Integración de IA explicable con características clínicas para mejorar la comprensión diagnóstica del TDAH

Área de la Ciencia:

• Neurociencia; Inteligencia Artificial; Psicología Clínica

Sus antecedentes:

• El diagnóstico del Trastorno por Déficit de Atención e Hiperactividad (TDAH) en adultos es un desafío debido a las evaluaciones subjetivas.; El aprendizaje automático (ML) ofrece potencial pero carece de transparencia para uso clínico.; La investigación limitada integra datos amplios de datos clínicos, uso de sustancias y calidad de vida para la predicción del TDAH.

Objetivo del estudio:

• Desarrollar y evaluar un marco transparente de aprendizaje automático para el diagnóstico del TDAH en adultos.; Integrar datos clínicos multimodales, incluidas escalas de síntomas, uso de sustancias y calidad de vida.; Comparar los conocimientos de IA explicable (XAI) con los análisis estadísticos tradicionales.

Principales métodos:

• Análisis retrospectivo de 786 evaluaciones de adultos de un servicio especializado de salud mental del Reino Unido.; Se utilizó el clasificador XGBoost con SHapley Additive exPlanations (SHAP) para la interpretabilidad.; Se compararon las atribuciones de SHAP con correlaciones de Pearson y pruebas t de Welch.

Principales resultados:

• Se logró una precisión del 77% y un AUC-ROC de 0.82 para el diagnóstico del TDAH.; Las puntuaciones brutas de TDAH de CAARS y la falta de atención en la edad adulta de DIVA fueron los predictores principales.; SHAP reveló interacciones, por ejemplo, PHQ-9 amplificando la predicción de síntomas de TDAH; la edad y el género moderaron los efectos.

Conclusiones:

• El ML transparente con datos multimodales mejora la consistencia diagnóstica del TDAH en adultos.; El enfoque SHAP-EDA proporciona información interpretable y clínicamente relevante.; Los hallazgos respaldan un marco diagnóstico centrado en el paciente y basado en datos.