Weighted Probabilistic ADHD Models integrate dimensional and categorical approaches to ADHD assessment and Improve Diagnostic Discrimination Beyond DSM-5 Symptom count

Technisches Resümee: Gewichtete probabilistische ADHS-Modelle

Problemstellung
Aktuelle diagnostische Rahmenwerke für die Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung (ADHS), insbesondere der DSM-5-TR, stützen sich auf einen kategorischen Symptom-Zählansatz. Diese Methode weist allen Symptomen innerhalb der Domänen Unaufmerksamkeit sowie Hyperaktivität–Impulsivität das gleiche diagnostische Gewicht zu, ungeachtet ihrer individuellen prädiktiven Validität, ihres Entwicklungsstadiums oder ihrer geschlechtsspezifischen Ausprägung. Es gibt Hinweise darauf, dass diese Annahme einer „gleichgewichtigen Bewertung“ fehlerhaft ist: Symptome variieren in ihrem diskriminativen Wert, und strikte Grenzwerte (z. B. 6 von 9 Symptomen bei Kindern, 5 von 9 bei Erwachsenen) können Personen mit erheblichen klinischen Beeinträchtigungen ausschließen oder die Diagnose zugunsten männlicher Präsentationen verzerren. Darüber hinaus erfassen rein kategorische Systeme nicht die kontinuierliche, dimensionale Natur der Psychopathologie, was die Präzision der erforderlichen individualisierten Beurteilung für die moderne Psychiatrie einschränken kann.

Methodik
Die Studie verwendete ein retrospektives Beobachtungsdesign mit einer klinischen Datenbank von 584 Patienten im Alter von 6–22 Jahren, die zur ADHS-Beurteilung überwiesen wurden. Die Teilnehmer wurden basierend auf klinisch bestätigten DSM-5-Diagnosen (Referenzstandard) in ADHD-positive (n=499) und ADHD-negative (n=85) Gruppen eingeteilt. Ausschlusskriterien waren Autismus-Spektrum-Störungen, psychotische Störungen, ein IQ <70 oder ausstehende Diagnosen.

Die Forscher entwickelten und verglichen drei multivariable logistische Regressionsmodelle mit dem konventionellen ungewichteten DSM-5-Symptom-Zählmodell:

1. Gewichtetes adjustiertes Modell (Modell 1): Beinhaltet symptomspezifische Koeffizienten, die nach Geschlecht und kategorialer Altersgruppe (>12 vs. ≤12 Jahre) adjustiert sind.
2. Symptom-durch-Alter-Interaktionsmodell (Modell 2): Fügt Interaktionsterme zwischen Symptomen und Alter hinzu, um zu testen, ob das Entwicklungsstadium den prädiktiven Wert der Symptome modifiziert.
3. Symptom-durch-Geschlecht-Interaktionsmodell (Modell 3): Fügt Interaktionsterme zwischen Symptomen und Geschlecht hinzu, um auf geschlechtsspezifische prädiktive Gewichtung zu testen.

Die Modellleistung wurde mittels ROC-Analyse, exaktem DeLong-Test für paarweise Vergleiche, Kalibrierungsplots, Brier-Scores und Decision Curve Analysis (DCA) evaluiert. Die interne Validierung erfolgte über 1.000 Bootstrap-Resamples zur Schätzung der optimismuskorrigierten Diskriminierung. Optimale Wahrscheinlichkeitsschwellenwerte wurden mittels des Youden-Index bestimmt.

Kernergebnisse

• Diagnostische Diskriminierung: Das gewichtete adjustierte Modell (Modell 1) verbesserte die diagnostische Diskriminierung im Vergleich zum ungewichteten DSM-5-Symptom-Zählverfahren signifikant für beide Dimensionen:
  • Hyperaktivität–Impulsivität: Der AUC stieg von 0,973 (DSM-5) auf 0,976 (Gewichtetes Modell); DeLong p = 0,013.
  • Unaufmerksamkeit: Der AUC stieg von 0,913 (DSM-5) auf 0,937 (Gewichtetes Modell); DeLong p = 0,007.
• Symptomheterogenität: Die Regressionskoeffizienten zeigten eine erhebliche Variation im diagnostischen Gewicht einzelner Symptome. Beispielsweise trugen im Hyperaktivitätsbereich „Handeln, als ob man von einem Motor angetrieben würde“ (β=2,08) und „Antworten herausplatzen lassen“ (β=2,12) signifikant höhere Gewichte als „Unterbrechen oder Eindringen“ (β=1,08). Im Bereich Unaufmerksamkeit wurde „Missachten von Details“ (β=1,92) höher gewichtet als „Scheint nicht zuzuhören“ (β=0,70, p=0,077).
• Interaktionsmodelle: Komplexere Modelle, die Symptom-durch-Alter- oder Symptom-durch-Geschlecht-Interaktionen einbezogen (Modelle 2 und 3), verbesserten die Diskriminierung gegenüber dem sparsamen gewichteten adjustierten Modell (Modell 1) nicht signifikant. Dies deutet darauf hin, dass, obwohl einzelne Symptome je nach Alter oder Geschlecht variieren können, die Einbeziehung dieser Interaktionen als Haupteffekte im gewichteten Modell (Modell 1) ausreichend ist, ohne die strukturelle Komplexität zu erhöhen.
• Optimale Schwellenwerte: Der Youden-Index identifizierte optimale Wahrscheinlichkeitsschwellenwerte von 0,600 für Hyperaktivität–Impulsivität (Sensitivität 93,4 %, Spezifität 95,7 %) und 0,689 für Unaufmerksamkeit (Sensitivität 96,3 %, Spezifität 85,0 %).
• Kalibrierung und Nutzen: Gewichtete Modelle zeigten niedrigere Brier-Scores (was auf eine bessere Vorhersagegenauigkeit hindeutet) und einen höheren Nettonutzen über klinisch relevante Schwellenwahrscheinlichkeiten hinweg in der Decision Curve Analysis im Vergleich zu DSM-5-Ansätzen. Die interne Validierung bestätigte eine minimale Überanpassung (Optimismus-Schätzungen von 0,001 und 0,002).
• Subgruppen-Leistung: Während die Leistung über die meisten Strata hinweg robust war, zeigte die Dimension Unaufmerksamkeit spezifisch bei weiblichen Personen über 12 Jahren eine geringere Diskriminierung (Youden-Index = 0,592), was die Grenzen kategorialer Schwellenwerte in dieser Subgruppe verdeutlicht.

Bedeutung und Behauptungen
Das Paper behauptet, dass gewichtete probabilistische Modelle einen praktischen, klinisch interpretierbaren Rahmen bieten, der die dimensionalen und kategorialen Ansätze der ADHS-Beurteilung überbrückt. Durch die Quantifizierung des differenziellen diagnostischen Wertes spezifischer Symptome und die Adjustierung nach Alter und Geschlecht verbessern diese Modelle die diagnostische Diskriminierung über die traditionelle Symptomzählung hinaus, ohne die Anwendbarkeit zu beeinträchtigen.

Die Autoren betonen, dass im Gegensatz zu „Black-Box“-Maschinellen-Lernverfahren die auf logistischer Regression basierende Gewichtung die Transparenz bewahrt, sodass Kliniker den spezifischen Beitrag jedes Symptoms nachvollziehen können. Der vorgeschlagene Ansatz ermöglicht die Generierung individueller Wahrscheinlichkeitsschätzungen bei gleichzeitiger Bereitstellung binärer Klassifikationsentscheidungen über empirisch abgeleitete Schwellenwerte, was die Integration in elektronische Patientenakten oder klinische Rechner erleichtert.

Die Studie kommt zu dem Schluss, dass gewichtete Modelle die DSM-5-Symptomzählung signifikant übertreffen, die zusätzliche Komplexität von Interaktionsmodellen jedoch für die Verbesserung der Diskriminierung unnötig ist. Die Autoren weisen auf Limitationen hin, darunter die Abhängigkeit von einem retrospektiven Einzelzentrums-Datensatz und die Verwendung der klinischen Diagnose (die selbst auf DSM basiert) als Referenzstandard. Sie schlagen vor, dass zukünftige Arbeiten sich auf die externe Multizentren-Validierung und die prospektive Evaluation des Ansprechens auf die Behandlung konzentrieren sollten.