使用综合注意力测试预测注意力缺陷多动症:一种大规模的机器学习方法
Kwang Su Cha1, Bongseog Kim2, Jun-Young Lee3
1Corporate Research Institute, Happymind Inc., Gwacheon-shi, Gyeonggi-do, Republic of Korea.
Frontiers in psychiatry
|June 11, 2025
概括
机器学习模型与综合注意力测试 (CAT) 相结合,在诊断注意力缺陷多动症障碍 (ADHD) 中显示出高准确度. 这种方法为ADHD诊断提供了一个有前途的工具,改进了传统方法.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 计算机科学 计算机科学
背景情况:
- 目前的注意力缺陷多动症 (ADHD) 诊断依赖于可靠性和可用性有限的方法.
- 综合诊断方法包括临床面试,评分表和神经心理评估.
研究的目的:
- 开发一个强大的机器学习 (ML) 模型来预测ADHD诊断.
- 用全面注意力测试 (CAT) 的大规模数据来开发模型.
主要方法:
- 在韩国11429名参与者的均衡数据集上训练了8个ML模型.
- 在综合注意力测试 (CAT) 数据上使用5倍交叉验证的验证模型.
- 包括7737名被诊断患有多动症和多动症的人 (6772名患有并发症) 和850名对照人.
主要成果:
- 集成的ML模型和CAT在区分ADHD与对照组时取得了超过0.98的准确性.
- 观察到ADHD与并发性外部化障碍的高度分类准确性,特别是在严重的情况下.
- 在将纯ADHD与正常对照组区分开来时,表现特别强.
结论:
- 综合注意力测试 (CAT) 与ML模型集成,为ADHD诊断提供了一个有前途的工具.
- 这种方法可以提高ADHD诊断程序的可靠性和可用性.
- 进一步的研究可以探索这种ML驱动的诊断方法的临床实用性.
更多相关视频
13:09Using Brain Activation nir-HEG/Q-EEG and Execution Measures CPTs in a ADHD Assessment Protocol
Published on: April 1, 2018
10.3K
05:48The Adventures of Fundi Intervention Based on the Cognitive and Emotional Processing in Attention Deficit Hyperactive Disorder Patients
Published on: June 12, 2020
5.7K
