El queratocono es una enfermedad no inflamatoria de los ojos diagnosticada en más de 1/2000 personas, lo que la hace significativamente común. Entre otros, se ha identificado que frotarse los ojos es un factor de riesgo para el desarrollo del queratocono. La gravedad de la enfermedad depende fuertemente de la frecuencia y fuerza con la que se frotan los ojos. Varios esfuerzos de investigación se han centrado en diagnosticar el queratocono a través de la aplicación de técnicas de inteligencia artificial en imágenes de tomografía de coherencia óptica y mediciones corneales. Sin embargo, hasta donde saben los autores, no se han realizado estudios que proporcionen un mecanismo de detección y alerta de frotamiento ocular para la prevención del queratocono. Este estudio tiene la intención de ayudar a cerrar esta brecha de investigación. Se emplea conjuntamente una unidad de medición inercial dedicada a recopilar datos de movimiento de la mano y técnicas de aprendizaje automático para la detección temprana de problemas y complicaciones potenciales. Se evaluaron y compararon cuatro métodos de clasificación convencionales (máquinas de vectores de soporte, árboles de decisión, bosque aleatorio y XGBoost). Todos los métodos obtienen resultados de alta precisión, con SVM, RF y XGBoost ligeramente superando a los árboles de decisión. Como revelan los resultados, el rendimiento de todos los métodos es notable, lo que permite considerar la integración de dicha solución en dispositivos portátiles como relojes inteligentes para la detección temprana del frotamiento ocular y la prevención del queratocono.