Cuando Temple Grandin publicó The Autistic Brain, el iPhone tenía seis años. Los relojes inteligentes no existían comercialmente. La inteligencia artificial era cosa de laboratorios especializados, no una herramienta clínica. Y monitorear la actividad cerebral de un niño autista mientras duerme en su propia cama, con un dispositivo parecido a una diadema, habría sonado a ciencia ficción.
Por eso, Grandin no podía anticipar este capítulo: el territorio sencillamente no existía. No había wearables capaces de recoger datos clínicamente relevantes. No había algoritmos capaces de encontrar patrones en miles de perfiles a la vez. No había bases de datos con la escala necesaria para alimentarlos.
En apenas trece años, esos tres elementos —dispositivos, algoritmos y grandes bases de datos— convergieron. En el prólogo comparé la ciencia antes y después de la inteligencia artificial con explorar una cueva: primero con una vela, después con un radar. Este es el capítulo del radar.
El Simons Sleep Project: 3 600 noches de datos
Ese radar se vuelve tangible en un ejemplo concreto: el Simons Sleep Project, liderado por Ilan Dinstein en la Universidad Ben-Gurión de Israel, con Micha Hacohen como autor principal, y publicado en Nature Neuroscience a finales de 2025.1 Las familias se reclutaron del mismo estudio SPARK que dio origen a los cuatro subtipos del Capítulo 1.
El diseño resulta ambicioso precisamente por su simplicidad. Ciento dos niños autistas de diez a diecisiete años y noventa y ocho de sus hermanos no autistas llevaron tres dispositivos a la vez: una diadema Dreem3 que registra actividad electroencefalográfica durante el sueño, un reloj EmbracePlus que captura frecuencia cardíaca, actividad electrodermal y movimiento, y un tapete Withings bajo el colchón que detecta las fases del sueño sin tocar el cuerpo. Cada familia usó los dispositivos unas tres semanas.
«El laboratorio se mudó a la habitación. Tres mil seiscientas noches, en casa».
El resultado fue una escala difícil de imaginar en una consulta: más de tres mil seiscientos días y noches de datos continuos. Todo en casa. Sin que ningún niño pisara un laboratorio. Y, para cada participante, además, secuenciación de exoma completo: los datos del sueño y los del genoma, en el mismo lugar.
Los resultados confirmaron algo que las familias conocían por experiencia, pero que la ciencia necesitaba medir: los niños autistas tardan más en dormirse que sus hermanos, y esas latencias más largas se asocian con dificultades conductuales durante el día —en todos los participantes, con o sin diagnóstico—. Sin embargo, el hallazgo más importante no fue clínico, sino metodológico: los dispositivos superaron en precisión y confiabilidad a los reportes de los padres.
Y ahí está el verdadero salto. Esto trasciende al sueño. Hasta ahora, casi toda la información clínica sobre niños autistas venía de cuestionarios que los padres llenan en la consulta. Los padres hacen lo mejor que pueden, pero su percepción está filtrada por la memoria, la ansiedad y la falta de referencias. Un padre no sabe cuánto se mueve su hijo de noche a menos que se quede despierto contándolo. Un sensor sí.
Así, la investigación salió del laboratorio y entró al hogar. Con ella entró una objetividad que los cuestionarios nunca pudieron ofrecer.
El sensor no sabe de etiquetas
Pero ese cambio metodológico tiene un alcance todavía mayor. Hay un detalle en ese estudio que lo revela, y no es un añadido mío: está en su propio título. El artículo no se llama «sueño en autismo». Se llama, textualmente, un recurso para la investigación digital en autismo y otras condiciones del neurodesarrollo.
No es casualidad. Los propios autores señalan que los hermanos no autistas del estudio tienen, respecto a la población general, más del triple de prevalencia de TDAH —una condición también asociada a alteraciones del sueño—. Por eso, el recurso se diseñó desde una lógica transdiagnóstica: para separar y comparar alteraciones del sueño más allá de una sola etiqueta diagnóstica.
El principio es sencillo y poderoso: el sensor registra lo que ocurre en el cuerpo sin preguntar primero qué diagnóstico tiene la persona. Mide sueño, movimiento, frecuencia cardíaca o actividad electrodermal; después, los investigadores buscan qué patrones se comparten y cuáles distinguen a cada perfil.
En otras palabras, el sensor no sabe de etiquetas. Y precisamente por eso puede ayudar a descubrir cuánto de lo que atribuimos a una etiqueta pertenece, en realidad, a dimensiones que atraviesan varias condiciones.
El círculo virtuoso
La potencia de estas herramientas no está en ninguna de ellas por separado, sino en el circuito que forman.
DISPOSITIVOS generan datos → ALGORITMOS hallan patrones → CIENTÍFICOS interpretan y validan
Cada eslabón necesita a los otros dos.
«Sin dispositivos no hay datos. Sin algoritmos son ruido. Sin científicos no tienen significado».
Primero están los dispositivos. Generan datos no de una visita ocasional, sino continuos, durante días, semanas, meses. Frecuencia cardíaca segundo a segundo. Movimiento milisegundo a milisegundo. Actividad cerebral ciclo a ciclo. El volumen es masivo y ninguna mente humana puede procesarlo a mano.
Pero los datos, por sí solos, no bastan. Ahí entran los algoritmos. Donde un investigador ve una maraña de números, el algoritmo ve patrones. Detecta que ciertos perfiles de sueño predicen dificultades conductuales concretas. Que ciertos patrones de frecuencia cardíaca acompañan episodios de sobrecarga sensorial. Encuentra firmas que distinguen subtipos sin que nadie le diga cuántos buscar.
El último eslabón sigue siendo profundamente humano: los científicos interpretan, validan y traducen. Los algoritmos no entienden qué significa un patrón. No saben qué preguntas importan a las familias. No diseñan intervenciones. Eso sigue siendo trabajo humano.
Así se cierra el círculo. Cada eslabón necesita a los otros dos. Sin dispositivos, no hay datos. Sin algoritmos, los datos son ruido. Sin científicos, los patrones no tienen significado. Es un círculo que no existía en 2013 y que en 2026 produce resultados a una velocidad imposible con cualquiera de los tres por separado.
Cuando los datos generan la hipótesis
Ese círculo ya no es solo una posibilidad tecnológica: también está reorganizando la forma de investigar. En septiembre de 2025, los Institutos Nacionales de Salud de Estados Unidos lanzaron la Autism Data Science Initiative —ADSI—: más de cincuenta millones de dólares para trece proyectos que ponen la ciencia de datos en el centro de la investigación del autismo.2
La iniciativa reúne tres enfoques que hasta hace poco vivían en silos. Análisis de exposoma —el conjunto completo de exposiciones ambientales que una persona acumula desde la concepción— para entender cómo el ambiente interactúa con la genética. Modelos de organoides para observar el desarrollo cerebral in vitro, como los del Capítulo 5. Y aprendizaje automático para procesar la escala que estos enfoques producen, con centros independientes de replicación para validar los hallazgos en poblaciones diversas.
Esa integración responde a una dificultad que ya vimos en el Capítulo 7. El aumento de la prevalencia —de menos de uno en dos mil en los años setenta a uno en treinta y uno hoy— es real, y entenderlo exige analizar interacciones entre miles de variables genéticas y ambientales a la vez. Ningún enfoque tradicional puede. Solo la combinación de datos masivos e inteligencia artificial tiene esa capacidad.
Por eso, no estamos ante una tendencia, sino ante un cambio de paradigma. La investigación del autismo dejó de ser un campo donde los datos complementan la hipótesis y se volvió uno donde los datos generan las hipótesis. Los científicos siguen formulando las preguntas. Los algoritmos les muestran dónde buscar las respuestas.
Ver lo que el ojo humano no ve
Y esa capacidad importa todavía más cuando el tiempo también es una variable clínica. Una de las aplicaciones más prometedoras no es la investigación básica, sino la detección temprana.
El diagnóstico de autismo llega, en promedio, después de los cuatro años. Muchas veces después de los seis o siete. En niñas, aún más tarde. Cada año de retraso es un año de intervención perdida, y la evidencia es consistente: intervenir antes de los tres años produce mejores resultados.3
Frente a esa demora, los algoritmos se están entrenando para detectar señales tempranas en datos que un clínico no puede procesar en una consulta de treinta minutos: patrones de mirada en bebés, características del llanto, movimientos capturados por video, respuestas autónomas a estímulos. Cada señal es débil por separado. Combinadas en un modelo multivariable, la precisión predictiva sube.
La visión que se perfila es concreta. Una consulta pediátrica donde, además del examen, corre un protocolo de tres minutos: el bebé ve un video mientras una cámara sigue sus ojos, un micrófono capta sus vocalizaciones y un sensor registra su motricidad. Los datos se procesan solos y el pediatra recibe una estimación de riesgo que complementa su juicio. No reemplaza al médico: lo equipa con datos que su percepción, por sí sola, no puede generar.
Los riesgos que no podemos ignorar
Precisamente porque la promesa es grande, los riesgos no pueden quedar al margen. Sería irresponsable presentar esta revolución sin ellos. Y son sustanciales.
El primero es la validación. Que un algoritmo detecte un patrón no lo vuelve clínicamente relevante. Los modelos pueden encontrar correlaciones espurias si los datos de entrenamiento son sesgados o escasos. Cada herramienta necesita validación rigurosa antes de desplegarse, y eso toma años.
El segundo es la equidad. Los wearables cuestan dinero. Los algoritmos necesitan datos, y los datos vienen mayoritariamente de poblaciones blancas, angloparlantes y de países ricos. Un algoritmo entrenado con niños de California puede no funcionar para niños de Chiapas, Lagos o Dhaka. Si la tecnología amplía la brecha entre quienes tienen acceso y quienes no, habremos creado una herramienta de precisión solo para privilegiados.
El tercero es la privacidad. Registrar el cerebro, el sueño, el corazón y el movimiento de un niño genera un perfil biométrico íntimo. ¿Quién es dueño de esos datos? ¿Quién accede a ellos? ¿Pueden usarlos aseguradoras, empleadores o escuelas? No hay respuestas claras, y la tecnología avanza más rápido que la ley.
El cuarto es la dependencia. Si los clínicos confían en algoritmos en lugar de afinar su propio juicio, ¿qué pasa cuando la tecnología falla? La inteligencia artificial debe complementar la capacidad humana, no sustituirla.
De observar al niño a medir al niño
Al final, la transición de este capítulo es la misma que recorre todo el libro: de lo subjetivo a lo medible.
En 2013, Grandin observaba su propia mente, la de otras personas autistas y los comportamientos que contraba a su alrrededor. Su herramienta era la percepción humana, afinada por años de experiencia. Era poderosa, pero tenía límites inevitables: una persona no puede registrar miles de variables al mismo tiempo, seguir lo que ocurre el cerebro durante el sueño, ni descubrir por sí sola patrones escondidos en millones de datos.
En 2026, en cambio, ese panora comienza a ser distinto. Hoy podemos medir la actividad eléctrica del cerebro con diademas, seguir la atención con cámaras, registrar el sueño mediante sensores colocados bajo el colchón, y analizar el movimiento con acelerómetros en la muñeca. Después, los alogoritmos reunen toda esa información y encuentran relaciones que la observación clínica, por sí sola, difícilmente podría reconocer.
Pero medir no vuelve prescindible la experiencia. Grandin mostró cómo se ve el autismo desde adentro, la tecnología muestra cómo se mide desde afuera. Ninguna perspectiva basta sin la otra. La experiencia vivida sin datos es testimonio y los datos sin experiencia vivida son números. La ciencia del autismo necesita ambos.
Y aquí es donde la tecnología deja de ser abstracta y toca la vida cotidiana. Si eres madre o padre, quizá aquí esté lo que de verdad cambió. Durante años supiste que tu hijo tardaba una eternidad en dormirse porque lo viste noche tras noche. Lo mencionaste en consultas y quizá te respondieron que todos los niños duermen mal, que era ansiedad tuya, que ya se le pasaría. Tú sabías que había algo más, pero no tenías cómo probarlo.
Ahora, un sensor bajo un colchón multiplicado por tres mil seiscientas noches lo demostró, no lo imaginabas, y esa latencia se conecta con lo que veías de día. Alguien, por fin midió lo que sabías sin poder demostrar.
Lo que durante años una familia solo podía describir, ahora también puede dejar una huella medible. Y quizá esa sea una de las promesas más humanas de toda esta tecnología: no reemplazar la mirada de quien conoce al niño, sino darle una forma de decirle a la ciencia: esto que veo también está ocurriendo. Porque, a veces, el primer alivio no llega cuando aparece una solución. Llega cuando alguien, por fin, puede medir aquello que tú llevabas años intentando explicar.
La investigación entró al hogar. El hogar le devolvió datos que ningún laboratorio podía generar. Los algoritmos convirtieron esos datos en conocimiento. El radar reemplazó a la vela. Y el círculo sigue girando.