagnóstico  
de trastornos del  
neurodesarrollo  
Apoya la discusión sobre  
oportunidades, limitaciones y  
condiciones de traducción clínica  
de la IA.  
Ramírez et al.  
(2026)  
Es revisión de alcance; no constituye evidencia primaria ni  
se limita necesariamente a 0-5 años.  
pediátrico  
Fuente: Elaboración propia  
No obstante, desde una mirada educativa, este  
avance no debe interpretarse únicamente como  
una innovación técnica aplicada al campo  
IA ingresa precisamente en ese espacio de alta  
sensibilidad evolutiva, no para reemplazar la  
mirada profesional, sino para ampliar la  
capacidad de observación y apoyar decisiones  
más oportunas. Está precisión es fundamental  
para un artículo construido desde el campo  
educativo. En educación inicial, la detección  
temprana no equivale al diagnóstico clínico,  
sino a la identificación de señales que pueden  
orientar apoyos, adaptaciones, derivaciones y  
procesos de acompañamiento familiar. Por  
ello, el valor de la IA no debe medirse  
únicamente por su exactitud, sensibilidad o  
especificidad, sino por su capacidad para  
clínico,  
sino  
como  
una  
transformación  
potencial en la manera en que las instituciones  
educativas, las familias y los profesionales de  
apoyo pueden observar, registrar, interpretar y  
responder a las primeras señales del desarrollo  
infantil. En la introducción se planteó que la  
primera infancia constituye una zona crítica del  
desarrollo humano, donde la organización  
neurológica,  
la  
maduración  
motora,  
la  
emergencia del lenguaje, la interacción social y  
la regulación socioemocional se configuran de  
manera intensa. Los hallazgos confirman que la  
fortalecer  
una  
cultura  
institucional  
de  
Página 122  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
observación del desarrollo. La escuela, el  
Los modelos de Rajagopalan et al. (2024) y  
Chen et al. (2023) muestran que es posible  
anticipar riesgo mediante datos relativamente  
disponibles, lo cual podría facilitar rutas de  
triage en sistemas con alta demanda. Sin  
embargo, el educador no trabaja únicamente  
con probabilidades, sino con trayectorias. Un  
niño no se reduce a una variable de riesgo; su  
desarrollo se expresa en una historia de  
relaciones, oportunidades, apoyos, barreras y  
respuestas del entorno. Por tanto, cuando estos  
modelos se trasladan al campo educativo,  
deben emplearse como insumos para fortalecer  
la observación y no como mecanismos de  
clasificación.  
centro infantil o el servicio de educación inicial  
suelen ser espacios privilegiados para advertir  
diferencias en la comunicación, el juego, la  
interacción, la motricidad, la atención conjunta,  
la respuesta a rutinas o la participación social.  
Desde esta perspectiva, la IA puede entenderse  
como un andamiaje técnico que ayuda a  
organizar  
señales  
dispersas,  
pero  
la  
interpretación pedagógica de esas señales  
continúa siendo una responsabilidad humana,  
situada y contextual.  
La concentración de estudios en trastorno del  
espectro autista confirma una tendencia  
relevante del campo. El TEA aparece como la  
condición más explorada por modelos de IA  
debido a la complejidad de su fenotipo  
temprano y a la diversidad de señales  
conductuales que pueden observarse en  
contextos naturales. Rajagopalan et al. (2024)  
muestran que un conjunto mínimo de  
información médica y antecedentes puede  
contribuir a estimar riesgo de TEA, mientras  
que Chen et al. (2023) amplían esta posibilidad  
al integrar registros clínicos electrónicos y  
narrativas médicas para anticipar diagnósticos  
posteriores.  
Los estudios basados en video doméstico,  
representados por Leblanc et al. (2020) y Kim  
et al. (2025), resultan especialmente relevantes  
para la educación inicial porque desplazan la  
observación del desarrollo hacia escenarios  
cotidianos. Leblanc et al. (2020) muestran que  
los modelos pueden trabajar con datos  
incompletos de videos caseros mediante  
técnicas de reemplazo de características, lo cual  
reconoce un problema real: los videos  
familiares  
rara  
vez  
se  
producen  
bajo  
condiciones controladas. Kim et al. (2025), por  
su parte, avanzan hacia sistemas automatizados  
de identificación de TEA a partir de videos  
breves del hogar.  
Estos estudios dialogan con el marco teórico de  
la introducción, en el que se señalaba que la IA  
convierte señales conductuales, clínicas o  
sensoriales en indicadores de riesgo. Sin  
embargo, desde una perspectiva educativa, esta  
En términos educativos, estos hallazgos son  
importantes porque conectan con una práctica  
habitual de los docentes de primera infancia:  
interpretar conductas en contexto. La conducta  
infantil no ocurre en abstracto; aparece durante  
el juego, la alimentación, el movimiento, la  
interacción con adultos, la imitación, la  
exploración de objetos y las rutinas de cuidado.  
El video permite capturar parte de esa riqueza  
contextual, aunque también exige criterios  
éticos y pedagógicos claros sobre qué se graba,  
conversión  
debe  
ser  
interpretada  
con  
prudencia. Un dato médico o conductual puede  
orientar una alerta, pero no sustituye la  
comprensión pedagógica del niño en su  
ambiente de aprendizaje, su historia familiar,  
sus oportunidades de interacción, su cultura  
comunicativa ni sus formas particulares de  
participación. En este punto emerge una  
tensión clave entre predicción y comprensión.  
Página 123  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
para qué se graba, quién observa y cómo se  
juego, la exploración, la autonomía, la  
comunicación corporal y la participación en  
utiliza la información. Desde la educación, el  
hogar y la escuela no pueden convertirse en  
simples fuentes de datos. La observación  
audiovisual de niños pequeños implica rostros,  
voces, cuerpos, interacciones familiares y  
espacios íntimos. Por eso, si los videos  
domésticos o escolares llegaran a incorporarse  
en procesos de tamizaje, deberían existir  
experiencias  
identificación más oportuna puede facilitar  
intervenciones de estimulación motora,  
educativas  
tempranas.  
Una  
adaptaciones del ambiente, orientación a  
cuidadores, adecuaciones de materiales y  
coordinación con terapias de apoyo. Sin  
embargo, también se requiere cautela: los  
estudios con lactantes de alto riesgo no pueden  
extrapolarse de manera directa a poblaciones  
generales de educación inicial.  
protocolos  
rigurosos  
de  
consentimiento  
informado, resguardo de información, finalidad  
educativa y devolución comprensible de  
resultados. Además, las familias y los docentes  
necesitan saber que un video analizado por IA  
no produce un diagnóstico, sino una señal que  
requiere interpretación profesional.  
En contextos educativos, donde la prevalencia  
puede ser menor y la diversidad del desarrollo  
más amplia, los falsos positivos podrían  
generar ansiedad familiar o derivaciones  
innecesarias, mientras que los falsos negativos  
podrían retrasar apoyos necesarios. Por ello, el  
uso educativo de estas herramientas debería  
vincularse con protocolos de vigilancia del  
desarrollo y no con decisiones aisladas basadas  
en una única medición algorítmica. La línea de  
seguimiento ocular, representada por Antolí et  
al. (2025), aporta otro elemento central para el  
La evidencia relacionada con parálisis cerebral  
presenta una configuración distinta. Groos et  
al. (2022), Abbasi et al. (2023) y Passmore et  
al. (2024) se orientan hacia el análisis  
automatizado de movimientos espontáneos del  
lactante, apoyándose en una tradición clínica  
previamente consolidada. A diferencia del  
TEA, donde las señales son más heterogéneas  
y dependen fuertemente del contexto social y  
comunicativo, el análisis de movimientos  
generales se vincula con patrones motores  
observables en ventanas tempranas específicas.  
diálogo  
entre  
IA  
y
educación:  
la  
interpretabilidad.  
Los resultados muestran que los modelos  
basados en eye-tracking no solo buscan  
clasificar perfiles, sino identificar variables  
oculométricas relacionadas con atención social  
y diferencias en el desarrollo. Esta posibilidad  
es valiosa porque la atención visual, la  
orientación hacia estímulos sociales, la mirada  
compartida y el seguimiento de interacciones  
son componentes estrechamente relacionados  
con la participación en actividades de aula, el  
aprendizaje por imitación y la comunicación  
temprana. Sin embargo, que un modelo  
Groos et al. (2022) desarrollan y validan un  
método de aprendizaje profundo para predecir  
parálisis cerebral en lactantes de alto riesgo;  
Abbasi et al. (2023) proponen seguimiento  
automatizado  
de  
movimientos  
infantiles  
mediante videos de dispositivos móviles; y  
Passmore et al. (2024) avanzan en la  
identificación de movimientos anómalos a  
partir de videos capturados con teléfonos  
inteligentes. Desde el enfoque educativo, la  
parálisis cerebral y las alteraciones motoras  
tempranas no afectan únicamente el desarrollo  
clínico del niño, sino también su acceso al  
identifique  
una  
variable  
oculométrica  
discriminativa no significa que el docente  
cuente automáticamente con una estrategia  
Página 124  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
educativa pertinente. La pregunta pedagógica  
una trayectoria situada. La IA puede identificar  
regularidades, pero la educación trabaja con  
singularidades. En el aula, dos niños con  
señales similares pueden requerir apoyos  
distintos porque sus historias, contextos  
es más amplia: cómo se expresa esa diferencia  
en la interacción cotidiana, qué apoyos necesita  
el niño para participar, qué ajustes debe realizar  
el entorno y cómo evitar que la señal se  
convierta en etiqueta.  
familiares,  
estilos  
comunicativos  
y
oportunidades de aprendizaje no son iguales.  
Por ello, la IA no debe conducir a una  
pedagogía de la predicción, sino a una  
pedagogía de la observación informada, donde  
la tecnología ayude a mirar mejor, pero no  
decida por el docente ni por el equipo  
interdisciplinario. Desde el punto de vista  
metodológico, los resultados muestran una  
brecha clara entre rendimiento técnico y  
madurez de implementación. Varios estudios  
reportan desempeños prometedores, pero no  
El análisis acústico del llanto, explorado por  
Laguna et al. (2025), abre una línea innovadora  
pero todavía incipiente. Este enfoque parte de  
la idea de que el llanto, la voz y las  
vocalizaciones tempranas pueden contener  
rasgos acústicos asociados a diferencias  
neurodesarrollativas. En principio, su atractivo  
educativo y comunitario radica en su bajo costo  
potencial y en la posibilidad de capturar señales  
tempranas sin equipamiento sofisticado. No  
obstante, desde una mirada educativa, esta  
siempre  
documentan  
análisis  
validación  
por  
externa,  
línea  
exige  
una  
lectura  
especialmente  
calibración,  
subgrupos,  
cuidadosa. Las vocalizaciones infantiles están  
profundamente mediadas por el contexto de  
cuidado, la edad, el estado emocional, la  
lengua, las prácticas familiares, la salud del  
niño y el ambiente sonoro. Por tanto, aunque  
Laguna et al. (2025) muestran un camino  
prometedor, su uso en escenarios educativos  
debe considerarse todavía exploratorio.  
comparación con evaluadores humanos o  
evaluación prospectiva en flujos reales de  
atención.  
Esta limitación es particularmente importante  
para educación, porque una herramienta que  
funciona en una muestra controlada puede  
comportarse de manera diferente en un centro  
infantil con diversidad cultural, lingüística,  
socioeconómica y familiar. Collins et al.  
(2024), mediante TRIPOD+AI, insisten en la  
necesidad de reportar con transparencia el  
desarrollo, validación y actualización de  
modelos predictivos con IA. Moons et al.  
(2025), desde PROBAST+AI, amplían esta  
exigencia al análisis de riesgo de sesgo y  
Antes de pensar en implementación, se requiere  
validación externa, diversidad cultural y  
protocolos que eviten interpretar diferencias  
comunicativas como déficit sin considerar el  
contexto. En conjunto, estos resultados  
confirman la noción de fenotipado digital del  
neurodesarrollo planteada en la introducción.  
Los modelos revisados convierten videos,  
movimientos, miradas, registros clínicos,  
aplicabilidad.  
Guni  
et  
al.  
(2024),  
con  
QUADAS-AI, refuerzan la necesidad de  
herramientas específicas para valorar estudios  
antecedentes  
y
señales  
acústicas  
en  
representaciones  
computacionales  
del  
diagnósticos  
basados  
en  
IA.  
Estas  
desarrollo infantil. Esta operación tiene  
potencial, pero también introduce una tensión  
epistemológica relevante para los educadores:  
el desarrollo no es solo un patrón de datos, sino  
orientaciones son fundamentales porque un  
modelo educativo-clínico no puede evaluarse  
solo por su exactitud; debe analizarse también  
su robustez, trazabilidad, equidad y utilidad  
Página 125  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
contextual. La dimensión de equidad merece un  
temprana se caracteriza por una autonomía  
limitada para decidir sobre la captura,  
almacenamiento y procesamiento de datos.  
Esta situación obliga a que el consentimiento  
familiar no sea tratado como un trámite, sino  
como un proceso informado, comprensible y  
situado. Cuando se trabaja con videos, audios,  
registros clínicos o datos de interacción, no  
solo se registra al niño, sino también parte de  
su entorno familiar y educativo. Esto demanda  
criterios de minimización de datos, finalidad  
explícita, seguridad, anonimización, control de  
acceso y mecanismos de auditoría.  
lugar central en la discusión. En la introducción  
se señaló que la detección temprana adquiere  
especial  
relevancia  
de  
en  
territorios  
escasez  
con  
de  
desigualdad  
acceso,  
profesionales y baja disponibilidad de servicios  
especializados. Los resultados muestran que  
algunas modalidades, como videos domésticos  
o información médica mínima, podrían ampliar  
el alcance del tamizaje. Sin embargo, también  
pueden reproducir desigualdades.  
Las familias con mayor alfabetización digital  
pueden grabar mejores videos; los niños con  
mayor acceso al sistema de salud tendrán  
registros clínicos más completos; los contextos  
urbanos podrían estar mejor representados en  
Desde la educación, además, debe garantizarse  
que la información obtenida no sea utilizada  
para excluir, etiquetar o limitar expectativas,  
las  
bases  
de  
datos;  
y
las  
prácticas  
grupos  
sino  
para  
activar  
apoyos  
oportunos  
y
comunicativas  
de determinados  
respetuosos. La comunicación de resultados  
constituye otro punto sensible. Un puntaje de  
riesgo puede ser útil para priorizar una  
derivación, pero también puede generar  
culturales podrían ser interpretadas como  
desviaciones si el modelo no fue entrenado con  
suficiente diversidad. Por ello, la equidad  
diagnóstica  
debe  
entenderse  
como  
una  
ansiedad  
familiar  
o
interpretaciones  
dimensión del desempeño del modelo y no  
como una reflexión posterior. Un sistema de IA  
que presenta buenos indicadores globales, pero  
falla en niños de determinados contextos  
sociales, culturales o lingüísticos, no puede  
considerarse aceptable para educación inicial.  
deterministas si se comunica sin mediación  
profesional. En educación inicial, donde las  
familias suelen buscar respuestas ante señales  
que les preocupan, el docente y el equipo de  
apoyo deben evitar convertir la alerta en  
diagnóstico. El algoritmo no dice quién es el  
niño; solo ofrece una estimación basada en  
datos y modelos.  
La finalidad educativa de la detección  
temprana no es clasificar niños, sino garantizar  
apoyos. Esto implica que todo sistema de IA  
debería ser evaluado en función de su  
contribución a reducir barreras y no de su  
capacidad para producir etiquetas. Desde esta  
lógica, la pregunta central no es solo qué tan  
bien predice, sino a quién beneficia, a quién  
puede perjudicar, qué decisiones activas, qué  
apoyos genera y cómo se asegura que el  
resultado no derive en exclusión. En el plano  
ético, la aplicación de IA en primera infancia  
exige una protección reforzada. La infancia  
La responsabilidad educativa consiste en  
traducir esa información en acompañamiento,  
observación ampliada, diálogo con la familia y  
derivación pertinente cuando sea necesario. Por  
tanto, el lenguaje utilizado debe ser prudente:  
hablar de señales, riesgo, necesidad de  
valoración o seguimiento, no de diagnóstico  
cerrado. Esta discusión permite precisar la  
contribución del artículo. La IA puede  
fortalecer  
la  
detección  
temprana  
de  
alteraciones del neurodesarrollo, pero solo si se  
Página 126  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
integra en una lógica educativa, inclusiva e  
5 años. Los hallazgos muestran que la IA ha  
adquirido una presencia creciente en este  
campo, especialmente en el cribado del  
trastorno del espectro autista y en la predicción  
temprana de parálisis cerebral mediante el  
interdisciplinaria. Su aporte más valioso no es  
sustituir al especialista ni al educador, sino  
ampliar las condiciones para que el desarrollo  
infantil sea observado de manera más  
sistemática, sensible y oportuna. Desde esta  
perspectiva, el docente de educación inicial no  
se convierte en operador pasivo de una  
herramienta tecnológica, sino en mediador  
crítico entre los datos, el contexto y las  
decisiones pedagógicas. Esta mediación es  
fundamental porque la educación trabaja con  
posibilidades de desarrollo, no únicamente con  
indicadores de riesgo.  
análisis  
automatizado  
de  
movimientos  
espontáneos.  
Las modalidades con mayor desarrollo fueron el  
video doméstico, la visión por computador, los  
registros clínicos electrónicos, la información  
médica mínima, el seguimiento ocular, el  
análisis acústico del llanto y los enfoques  
multimodales. Esta diversidad evidencia que la  
detección temprana está transitando desde  
modelos centrados exclusivamente en la  
observación clínica especializada hacia formas  
de vigilancia más amplias, apoyadas en datos  
conductuales, motores, sensoriales y clínicos  
capturados en contextos cotidianos. Desde una  
perspectiva educativa, el principal aporte de  
estas herramientas no radica en reemplazar la  
valoración profesional, sino en fortalecer los  
procesos de observación, alerta temprana y  
derivación oportuna.  
En síntesis, el campo se encuentra en una fase  
de transición. Los estudios de Leblanc et al.  
(2020), Kim et al. (2025), Rajagopalan et al.  
(2024), Chen et al. (2023), Antolí et al. (2025),  
Laguna et al. (2025), Groos et al. (2022),  
Abbasi et al. (2023) y Passmore et al. (2024)  
muestran  
rutas  
tecnológicas  
ampliar  
diversas  
y
prometedoras  
para  
el tamizaje  
temprano. Sin embargo, la evidencia todavía  
requiere mayor validación externa, diversidad  
muestral, estudios prospectivos, análisis de  
equidad, evaluación de aceptabilidad familiar y  
profesional, y pruebas de impacto en escenarios  
reales de salud y educación. La agenda futura  
debería priorizar investigaciones que no solo  
midan desempeño algorítmico, sino que  
examinen cómo estas herramientas modifican  
las rutas de derivación, la coordinación familia-  
escuela, la planificación de apoyos, la inclusión  
educativa y la participación infantil.  
En educación inicial, donde el docente observa  
diariamente el juego, la interacción, la  
comunicación, la motricidad, la atención y la  
participación del niño, la IA puede funcionar  
como un andamiaje técnico que ayude a  
organizar señales de riesgo y a fundamentar  
decisiones de acompañamiento. Su utilidad más  
relevante se ubica, por tanto, en el tamizaje  
inicial, la priorización de derivaciones y la  
articulación entre familia, escuela y servicios  
especializados. No obstante, la revisión también  
Conclusiones  
La revisión sistemática permitió responder al  
permitió  
establecer  
que  
el  
rendimiento  
objetivo del estudio al analizar la evidencia  
científica publicada entre 2020 y mayo de 2026  
sobre el uso de herramientas de inteligencia  
artificial para la detección temprana de  
alteraciones del neurodesarrollo en niños de 0 a  
algorítmico, por sí solo, no justifica la  
implementación de estas tecnologías en  
escenarios  
educativos  
o
clínicos.  
La  
sensibilidad, especificidad, exactitud o AUC  
deben interpretarse junto con otros criterios  
Página 127  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
igualmente importantes: validación externa,  
calibración, explicabilidad, desempeño por  
subgrupos, diversidad de las muestras, calidad  
de los datos, protección de la privacidad y  
utilidad real en los flujos de atención.  
Antolí, A., Rodríguez, F., Juan, J., Vacas, J.,  
Cuadrado, F., Sánchez, A., Pérez, C., &  
Gámez, J. (2025). Using explainable machine  
learning and eye-tracking for diagnosing  
autism spectrum and developmental language  
disorders in social attention tasks. Frontiers  
in Neuroscience, 19, Article 1558621.  
https://doi.org/10.3389/fnins.2025.1558621  
Bondi, B, Tassone, V., Bucsea, O., Desrocher,  
M., & Pepler, D. (2024). A systematic review  
En el campo educativo, esta exigencia es aún  
más sensible, porque una alerta mal interpretada  
puede  
generar  
etiquetamiento  
prematuro,  
of  
infancy and early childhood: Developing a  
conceptual framework, repository of  
neurodevelopmental  
assessments  
in  
ansiedad familiar o decisiones pedagógicas  
inadecuadas. Por ello, cualquier herramienta de  
IA aplicada a la primera infancia debe utilizarse  
como apoyo a la toma de decisiones, no como  
mecanismo autónomo de clasificación o  
measures, and clinical recommendations.  
Neuropsychology Review, 35(2), 337–353.  
https://doi.org/10.1007/s11065-024-09641-7  
Chen, J., Engelhard, M, Henao, R., Berchuck,  
S., Eichner, B., Perrin, E., Sapiro, G., &  
Dawson, G. (2023). Enhancing early autism  
prediction based on electronic health records  
diagnóstico.  
El  
desafío  
futuro  
no  
será  
únicamente desarrollar modelos más precisos,  
sino construir sistemas de detección temprana  
pedagógicamente  
pertinentes,  
clínicamente  
using  
clinical  
narratives.  
Journal  
of  
robustos, éticamente seguros y contextualmente  
viables. Para ello, se requieren estudios  
prospectivos, multicéntricos y culturalmente  
diversos que evalúen no solo el desempeño  
técnico de los algoritmos, sino también su  
impacto en la inclusión educativa, la reducción  
de barreras, la articulación familia-escuela, la  
oportunidad de las derivaciones y la calidad de  
los apoyos ofrecidos a la infancia. Solo bajo  
estas condiciones la inteligencia artificial podrá  
traducirse en una herramienta real para ampliar  
oportunidades de desarrollo, fortalecer la  
respuesta educativa y garantizar que la  
Biomedical Informatics, 144, Article 104390.  
https://doi.org/10.1016/j.jbi.2023.104390  
Collins, G., Dhiman, P., Ma, J., Schlussel, M.  
M., Archer, L., Van Calster, B., et al. (2024).  
TRIPOD+AI statement: Updated guidance  
for reporting clinical prediction models that  
use regression or machine learning methods.  
BMJ,  
385,  
Article  
e078378.  
https://doi.org/10.1136/bmj-2023-078378  
Cruz, S., Liu, X., Chan, A, Denniston, A.,  
Calvert, M., (2020). Guidelines for clinical  
trial protocols for interventions involving  
artificial  
extension.  
intelligence:  
BMJ, 370,  
The  
Article  
SPIRIT-AI  
m3210.  
https://doi.org/10.1136/bmj.m3210  
detección  
temprana  
conduzca  
a
Draper, C., Yousafzai, A., McCoy, D., Cuartas,  
J., Obradović, J., Bhopal, S., et al. (2024).  
The next 1000 days: Building on early  
investments for the health and development  
of young children. The Lancet, 404(10467),  
2094–2116. https://doi.org/10.1016/S0140-  
6736(24)01389-8  
Groos, D., Adde, L., Aubert, S., Boswell, L., de  
Regnier, R.-A., Fjørtoft, T., et al. (2022).  
Development and validation of a deep  
learning method to predict cerebral palsy  
from spontaneous movements in infants at  
high risk. JAMA Network Open, 5(7), Article  
acompañamientos más humanos, oportunos e  
inclusivos.  
Referencias Bibliográficas  
Abbasi, H., Mollet, S., Williams, S., Lim, L.,  
Battin, M., Besier, T. F., & McMorland, A. J.  
C. (2023). Deep-learning for automated  
markerless tracking of infants’ spontaneous  
movements in consumer mobile device video  
recordings.  
Research  
on  
Biomedical  
Engineering.  
https://doi.org/10.1007/s41870-023-01497-z  
Página 128  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
e2221325.  
solutions for clinical surveillance and  
evaluation in infancy: General movement  
apps. Journal of Clinical Medicine, 12(10),  
https://doi.org/10.1001/jamanetworkopen.20  
22.21325  
Guni, A., Sounderajah, V., Whiting, P.,  
Bossuyt, P., Darzi, A., & Ashrafian, H.  
(2024). Revised tool for the quality  
assessment of diagnostic accuracy studies  
using artificial intelligence (QUADAS-AI):  
Protocol for a qualitative study. JMIR  
Research Protocols, 13, Article e58202.  
https://doi.org/10.2196/58202  
Article  
3576.  
https://doi.org/10.3390/jcm12103576  
Moons, K., Damen, J., Kaul, T., Hooft, L.,  
Navarro, C. A., Dhiman, P., et al. (2025).  
PROBAST+AI: An updated quality, risk of  
bias, and applicability assessment tool for  
prediction models using regression or  
artificial intelligence methods. BMJ, 388,  
Han, W., Yang, X., Li, X., Wang, J., Liu, J., &  
Pang, W. (2026). Machine learning-based  
diagnosis of autism spectrum disorder in  
children and adolescents using eye-tracking  
data: A systematic review and meta-analysis.  
Article  
e082505.  
https://doi.org/10.1136/bmj-2024-082505  
Page, M, McKenzie, J, Bossuyt, P., Boutron, I.,  
Hoffmann, T, Mulrow, C., et al. (2021). The  
PRISMA 2020 statement: An updated  
guideline for reporting systematic reviews.  
International  
Informatics,  
Journal  
208,  
of  
Article  
Medical  
106235.  
BMJ,  
372,  
Article  
n71.  
https://doi.org/10.1016/j.ijmedinf.2025.1062  
35  
https://doi.org/10.1136/bmj.n71  
Passmore, E., Kwong, A. K. L., Greenstein, S.,  
Olsen, J. E., Eeles, A. L., & Cheong, J. L. Y.  
Kim, D, Do, R., Shin, Y., Sim, H., Kim, H.,  
Cho, S., et al. (2025). Automated AI-based  
identification of autism spectrum disorder  
from home videos. npj Digital Medicine, 8,  
Article 607. https://doi.org/10.1038/s41746-  
025-01993-5  
Laguna, A., Pusil, S., Paltrinieri, A. L., &  
Orlandi, S. (2025). Automatic cry analysis:  
Deep learning for screening of autism  
spectrum disorder in early childhood. Journal  
of Autism and Developmental Disorders.  
https://doi.org/10.1007/s10803-025-06811-1  
Leblanc, E., Washington, P., Varma, M.,  
Dunlap, K., Penev, Y., Kline, A., & Wall, D.  
P. (2020). Feature replacement methods  
enable reliable home video analysis for  
machine learning detection of autism.  
(2024).  
Automated  
identification  
of  
abnormal infant movements from smart  
phone videos using deep learning. PLOS  
Digital Health, 3(2), Article e0000432.  
https://doi.org/10.1371/journal.pdig.000043  
2
Rajagopalan, S., Zhang, Y., Yahia, A., &  
Tammimies, K. (2024). Machine learning  
prediction of autism spectrum disorder from  
a minimal set of medical and background  
information. JAMA Network Open, 7(8),  
Article  
e2429229.  
https://doi.org/10.1001/jamanetworkopen.20  
24.29229  
Ramírez, M., Rodríguez, M, Salas, M., &  
Hernández, E. (2026). Artificial intelligence  
in diagnosis of pediatric neurodevelopmental  
disorders: A scoping review. World Journal  
Scientific Reports,  
10, Article 21245.  
https://doi.org/10.1038/s41598-020-76874-  
w
of  
Pediatrics,  
22,  
315–329.  
Liu, X., Cruz, S., Moher, D., Calvert, M,  
https://doi.org/10.1007/s12519-025-00999-z  
Sandbank, M., Bottema, K., Crowley, S.,  
Cassidy, M., Dunham, K., & Feldman, J.  
(2023). Autism intervention meta-analysis of  
early childhood studies (Project AIM):  
Updated systematic review and secondary  
Denniston,  
A.  
K.  
(2020).  
Reporting  
guidelines for clinical trial reports for  
interventions involving artificial intelligence:  
The CONSORT-AI extension. BMJ, 370,  
Article  
m3164.  
https://doi.org/10.1136/bmj.m3164  
analysis.  
BMJ,  
383,  
Article  
e076733.  
Marschik, P, Kwong, A., Silva, N., Olsen, J.,  
Schulte, M., Bölte, S., et al. (2023). Mobile  
https://doi.org/10.1136/bmj-2023-076733  
Página 129  
Ciencia y Educación  
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)  
Vol. 7 No. 5.2  
Edición Especial V 2026  
Shahini, A., Kamath, A. P., Sharma, E., Salvi,  
stage clinical evaluation of decision support  
systems driven by artificial intelligence:  
M., Tan, R.-S., Siuly, S., et al. (2025). A  
systematic review for artificial intelligence-  
driven assistive technologies to support  
children with neurodevelopmental disorders.  
Information Fusion, 124, Article 103441.  
https://doi.org/10.1016/j.inffus.2025.103441  
Vasey, B., Nagendran, M., Campbell, B.,  
Clifton, D. A., Collins, G. S., Denaxas, S., et  
al. (2022). Reporting guideline for the early-  
DECIDE-AI.  
BMJ,  
377.  
https://doi.org/10.1136/bmj-2022-070904  
Esta obra está bajo una licencia de  
Creative Commons Reconocimiento-No Comercial  
4.0 Internacional. Copyright  
©
Heidy Tanya  
Mayorga Sánchez, Karla Gabriela Mora Alvarado,  
Wilson Oswaldo Sánchez Macías y Diego Esteban  
Fernández Olivo.  
Declaraciones éticas y editoriales del artículo  
Contribución de los autores (Taxonomía CRediT)  
Heidy Tanya Mayorga Sánchez: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de  
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.  
Karla Gabriela Mora Alvarado: curación y organización de los datos, participación en la recolección de información, validación de los resultados  
obtenidos y elaboración de representaciones gráficas y visualización de los datos.  
Wilson Oswaldo Sánchez Macías: provisión de recursos académicos y materiales para el desarrollo del estudio, apoyo en la administración del proyecto  
investigativo y revisión editorial del manuscrito antes de su publicación.  
Diego Esteban Fernández Olivo: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de  
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.  
Declaración de conflicto de intereses  
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del  
presente artículo.  
Declaración de financiamiento  
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de  
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.  
Declaración del editor  
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia  
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la  
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo  
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.  
Declaración de los revisores  
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,  
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus  
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.  
Declaración ética de la investigación  
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad  
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse  
a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.  
Declaración sobre el uso de inteligencia artificial  
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción  
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la  
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito  
ni sustituyen la responsabilidad académica de los investigadores.  
Disponibilidad de datos  
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las  
normas éticas y de confidencialidad establecidas por la investigación.  
Página 130