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

Resumen Técnico: Modelos Probabilísticos Ponderados de TDAH

Planteamiento del Problema
Los marcos diagnósticos actuales para el Trastorno por Déficit de Atención con Hiperactividad (TDAH), específicamente el DSM-5-TR, dependen de un enfoque categórico basado en el recuento de síntomas. Este método asigna un peso diagnóstico igual a todos los síntomas dentro de los dominios de inatención e hiperactividad-impulsividad, independientemente de su validez predictiva individual, etapa de desarrollo o expresión específica según el sexo. La evidencia sugiere que este supuesto de "ponderación igualitaria" es erróneo: los síntomas varían en su valor discriminatorio y los puntos de corte estrictos (por ejemplo, 6 de 9 síntomas para niños, 5 de 9 para adultos) pueden excluir a individuos con un deterioro clínico significativo o sesgar el diagnóstico hacia las presentaciones masculinas. Además, los sistemas puramente categóricos no logran capturar la naturaleza continua y dimensional de la psicopatología, lo que podría limitar la precisión de la evaluación individualizada requerida para la psiquiatría moderna.

Metodología
El estudio utilizó un diseño observacional retrospectivo con una base de datos clínica de 584 pacientes de entre 6 y 22 años derivados para la evaluación de TDAH. Los participantes fueron categorizados según diagnósticos de DSM-5 confirmados por clínicos (estándar de referencia) en grupos con TDAH positivo (n=499) y TDAH negativo (n=85). Los criterios de exclusión incluyeron Trastorno del Espectro Autista, trastornos psicóticos, CI <70 o diagnósticos pendientes.

Los investigadores desarrollaron y compararon tres modelos de regresión logística multivariable frente al modelo convencional de recuento de síntomas del DSM-5 no ponderado:

1. Modelo Ajustado Ponderado (Modelo 1): Incorpora coeficientes específicos de cada síntoma ajustados por sexo y grupo de edad categórico (>12 vs. ≤12 años).
2. Modelo de Interacción Síntoma-por-Edad (Modelo 2): Añade términos de interacción entre los síntomas y la edad para probar si la etapa de desarrollo modifica el valor predictivo del síntoma.
3. Modelo de Interacción Síntoma-por-Sexo (Modelo 3): Añade términos de interacción entre los síntomas y el sexo para probar la ponderación predictiva específica por sexo.

El rendimiento de los modelos se evaluó mediante el análisis de la curva ROC (Característica de Operación del Receptor), la prueba exacta de DeLong para comparaciones pareadas, gráficos de calibración, puntuaciones de Brier y el Análisis de la Curva de Decisión (DCA). La validación interna se realizó mediante 1,000 remuestreos de bootstrap para estimar la discriminación corregida por optimismo. Los umbrales de probabilidad óptimos se determinaron utilizando el índice de Youden.

Resultados Clave

• Discriminación Diagnóstica: El modelo ajustado ponderado (Modelo 1) mejoró significamente la discriminación diagnóstica en comparación con el recuento de síntomas no ponderado del DSM-5 para ambos dominios:
  • Hiperactividad-Impulsividad: El AUC aumentó de 0.973 (DSM-5) a 0.976 (Modelo Ponderado); DeLong p = 0.013.
  • Inatención: El AUC aumentó de 0.913 (DSM-5) a 0.937 (Modelo Ponderado); DeLong p = 0.007.
• Heterogeneidad de los Síntomas: Los coeficientes de regresión revelaron una variación sustancial en el peso diagnóstico de los síntomas individuales. Por ejemplo, en el dominio de la hiperactividad, "Actuar como si estuviera impulsado por un motor" (β=2.08) y "Soltar respuestas sin pensar" (β=2.12) tuvieron pesos significativamente mayores que "Interrumpir o intrudir" (β=1.08). En el dominio de la inatención, "No prestar atención a los detalles" (β=1.92) tuvo un peso mayor que "Parecer que no escucha" (β=0.70, p=0.077).
• Modelos de Interacción: Los modelos más complejos que incorporaban interacciones de síntoma-por-edad o síntoma-por-sexo (Modelos 2 y 3) no mejoraron significativamente la discriminación más allá del Modelo Ajustado Ponderado (Modelo 1), que es más parsimonioso. Esto sugiere que, si bien los síntomas individuales pueden variar según la edad o el sexo, la incorporación de estas interacciones como efectos principales en el modelo ponderado es suficiente sin añadir complejidad estructural.
• Umbrales Óptimos: El índice de Youden identificó umbrales de probabilidad óptimos de 0.600 para hiperactividad-impulsividad (Sensibilidad 93.4%, Especificidad 95.7%) y 0.689 para inatención (Sensibilidad 96.3%, Especificidad 85.0%).
• Calibración y Utilidad: Los modelos ponderados demostraron puntuaciones de Brier más bajas (indicando una mejor precisión de predicción) y un mayor beneficio neto a través de umbrales de probabilidad clínicamente relevantes en el Análisis de la Curva de Decisión en comparación con los enfoques del DSM-5. La validación interna confirmó un sobreajuste mínimo (estimaciones de optimismo de 0.001 y 0.002).
• Rendimiento por Subgrupos: Aunque el rendimiento fue robusto en la mayoría de los estratos, la dimensión de inatención mostró una menor discriminación específicamente en mujeres mayores de 12 años (índice de Youden = 0.592), lo que resalta las limitaciones de los umbrales categóricos en este subgrupo.

Significancia y Reivindicaciones
El artículo sostiene que los modelos probabilísticos ponderados ofrecen un marco práctico y clínicamente interpretable que tiende un puente entre los enfoques dimensionales y categóricos de la evaluación del TDAH. Al cuantificar el valor diagnóstico diferencial de síntomas específicos y ajustar por edad y sexo, estos modelos mejoran la discriminación diagnóstica más allá del simple recuento de síntomas tradicional sin sacrificar la utilidad.

Los autores enfatizan que, a diferencia de las técnicas de aprendizaje automático de "caja negra", la ponderación basada en la regresión logística preserva la transparencia, permitiendo a los clínicos comprender la contribución específica de cada síntoma. El enfoque propuesto permite la generación de estimaciones de probabilidad individualizadas mientras proporciona decisiones de clasificación binaria mediante umbrales derivados empíricamente, facilitando su integración en las historias clínicas electrónicas o calculadoras clínicas.

El estudio concluye que, si bien los modelos ponderados superan significativamente los recuentos de síntomas del DSM-5, la complejidad añadida de los modelos de interacción es innecesaria para mejorar la discriminación. Los autores señalan limitaciones, incluyendo la dependencia de un conjunto de datos retrospectivo de un solo centro y el uso del diagnóstico clínico (que es, de por sí, basado en el DSM) como estándar de referencia. Sugieren que el trabajo futuro debería centrarse en la validación externa multicéntrica y la evaluación prospectiva de la respuesta al tratamiento.