説明可能なAIと臨床的特徴を統合し、ADHD診断の理解を深める

科学分野:

• 神経科学; 人工知能;臨床心理学

背景:

• 成人注意欠陥・多動性障害（ADHD）の診断は、主観的な評価のために困難を伴います。機械学習（ML）は可能性を提供しますが、臨床用途には透明性が欠けています。ADHD予測のために、広範な臨床データ、薬物使用、生活の質を統合した研究は限られています。

研究 の 目的:

• 成人ADHD診断のための透明性の高いMLフレームワークを開発・評価すること。症状スケール、薬物使用、生活の質を含むマルチモーダル臨床データを統合すること。説明可能なAI（XAI）の洞察を従来の統計分析と比較すること。

主な方法:

• 英国の専門精神科医療サービスからの成人評価786件の後ろ向き分析。解釈性のためにXGBoost分類器とSHapley Additive exPlanations（SHAP）を使用。SHAPの帰属をピアソン相関およびウェルチのt検定と比較。

主要な成果:

• ADHD診断で77%の精度と0.82のAUC-ROCを達成。CAARS ADHD生スコアとDIVA成人期の不注意が主要な予測因子でした。SHAPは、PHQ-9がADHD症状予測を増幅するなどの相互作用を明らかにしました。年齢と性別が効果を調整しました。

結論:

• マルチモーダルデータを用いた透明性の高いMLは、成人ADHD診断の一貫性を向上させます。SHAP-EDAアプローチは、解釈可能で臨床的に関連性のある洞察を提供します。本研究の結果は、患者中心のデータ駆動型診断フレームワークを支持するものです。