Métodos de evaluación clínica para la detección temprana del trastorno del espectro autista en pediatría mediante inteligencia artificial explicable y aprendizaje automático cuántico Autores: Priya Shanthini D.r - Karunya Institute of Technology and Sciences, Coimbatore (IN) Vasu Koduri - University of the Cumberlands, Kentucky (US) Naveen Maddukuri - Transpire Bio Inc., Weston, FL (US) M Kalpana Chowdary - BVRIT Hyderabad College of Engineering for Women (IN) Bini Darwin - Karunya Institute of Technology and Sciences, Coimbatore (IN) Shajin Prince - Karunya Institute of Technology and Sciences, Coimbatore (IN) Resumen El trastorno del espectro autista (TEA) es un trastorno complejo del neurodesarrollo caracterizado por dificultades persistentes en la comunicación social, junto con patrones de comportamiento restringidos y repetitivos. El diagnóstico temprano y preciso es fundamental para una intervención oportuna; sin embargo, los métodos tradicionales de evaluación clínica requieren mucho tiempo y recursos considerables, y sus resultados dependen del juicio del evaluador. El desarrollo de tecnologías de inteligencia artificial (IA), incluido el aprendizaje automático (ML) y el aprendizaje profundo (DL), ha hecho posible identificar automáticamente el TEA mediante el análisis de datos de EEG, información de neuroimagen, resultados de seguimiento ocular y señales conductuales. Las características de “caja negra” de estos modelos generan dos problemas principales que reducen su eficacia como herramientas predictivas para aplicaciones médicas. La introducción de técnicas de inteligencia artificial explicable (XAI), entre ellas SHAP, LIME y Grad-CAM, proporciona un marco para mejorar la interpretabilidad y la transparencia de los modelos. El aprendizaje automático cuántico (QML) presenta dos ventajas principales: su capacidad para procesar datos de alta dimensionalidad y su potencial para lograr un mejor rendimiento en tareas computacionales. Esta revisión examina los principales conjuntos de datos, las técnicas de preprocesamiento, los métodos de extracción de características y los modelos de detección basados en IA utilizados en el diagnóstico del TEA. Sin embargo, los investigadores continúan estudiando tres problemas principales: la falta de biomarcadores estandarizados, la variabilidad de los datos y la escasez de validación clínica. El artículo presenta futuras líneas de investigación orientadas al desarrollo de sistemas que alcancen interpretabilidad y robustez, manteniendo al mismo tiempo su utilidad clínica.