El Aprendizaje Automático Automatizado (AutoML) mejora la productividad y la eficiencia al automatizar todo el proceso de desarrollo de modelos de aprendizaje automático, desde la preprocesamiento de datos hasta el despliegue del modelo. Estas herramientas son accesibles para usuarios con diferentes niveles de experiencia y permiten una clasificación eficiente, escalable y precisa en diversas aplicaciones. Este documento evalúa dos herramientas populares de AutoML, la Herramienta de Optimización de Pipeline Basada en Árboles (TPOT) versión 0.10.2 y el Minero de Información de Konstanz (KNIME) versión 5.2.5, comparando su rendimiento en una tarea de clasificación. Específicamente, este trabajo analiza la detección del trastorno del espectro autista (TEA) en niños pequeños como un caso de uso. El conjunto de datos para la detección del TEA se recopiló de varios centros de rehabilitación en Pakistán. Se aplicaron TPOT y KNIME al conjunto de datos del TEA, logrando TPOT una precisión del 85.23% y KNIME un 83.89%. Métricas de evaluación como la precisión, el recall y el F1-score validaron la fiabilidad de los modelos. Después de seleccionar los mejores modelos con la precisión óptima, se identificaron las características más importantes para la detección del TEA utilizando estas herramientas de AutoML. Las herramientas optimizaron el proceso de selección de características y redujeron significativamente el tiempo de diagnóstico. Este estudio demuestra el potencial de las herramientas de AutoML y las técnicas de selección de características para mejorar la detección temprana del TEA y los resultados para los niños afectados y sus familias.