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

Sintesi Tecnica: Modelli Probabilistici Pesati per l'ADHD

Problematica
Gli attuali quadri diagnostici per il Disturbo da Deficit di Attenzione/Iperattività (ADHD), specificamente il DSM-5-TR, si basano su un approccio categoriale basato sul conteggio dei sintomi. Questo metodo assegna lo stesso peso diagnostico a tutti i sintomi all'interno dei domini dell'inattenzione e dell'iperattività-impulsività, indipendentemente dalla loro validità predittiva individuale, dallo stadio di sviluppo o dall'espressione specifica per sesso. Le evidenze suggeriscono che questa assunzione di "peso uguale" sia errata: i sintomi variano nella loro capacità discriminatoria e i cut-off rigidi (ad esempio, 6 su 9 sintomi per i bambini, 5 su 9 per gli adulti) possono escludere individui con un significativo compromissione clinica o introdurre un bias verso le presentazioni maschili. Inoltre, i sistemi puramente categoriali non riescono a catturare la natura continua e dimensionale della psicopatologia, potenzialmente limitando la precisione della valutazione individualizzata richiesta dalla psichiatria moderna.

Metodologia
Lo studio ha utilizzato un disegno osservazionale retrospettivo basato su un database clinico di 584 pazienti di età compresa tra i 6 e i 22 anni indirizzati per la valutazione dell'ADHD. I partecipanti sono stati categorizzati in base alle diagnosi DSM-5 confermate dal clinico (standard di riferimento) in gruppi ADHD-positivi (n=499) e ADHD-negativi (n=85). I criteri di esclusione includevano Disturbo dello Spettro Autistico, disturbi psicotici, QI <70 o diagnosi in attesa.

I ricercatori hanno sviluppato e confrontato tre modelli di regressione logistica multivariata rispetto al modello convenzionale del conteggio dei sintomi DSM-5 non pesato:

1. Modello Pesato Adeguato (Modello 1): Incorpora coefficienti specifici per sintomo corretti per sesso e gruppo di età categoriale (>12 vs ≤12 anni).
2. Modello di Interazione Sintomo-Età (Modello 2): Aggiunge termini di interazione tra sintomi ed età per testare se lo stadio di sviluppo modifica il valore predittivo del sintomo.
3. Modello di Interazione Sintomo-Sesso (Modello 3): Aggiunge termini di interazione tra sintomi e sesso per testare la ponderazione predittiva specifica per sesso.

Le prestazioni dei modelli sono state valutate tramite l'analisi della curva ROC (Receiver Operating Characteristic), il test esatto di DeLong per i confronti a coppie, grafici di calibrazione, punteggi di Brier e l'Analisi della Curva Decisionale (DCA). La validazione interna è stata condotta tramite 1.000 campionamenti bootstrap per stimare la discriminazione corretta per ottimismo. Le soglie di probabilità ottimali sono state determinate utilizzando l'indice di Youden.

Risultati Chiave

• Discriminazione Diagnostica: Il modello pesato adeguato (Modello 1) ha migliorato significativamente la discriminazione diagnostica rispetto al conteggio dei sintomi DSM-5 non pesato per entrambi i domini:
  • Iperattività–Impulsività: L'AUC è aumentata da 0,973 (DSM-5) a 0,976 (Modello Pesato); DeLong p = 0,013.
  • Inattenzione: L'AUC è aumentata da 0,913 (DSM-5) a 0,937 (Modello Pesato); DeLong p = 0,007.
• Eterogeneità dei Sintomi: I coefficienti di regressione hanno rivelato una sostanziale variazione nel peso diagnostico dei singoli sintomi. Ad esempio, nel dominio dell'iperattività, "Agire come se fosse guidato da un motore" (β=2,08) e "Rispondere a trabiccolo" (β=2,12) presentavano pesi significativamente più elevati rispetto a "Interrompere o intromettersi" (β=1,08). Nel dominio dell'inattenzione, "Non prestare attenzione ai dettagli" (β=1,92) era pesato più di "Sembrare non ascoltare" (β=0,70, p=0,077).
• Modelli di Interazione: I modelli più complessi che incorporavano interazioni sintomo-età o sintomo-sesso (Modelli 2 e 3) non hanno migliorato significativamente la discriminazione oltre al parsimonioso Modello Pesato Adeguato (Modello 1). Ciò suggerisce che, sebbene i singoli sintomi possano variare per età o sesso, l'incorporazione di queste interazioni come effetti principali nel modello pesato è sufficiente senza aggiungere complessità strutturale.
• Soglie Ottimali: L'indice di Youden ha identificato soglie di probabilità ottimali di 0,600 per l'iperattività-impulsività (Sensibilità 93,4%, Specificità 95,7%) e 0,689 per l'inattenzione (Sensibilità 96,3%, Specificità 85,0%).
• Calibrazione e Utilità: I modelli pesati hanno dimostrato punteggi di Brier inferiori (indicando una migliore accuratezza predittiva) e un maggiore beneficio netto attraverso le probabilità di soglia clinicamente rilevanti nell'Analisi della Curva Decisionale rispetto agli approcci DSM-5. La validazione interna ha confermato un overfitting minimo (stime di ottimismo di 0,001 e 0,002).
• Prestazioni per Sottogruppi: Sebbene le prestazioni siano state robuste in quasi tutti gli strati, la dimensione dell'inattenzione ha mostrato una minore discriminazione specificamente nelle femmine sopra i 12 anni (indice di Youden = 0,592), evidenziando i limiti delle soglie categoriali in questo sottogruppo.

Significato e Rivendicazioni
L'articolo sostiene che i modelli probabilistici pesati offrono un quadro pratico e clinicamente interpretabile che colma il divario tra gli approcci dimensionali e categoriali nella valutazione dell'ADHD. Quantificando il valore diagnostico differenziale di specifici sintomi e correggendo per età e sesso, questi modelli migliorano la discriminazione diagnostica rispetto al tradizionale conteggio dei sintomi del DSM-5 senza sacrificare la l'usabilità.

Gli autori sottolineano che, a differenza delle tecniche di machine learning "black-box", la ponderazione basata sulla regressione logistica preserva la trasparenza, permettendo ai clinici di comprendere il contributo specifico di ogni sintomo. L'approccio proposto consente la generazione di stime di probabilità individualizzate fornendo al contempo decisioni di classificazione binaria tramite soglie empiricamente derivate, facilitando l'integrazione nelle cartelle cliniche elettroniche o nei calcolatori clinici.

Lo studio conclude che, sebbene i modelli pesati superino significativamente i conteggi dei sintomi del DSM-5, la maggiore complessità dei modelli di interazione è superflua per migliorare la discriminazione. Gli autori segnalano i limiti, tra cui la dipendenza da un dataset retrospettivo a centro singolo e l'uso della diagnosi clinica (che è essa stessa basata sul DSM) come standard di riferimento. Suggeriscono che il lavoro futuro dovrebbe concentrarsi sulla validazione esterna multicentrica e sulla valutazione prospettica della risposta al trattamento.