Same-wave cross-sectional risk stratification for parent-reported current anxiety among US children with ADHD who received behavioral treatment: development in the 2023 NSCH and evaluation in the 2024 NSCH
Diese Studie entwickelte und validierte sparsame Regressionsmodelle unter Verwendung von Daten der National Survey of Children's Health aus dem Jahr 2023, um die elterlich berichtete aktuelle Angst bei US-Kindern mit ADHS, die eine Verhaltenstherapie erhalten, zu klassifizieren, wobei sie im Vergleich zu maschinellen Lernansätzen bei der Evaluierung in einer unabhängigen Stichprobe aus dem Jahr 2024 eine moderate Diskriminierung und eine überlegene Kalibrierung demonstrierte.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Landschaft der kindlichen Gesundheit ist die Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung, auch bekannt als ADHS, eine bekannte Erkrankung, die beeinflusst, wie ein Kind sich konzentriert und seine Impulse kontrolliert. Es ist häufig der Fall, dass Kinder mit ADHS auch andere emotionale Lasten tragen, wie etwa Angstzustände, die ein Zustand von anhaltender Sorge oder Angst sind. Während Ärzte oft die ADHS selbst behandeln, etwa durch Verhaltensstrategien, die Bewältigungsmechanismen lehren, kann die begleitende Angst oft verborgen oder unbehandelt bleiben. Dies ist ein erhebliches Anliegen, da Angst die Art und Weise verändert, wie sich ein Kind fühlt und funktioniert, und sie erfordert oft ihre eigene spezifische Aufmerksamkeit. Die Herausforderung für das Gesundheitssystem besteht darin, herauszufinden, welche Kinder, selbst wenn sie bereits Hilfe für ihre ADHS erhalten, auch aktuell unter Angstzuständen leiden, damit sie an die richtige Unterstützung geleitet werden können.
Ein Forscherteam setzte sich zum Ziel, ein Werkzeug zu entwickeln, das hilft, diese Kinder mithilfe von Daten aus einer massiven, landesweiten Umfrage unter amerikanischen Familien zu identifizieren. Sie konzentrierten sich speziell auf Kinder im Alter zwischen sechs und siebzehn Jahren, bei denen eine ADHS-Diagnose gestellt wurde und die im vergangenen Jahr eine Verhaltenstherapie erhalten hatten. Das Ziel war nicht vorherzusagen, ob ein Kind in der Zukunft Angstzustände entwickeln würde, sondern vielmehr einen Schnappschuss zu erstellen, der klassifizieren konnte, ob ein Kind zum Zeitpunkt der Befragung tatsächlich unter Angstzuständen litt, basierend auf Informationen, die Eltern bereits bereitgestellt hatten. Um dies zu erreichen, sammelte die Forschergruppe Informationen zu zwanzig verschiedenen Faktoren, die von dem Alter des Kindes und dem Einkommen der Familie bis hin zu den Schlafgewohnheiten, dem Erleben von Mobbing und der psychischen Gesundheit der Eltern reichten. Sie nutzten diese Informationen, um vier verschiedene mathematische Modelle zu erstellen, die im Wesentlichen Datensätze von Regeln sind, die darauf ausgelegt sind, diese Faktoren zu gewichten und die Wahrscheinlichkeit von Angstzuständen einzuschätzen.
Die Forscher bauten diese Modelle zuerst mit Daten auf, die im Jahr 2023 erhoben wurden. Sie testeten die Modelle gegeneinander, um zu sehen, welche am besten geeignet waren, Kinder in Gruppen mit „wahrscheinlicher Angst“ und „unwahrscheinlicher Angst“ zu sortieren. Um dann sicherzustellen, dass die Modelle nicht nur durch die Daten von 2023 Glück hatten, legten sie die Regeln fest und wandten sie auf eine völlig neue Gruppe von Familien an, die im Jahr 2024 befragt worden waren. Diese zweite Gruppe bestand aus anderen Menschen, die ein Jahr später befragt wurden, was als strenger Test diente, ob die Modelle in der realen Welt funktionieren könnten. Die Ergebnisse zeigten, dass die einfacheren Modelle, die auf Standard-Statistikmethoden basierten, genauso gut abschnitten wie die komplexeren, computergestützten Machine-Learning-Modelle. Tatsächlich schnitt das komplexe Machine-Learning-Modell schlechter ab, da es zu extreme und weniger zuverlässige Vorhersagen lieferte.
Als die Forscher die Zahlen untersuchten, fanden sie heraus, dass etwa die Hälfte der Kinder in ihrer Studie, für die Daten zu beobachteten Angstzuständen vorlagen, aktuell unter Angstzuständen litt. Die aus den Daten von 2023 entwickelten Modelle konnten die Kinder mit und ohne Angstzustände in der Gruppe von 2024 mit einem moderaten Maß an Genauigkeit unterscheiden. Die am besten abschneidenden Modelle identifizierten das Vorhandensein oder Fehlen von Angstzuständen in etwa 72 von 100 Fällen korrekt. Wichtiger noch war, dass diese Modelle gut kalibriert waren, was bedeutet, dass die von ihnen zugewiesenen Wahrscheinlichkeiten mit den tatsächlichen Raten der Angstzustände in der Gruppe übereinstimmten. Das komplexe Machine-Learning-Modell hingegen neigte dazu, das Risiko für einige Kinder zu überschätzen und für andere zu unterschätzen, was seine Vorhersagen weniger vertrauenswürdig machte.
Die Studie macht deutlich, dass diese Modelle keine diagnostischen Instrumente sind, die ein Arzt verwenden kann, um einem Elternteil zu sagen: „Ihr Kind hat definitiv Angstzustände.“ Es handelt sich vielmehr um Forschungsinstrumente, die dazu dienen, Kinder in Risikogruppen einzuteilen. Sie arbeiten, indem sie einen einzigen Moment in der Zeit betrachten und dabei dieselben Informationen nutzen, die ein Elternteil über den aktuellen Zustand seines Kindes angegeben hat. Da die Daten aus einer einzigen Umfrage stammen, in der die Eltern Fragen sowohl zum Verhalten als auch zur psychischen Gesundheit des Kindes gleichzeitig beantworten, können die Modelle nicht beweisen, dass das eine das andere verursacht. Sie zeigen lediglich auf, welche Kombinationen von Faktoren unter Kindern mit aktuellen Angstzuständen am häufigsten vorkommen.
Letztendlich stellten die Forscher fest, dass ein geradliniger Ansatz unter Verwendung von Regressionsmodellen für diese Aufgabe ausreichend war. Diese Modelle boten eine ausgewogene Sichtweise und identifizierten korrekt jene Kinder, die weitere Aufmerksamkeit benötigten, ohne die Instabilität der komplexeren Algorithmen. Die Studie legt nahe, dass für diese spezifische Population von Kindern mit ADHS, die bereits in Behandlung sind, einfachere Werkzeuge effektiver sein könnten, um diejenigen zu erfassen, die auch Hilfe für Angstzustände benötigen. Die Autoren betonen jedoch, dass diese Ergebnisse ein Ausgangspunkt sind. Bevor ein solches Werkzeug in einer Klinik eingesetzt werden könnte, um reale Entscheidungen zu leiten, müsste es in verschiedenen Umgebungen getestet, auf Fairness gegenüber verschiedenen Personengruppen geprüft und dahingehend evaluiert werden, ob die Anwendung tatsächlich zu besseren Ergebnissen für die Kinder führt. Vorerst steht diese Arbeit als eine sorgfältige Demonstration dafür, wie man ein Risiko-Stratifizierungs-Werkzeug unter Verwendung groß angelegter nationaler Daten aufbaut und testet, wobei der Wert von Einfachheit und die Notwendigkeit von Vorsicht bei der Anwendung dieser Erkenntnisse außerhalb der Forschung hervorgehoben werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.