La enfermedad de Alzheimer (EA) es un tipo de demencia que es más probable que ocurra a medida que las personas envejecen. Actualmente no tiene cura conocida. A medida que la población mundial envejece rápidamente, la detección temprana de la EA se ha vuelto cada vez más importante. Los métodos de detección tradicionales como las exploraciones cerebrales o las pruebas psiquiátricas son estresantes y costosos. Es probable que los pacientes se muestren reacios a tales pruebas y no reciban intervención oportuna. Mientras los investigadores han estado explorando el uso del lenguaje en la detección de demencia, se ha prestado menos atención a las características relacionadas con el rostro. El documento se centra en investigar cómo las características relacionadas con el rostro pueden ayudar en la detección de demencia mediante la exploración del conjunto de datos PROMPT que contiene datos de video recopilados de pacientes con demencia durante entrevistas. En este trabajo, extraímos tres tipos de características de los videos, incluyendo malla facial, características de Histograma de Gradientes Orientados (HOG) y Unidades de Acción (AU). Entrenamos modelos de aprendizaje automático tradicionales y modelos de aprendizaje profundo en las características extraídas e investigamos su efectividad en la detección de demencia. Nuestros experimentos muestran que el uso de características HOG logró la mayor precisión del 79% en la detección de demencia, seguido de características AU con un 71% de precisión y características de malla facial con un 66% de precisión. Nuestros resultados muestran que las características relacionadas con el rostro tienen el potencial de ser un indicador crucial en la detección automatizada computacional de demencia.