Модель машинного предсказания СДВГ с использованием данных CPT

Несмотря на популярность теста непрерывного выполнения (CPT) для диагностики синдрома дефицита внимания и гиперактивности (ADHD), его специфичность, чувствительность и экологическая валидность остаются предметом дискуссий. Для решения некоторых известных недостатков традиционного анализа и интерпретации данных CPT в данном исследовании была применена модель на основе машинного обучения (ML) с использованием индексов CPT для предсказания ADHD.

Используя ретроспективное факторное моделирование, а затем метод bootstrap, мы обучали, кросс-валидацию и тестировали модели на данных о выполнении CPT 458 детей в возрасте 6–12 лет (213 детей с ADHD и 245 обычно развивающихся детей). Применялась версия MOXO-CPT, включающая визуальные и аудиальные отвлекающие стимулы.

Результаты показали, что предложенная ML-модель показала более высокую точность по сравнению с эталонным подходом, использующим только клинические данные. Использование общего балла CPT (включающего все четыре индекса: Внимание, Своевременность, Гиперактивность и Импульсивность), а также четырёх контрольных переменных [возраст, пол, день недели (DoW), время суток (ToD)] обеспечило наибольшую информативность для различения детей с ADHD и их нормально развивающихся сверстников.

Точность модели составила 87%, чувствительность — 89%, специфичность — 84%. Эта производительность была на 34% выше, чем наилучшая точность эталонной модели. ML-модель для обнаружения ADHD может классифицировать детей с высоким уровнем точности на основе показателей CPT. Модель машинного обучения для ADHD имеет потенциал для улучшения, а возможно, и дополнения поведенческой оценки и может использоваться как вспомогательная мера при диагностике ADHD.