📄 medicine

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

यह अध्ययन प्रदर्शित करता है कि आयु और लिंग को ध्यान में रखते हुए विशिष्ट ADHD लक्षणों को अलग-अलग महत्व प्रदान करने वाले भारित संभाव्य मॉडल (weighted probabilistic models), पारंपरिक DSM-5 लक्षण-गणना दृष्टिकोणों की तुलना में नैदानिक भेदभाव में महत्वपूर्ण सुधार करते हैं, जो एक व्यावहारिक रूपरेखा प्रदान करते हैं जो आयामी (dimensional) और श्रेणीगत (categorical) मूल्यांकन विधियों को प्रभावी ढंग से एकीकृत करती है।

मूल लेखक: Amaia Alzuaz Villegas, Sonia Perez Aranda, Cristina Corredera Pardo, Alicia López Toledo, Adriana Junquera Blanco, Beatriz Arnanz Pulido, Francisco Montañes de Luca, Patricia Serrano de la Fuente, Fra

प्रकाशित 2026-09-08

📖 1 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Amaia Alzuaz Villegas, Sonia Perez Aranda, Cristina Corredera Pardo, Alicia López Toledo, Adriana Junquera Blanco, Beatriz Arnanz Pulido, Francisco Montañes de Luca, Patricia Serrano de la Fuente, Francisco Montañes Rada

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

तकनीकी सारांश: भारित संभाव्यता आधारित ADHD मॉडल (Weighted Probabilistic ADHD Models)

समस्या विवरण
ध्यान की कमी/अतिसक्रियता विकार (ADHD) के वर्तमान नैदानिक ढांचे, विशेष रूप से DSM-5-TR, लक्षण-गणना के श्रेणीगत दृष्टिकोण पर निर्भर करते हैं। यह पद्धति इनएटेंशन (ध्यान की कमी) और हाइपरएक्टिविटी-इम्पल्सिविटी (अतिसक्रियता-आवेगशीलता) डोमेन के भीतर सभी लक्षणों को समान नैदानिक भार प्रदान करती है, चाहे उनकी व्यक्तिगत भविष्य कहने वाली वैधता (predictive validity), विकासात्मक अवस्था, या लिंग-विशिष्ट अभिव्यक्ति कुछ भी हो। साक्ष्य बताते हैं कि यह "समान भार" (equal weighting) का अनुमान त्रुटिपूर्ण है: लक्षणों में विभेदक मूल्य भिन्न होते हैं, और सख्त कटऑफ (जैसे, बच्चों के लिए 9 में से 6 लक्षण, वयस्कों के लिए 9 में से 5) उन व्यक्तियों को बाहर कर सकते हैं जिनमें महत्वपूर्ण नैदानिक अक्षमता है या निदान को पुरुष प्रस्तुतियों की ओर पक्षपाती बना सकते हैं। इसके अलावा, विशुद्ध रूप से श्रेणीगत प्रणालियाँ मनोविकृति की निरंतर, आयामी प्रकृति को पकड़ने में विफल रहती हैं, जो आधुनिक मनोरोग विज्ञान के लिए आवश्यक व्यक्तिगत मूल्यांकन की सटीकता को सीमित कर सकती हैं।

कार्यप्रणाली
इस अध्ययन में ADHD मूल्यांकन के लिए भेजे गए 6-22 वर्ष की आयु के 584 रोगियों के क्लिनिकल डेटाबेस का उपयोग करते हुए एक रेट्रोस्पेक्टिव ऑब्जर्वेशनल डिज़ाइन का उपयोग किया गया। प्रतिभागियों को क्लिनिशियन द्वारा पुष्ट DSM-5 निदान (संदर्भ मानक) के आधार पर ADHD-पॉजिटिव (n=499) और ADHD-नेगेटिव (n=85) समूहों में वर्गीकृत किया गया था। बहिष्करण मानदंडों में ऑटिज्म स्पेक्ट्रम डिसऑर्डर, साइकोटिक डिसऑर्डर, IQ <70, या लंबित निदान शामिल थे।

शोधकर्ताओं ने पारंपरिक अनवेटेड (unweighted) DSM-5 लक्षण-गणना मॉडल के विरुद्ध तीन मल्टीवेरिएबल लॉजिस्टिक रिग्रेशन मॉडल विकसित किए और उनकी तुलना की:

भारित समायोजित मॉडल (मॉडल 1): इसमें लिंग और श्रेणीगत आयु समूह (>12 बनाम ≤12 वर्ष) के लिए समायोजित लक्षण-विशिष्ट गुणांकों को शामिल किया गया है।
लक्षण-दर-आयु इंटरेक्शन मॉडल (मॉडल 2): यह परीक्षण करने के लिए कि क्या विकासात्मक अवस्था लक्षण के भविष्य कहने वाले मूल्य को संशोधित करती है, इसमें लक्षणों और आयु के बीच इंटरेक्शन टर्म्स जोड़े गए हैं।
लक्षण-दर-लिंग इंटरेक्शन मॉडल (मॉडल 3): यह परीक्षण करने के लिए कि क्या लिंग-विशिष्ट भविष्य कहने वाला भार होता है, इसमें लक्षणों और लिंग के बीच इंटरेक्शन टर्म्स जोड़े गए हैं।

मॉडल प्रदर्शन का मूल्यांकन ROC विश्लेषण, युग्मवार तुलना के लिए सटीक DeLong परीक्षण, कैलिब्रेशन प्लॉट्स, ब्रायर स्कोर (Brier scores), और डिसीजन कर्व एनालिसिस (DCA) का उपयोग करके किया गया। ऑप्टिमिज्म-करेक्टेड डिस्क्रिमिनेशन का अनुमान लगाने के लिए 1,000 बूटस्ट्रैप रीसैंपल्स के माध्यम से आंतरिक सत्यापन किया गया। अनुकूलतम संभाव्यता थ्रेशोल्ड (thresholds) को यूडेन इंडेक्स (Youden index) का उपयोग करके निर्धारित किया गया।

मुख्य परिणाम

नैदानिक विभेदन (Diagnostic Discrimination): भारित समायोजित मॉडल (मॉडल 1) ने दोनों डोमेन के लिए पारंपरिक अनवेटेड DSM-5 लक्षण-गणना की तुलना में नैदानिक विभेदन में महत्वपूर्ण सुधार किया:
- हाइपरएक्टिविटी-इम्पल्सिविटी: AUC 0.973 (DSM-5) से बढ़कर 0.976 (वेटेड मॉडल) हो गया; DeLong p = 0.013।
- इनएटेंशन (ध्यान की कमी): AUC 0.913 (DSM-5) से बढ़कर 0.937 (वेटेड मॉडल) हो गया; DeLong p = 0.007।
लक्षण विषमता (Symptom Heterogeneity): रिग्रेशन गुणांकों ने व्यक्तिगत लक्षणों के नैदानिक भार में पर्याप्त भिन्नता प्रकट की। उदाहरण के लिए, हाइपरएक्टिविटी डोमेन में, "मोटर द्वारा संचालित होने जैसा व्यवहार करना" (β=2.08) और "जवाब बीच में ही बोल देना" (β=2.12) ने "बीच में टोकना या हस्तक्षेप करना" (β=1.08) की तुलना में काफी अधिक भार वहन किया। इनएटेंशन डोमेन में, "विवरणों पर ध्यान देने में विफल रहना" (β=1.92) का भार "सुनने में ध्यान न देना प्रतीत होना" (β=0.70, p=0.077) से अधिक था।
इंटरेक्शन मॉडल: जटिल मॉडल जिनमें लक्षण-दर-आयु या लक्षण-दर-लिंग इंटरेक्शन शामिल थे (मॉडल 2 और 3), ने पार्सिमोनियस (parsimonious) वेटेड एडजस्टेड मॉडल (मॉडल 1) से अधिक विभेदन में महत्वपूर्ण सुधार नहीं किया। यह सुझाव देता है कि हालांकि व्यक्तिगत लक्षण आयु या लिंग के अनुसार भिन्न हो सकते हैं, लेकिन वेटेड मॉडल में मुख्य प्रभावों के रूप में इन इंटरेक्शन को शामिल करना बिना संरचनात्मक जटिलता जोड़े पर्याप्त है।
अनुकूलतम थ्रेशोल्ड: यूडेन इंडेक्स ने हाइपरएक्टिविटी-इम्पल्सिविटी के लिए 0.600 (संवेदनशीलता 93.4%, विशिष्टता 95.7%) और इनएटेंशन के लिए 0.689 (संवेदनशीलता 96.3%, विशिष्टता 85.0%) के अनुकूलतम संभाव्यता थ्रेशोल्ड की पहचान की।
कैलिब्रेशन और उपयोगिता: वेटेड मॉडलों ने DSM-5 दृष्टिकोणों की तुलना में कम ब्रायर स्कोर (बेहतर भविष्यवाणी सटीकता का संकेत) और डिसीजन कर्व एनालिसिस में नैदानिक रूप से प्रासंगिक थ्रेशोल्ड संभाव्यता केAcross उच्च शुद्ध लाभ (net benefit) प्रदर्शित किया। आंतरिक सत्यापन ने न्यूनतम ओवरफिटिंग (ऑप्टिमिज्म अनुमान 0.001 और 0.002) की पुष्टि की।
उपसमूह प्रदर्शन: जबकि प्रदर्शन अधिकांश स्तरों पर मजबूत था, इनएटेंशन डोमेन ने विशेष रूप से 12 वर्ष से अधिक आयु की महिलाओं में कम विभेदन दिखाया (यूडेन इंडेक्स = 0.592), जो इस उपसमूह में श्रेणीगत थ्रेशोल्ड की सीमाओं को उजागर करता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि भारित संभाव्यता मॉडल ADHD मूल्यांकन के लिए एक व्यावहारिक, नैदानिक रूप से व्याख्या योग्य ढांचा प्रदान करते हैं जो आयामी (dimensional) और श्रेणीगत (categorical) दृष्टिकोणों के बीच सेतु का काम करते हैं। विशिष्ट लक्षणों के विभेदक नैदानिक मूल्य को मात्रात्मक रूप से निर्धारित करके और आयु एवं लिंग के लिए समायोजित करके, ये मॉडल उपयोगिता से समझौता किए बिना पारंपरिक लक्षण गणना से बेहतर नैदानिक विभेदन में सुधार करते हैं।

लेखक इस बात पर जोर देते हैं कि "ब्लैक-बॉक्स" मशीन लर्निंग तकनीकों के विपरीत, लॉजिस्टिक रिग्रेशन-आधारित वेटिंग पारदर्शिता बनाए रखती है, जिससे क्लिनिशियन प्रत्येक लक्षण के विशिष्ट योगदान को समझ सकते हैं। प्रस्तावित दृष्टिकोण व्यक्तिगत संभाव्यता अनुमान उत्पन्न करने की अनुमति देता है, साथ ही अनुभवजन्य रूप से प्राप्त थ्रेशोल्ड के माध्यम से बाइनरी वर्गीकरण निर्णय भी प्रदान करता है, जिससे इलेक्ट्रॉनिक हेल्थ रिकॉर्ड या क्लिनिकल कैलकुलेटर में एकीकरण सुलभ होता है।

अध्ययन निष्कर्ष निकालता है कि हालांकि वेटेड मॉडल DSM-5 लक्षण गणना की तुलना में काफी बेहतर प्रदर्शन करते हैं, लेकिन विभेदन में सुधार के लिए इंटरेक्शन मॉडल की अतिरिक्त जटिलता अनावश्यक है। लेखक अपनी सीमाओं को नोट करते हैं, जिसमें एकल-केंद्रित रेट्रोस्पेक्टिव डेटासेट पर निर्भरता और क्लिनिशियन निदान (जो स्वयं DSM-आधारित है) का संदर्भ मानक के रूप में उपयोग शामिल है। वे सुझाव देते हैं कि भविष्य के कार्य को बाहरी मल्टीसेंटर सत्यापन और उपचार प्रतिक्रिया के प्रोस्पेक्टिव मूल्यांकन पर ध्यान केंद्रित करना चाहिए।

इसी तरह के और पेपर