Modelos de clasificación para la detección temprana de TEA en Niños usando Datos del Q-CHAT-10

Resumen

El Trastorno del Espectro Autista (TEA) constituye un desafío para la detección temprana, especialmente en contextos con recursos limitados. Este estudio tuvo como objetivo desarrollar y evaluar modelos de clasificación basados en aprendizaje automático utilizando el cuestionario Q-CHAT-10, con el fin de analizar su capacidad predictiva en la identificación de niños con riesgo de TEA. Se empleó el conjunto de datos ASDTests (n=1,504; 564 casos TEA y 940 controles), aplicando el modelo CRISP-DM para el preprocesamiento, el balanceo de clases mediante sobremuestreo y el entrenamiento de cinco algoritmos: Regresión Logística, Árboles de Decisión, Bosque Aleatorio, Máquinas de Vectores de Soporte y XGBoost. Los resultados evidenciaron un desempeño sobresaliente en todos los clasificadores, destacando XGBoost con una exactitud de 99.84 %, un recall de 99.72 % y un F1-score de 99.78 %, superando a los demás modelos. Además, se identificó la relevancia de los ítems A3, A4, A5, A6 y A9 como predictores clave, aunque también se observaron posibles redundancias. Se concluye que la integración del Q-CHAT-10 con técnicas avanzadas de inteligencia artificial, especialmente XGBoost, constituye un recurso eficaz para apoyar el diagnóstico temprano del TEA en la infancia. No obstante, se requieren estudios de validación cultural y contextual en poblaciones latinoamericanas para asegurar su aplicabilidad clínica.