KI-Tools können das ADHS-Risiko bereits Jahre vor einer formellen Diagnose vorhersagen

Die Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung (ADHS) betrifft Millionen von Kindern, doch viele bleiben jahrelang ohne Diagnose und verpassen die Chance auf frühzeitige Unterstützung, die die langfristigen Ergebnisse verändern kann, selbst wenn frühe Anzeichen vorhanden sind.

In einer neuen Studie fanden Forscher von Duke Health heraus, dass Tools der künstlichen Intelligenz routinemäßige elektronische Gesundheitsakten analysieren können, um das Risiko eines Kindes, an ADHS zu erkranken, Jahre vor einer typischen Diagnose genau einzuschätzen. Durch die Überprüfung von Mustern in alltäglichen medizinischen Daten könnte der Ansatz dabei helfen, Kinder zu identifizieren, die von einer früheren Beurteilung und Nachsorge profitieren könnten.

Die Studie, veröffentlicht in Psychische Gesundheit der Natur am 27. April zeigt, wie aussagekräftige Erkenntnisse aus Informationen gewonnen werden können, die bereits bei regelmäßigen Gesundheitsbesuchen gesammelt wurden, um die frühzeitige Entscheidungsfindung von Erstversorgern zu unterstützen.

Wir verfügen über diese unglaublich reichhaltige Informationsquelle in den elektronischen Gesundheitsakten. Die Idee bestand darin, herauszufinden, ob in diesen Daten verborgene Muster uns dabei helfen könnten, vorherzusagen, bei welchen Kindern später möglicherweise ADHS diagnostiziert wird, lange bevor diese Diagnose normalerweise gestellt wird.“

Elliot Hill, Hauptautor der Studie und Datenwissenschaftler, Abteilung für Biostatistik und Bioinformatik, Duke University School of Medicine

Um zu den Ergebnissen zu gelangen, analysierten die Forscher elektronische Gesundheitsakten von mehr als 140.000 Kindern mit und ohne ADHS. Sie trainierten ein spezielles KI-Modell, um die Krankengeschichte von der Geburt bis zur frühen Kindheit zu untersuchen. Das Modell lernte, Kombinationen aus Entwicklungs-, Verhaltens- und klinischen Ereignissen zu erkennen, die oft Jahre vor der ADHS-Diagnose auftraten.

Das Modell war bei der Schätzung des zukünftigen ADHS-Risikos bei Kindern ab 5 Jahren äußerst genau und zeigte eine konsistente Leistung bei allen Patientenmerkmalen wie Geschlecht, Rasse, ethnischer Zugehörigkeit und Versicherungsstatus.

Wichtig ist, dass das Tool keine Diagnose erstellt. Es identifiziert Kinder, die von einer stärkeren Betreuung durch ihren pädiatrischen Hausarzt oder einer früheren Überweisung zur ADHS-Beurteilung durch einen Spezialisten profitieren könnten.

„Das ist kein KI-Arzt“, sagte Matthew Engelhard, MD, Ph.D., in der Abteilung für Biostatistik und Bioinformatik von Duke und leitender Autor der Studie. „Es ist ein Tool, das Ärzten hilft, ihre Zeit und Ressourcen zu konzentrieren, damit Kinder, die Hilfe brauchen, nicht durchs Raster fallen oder jahrelang auf Antworten warten.“

Die Forscher stellen fest, dass eine frühere Identifizierung für das Screening zu einer früheren Diagnose und damit zu einer früheren Unterstützung führen könnte, was mit besseren akademischen, sozialen und gesundheitlichen Ergebnissen für Kinder mit ADHS verbunden ist. Sie betonen auch die Notwendigkeit weiterer Studien, bevor solche Instrumente im klinischen Umfeld eingesetzt werden.

„Kinder mit ADHS können wirklich Probleme haben, wenn ihre Bedürfnisse nicht verstanden werden und keine angemessene Unterstützung vorhanden ist“, sagte Studienautorin Naomi Davis, Ph.D., außerordentliche Professorin in der Abteilung für Psychiatrie und Verhaltenswissenschaften. „Die Verbindung von Familien mit zeitnahen, evidenzbasierten Interventionen ist entscheidend, um ihnen beim Erreichen ihrer Ziele zu helfen und den Grundstein für zukünftigen Erfolg zu legen.“

Hill und Engelhard haben auch den Einsatz von KI-Modellen zur Vorhersage potenzieller Risiken und Ursachen für psychische Erkrankungen bei Jugendlichen untersucht.

Zu den Autoren dieser Studie gehören neben Hill Engelhard und Davis auch De Rong Loh, Benjamin A. Goldstein und Geraldine Dawson.

Die Studie wurde durch Zuschüsse des National Institute of Mental Health (K01-MH127309, UL1 TR002553) und des National Center for Advancing Translational Sciences unterstützt.

Quellen: