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

Technische Samenvatting: Gewogen Probabilistische ADHD-modellen

Probleemstelling
Huidige diagnostische kaders voor Attention-Deficit/Hyperactivity Disorder (ADHD), specifiek de DSM-5-TR, vertrouwen op een categorische symptoom-telling benadering. Deze methode kent een gelijke diagnostische waarde toe aan alle symptomen binnen de domeinen van onoplettendheid en hyperactiviteit–impulsiviteit, ongeacht hun individuele voorspellende validiteit, ontwikkelingsfase of geslachtsspecifieke expressie. Er zijn aanwijzingen dat deze aanname van "gelijke weging" gebrekkig is: symptomen variëren in hun discriminerende waarde, en strikte afkappunten (bijv. 6 van de 9 symptomen voor kinderen, 5 van de 9 voor volwassenen) kunnen individuen met significante klinische beperkingen uitsluiten of de diagnose bevoordelen richting mannelijke presentaties. Bovendien sluiten puur categorische systemen niet in staat om de continue, dimensionale aard van psychopathologie te vatten, wat de precisie van de vereiste geïndividualiseerde beoordeling voor de moderne psychiatrie kan beperken.

Methodologie
De studie maakte gebruik van een retrospectief observationeel ontwerp met een klinische database van 584 patiënten in de leeftijd van 6–22 jaar die werden doorverwezen voor een ADHD-beoordeling. Deelnemers werden gecategoriseerd op basis van door clinici bevestigde DSM-5-diagnoses (referentiestandaard) in ADHD-positieve (n=499) en ADHD-negatieve (n=85) groepen. Exclusiecriteria omvatten Autisme Spectrum Stoornis, psychotische stoornissen, IQ <70, of lopende diagnoses.

De onderzoekers ontwikkelden en vergeleken drie multivariabele logistische regressiemodellen met het conventionele ongewogen DSM-5 symptoom-telling model:

1. Gewogen Aangepast Model (Model 1): Integreert symptoom-specifieke coëfficiënten aangepast voor geslacht en categorische leeftijdsgroep (>12 vs. ≤12 jaar).
2. Symptoom-door-Leeftijd Interactie Model (Model 2): Voegt interactietermen toe tussen symptomen en leeftijd om te testen of de ontwikkelingsfase de voorspellende waarde van symptomen moduleert.
3. Symptoom-door-Geslacht Interactie Model (Model 3): Voegt interactietermen toe tussen symptomen en geslacht om te testen op geslachtsspecifieke voorspellende weging.

De prestaties van de modellen werden geëvalueerd met behulp van Receiver Operating Characteristic (ROC)-analyse, exacte DeLong-testen voor paarvergelijkingen, kalibratieplots, Brier-scores en Decision Curve Analysis (DCA). Interne validatie werd uitgevoerd via 1.000 bootstrap-resamples om de optimisme-gecorrigeerde discriminatie te schatten. Optimale waarschijnlijkheidsdrempels werden bepaald met de Youden-index.

Belangrijkste Resultaten

• Diagnostische Discriminatie: Het gewogen aangepaste model (Model 1) verbeterde de diagnostische discriminatie aanzienlijk ten opzichte van de ongewogen DSM-5 symptoom-telling voor beide dimensies:
  • Hyperactiviteit–Impulsiviteit: AUC steeg van 0,973 (DSM-5) naar 0,976 (Gewogen Model); DeLong p = 0,013.
  • Onoplettendheid: AUC steeg van 0,913 (DSM-5) naar 0,937 (Gewogen Model); DeLong p = 0,007.
• Symptoomheterogeniteit: Regressiecoëfficiënten toonden een substantiële variatie in de diagnostische waarde van individuele symptomen. Zo droegen in het hyperactiviteitsdomein "Handelen alsof gedreven door een motor" (β=2,08) en "Antwoorden eruit roepen" (β=2,12) significant hogere gewichten toe dan "Onderbreken of binnendringen" (β=1,08). In het onoplettendheidsdomein werd "Niet letten op details" (β=1,92) hoger gewogen dan "Lijkt niet te luisteren" (β=0,70, p=0,077).
• Interactiemodellen: Complexere modellen die symptoom-door-leeftijd of symptoom-door-geslacht interacties bevatten (Modellen 2 en 3), verbeterden de discriminatie niet significant boven het parsimonieuze Gewogen Aangepaste Model (Model 1). Dit suggereert dat hoewel individuele symptomen kunnen variëren per leeftijd of geslacht, het opnemen van deze interacties als hoofdeffecten in het gewogen model voldoende is zonder extra structurele complexiteit toe te voegen.
• Optimale Drempels: De Youden-index identificeerde optimale waarschijnlijkheidsdrempels van 0,600 voor hyperactiviteit–impulsiviteit (Sensitiviteit 93,4%, Specificiteit 95,7%) en 0,689 voor onoplettendheid (Sensitiviteit 96,3%, Specificiteit 85,0%).
• Kalibratie en Nut: Gewogen modellen vertoonden lagere Brier-scores (wat wijst op betere voorspellende nauwkeurigheid) en een hogere netto winst over klinisch relevante drempelwaarschijnlijkheden in de Decision Curve Analysis vergeleken met DSM-5 benaderingen. Interne validatie bevestigde minimale overfitting (optimisme-schattingen van 0,001 en 0,002).
• Subgroepprestaties: Hoewel de prestaties robuust waren over de meeste strata, vertoonde de dimensie onoplettendheid een lagere discriminatie specifiek bij vrouwen ouder dan 12 jaar (Youden-index = 0,592), wat de beperkingen van categorische drempels in deze subgroep benadrukt.

Betekenis en Claims
Het artikel claimt dat gewogen probabilistische modellen een praktisch, klinisch interpreteerbaar kader bieden dat de brug slaat tussen dimensionale en categorische benaderingen van ADHD-beoordeling. Door de differentiële diagnostische waarde van specifieke symptomen te kwantificeren en te corrigeren voor leeftijd en geslacht, verbeteren deze modellen de diagnostische discriminatie buiten de traditionele symptoom-telling om, zonder het gebruiksgemak op te offeren.

De auteurs benadrukken dat, in tegenstelling tot "black-box" machine learning technieken, de op logistische regressie gebaseerde weging transparantie behoudt, waardoor clinici de specifieke bijdrage van elk symptom kunnen begrijpen. De voorgestelde aanpak maakt het mogelijk om geïndividualiseerde waarschijnlijkheidsschattingen te genereren terwijl nog steeds binaire classificatiebeslissingen worden geboden via empirisch afgeleide drempels, wat de integratie in elektronische patiëntendossiers of klinische rekenmodules vergemakkelijkt.

De studie concludeert dat hoewel de gewogen modellen de DSM-5 symptoom-tellingen significant overtreffen, de toegevoegde complexiteit van interactiemodellen onnodig is voor het verbeteren van de discriminatie. De auteurs merken beperkingen op, waaronder de afhankelijkheid van een enkelvoudige centrum retrospectieve dataset en het gebruik van klinische diagnose (die zelf DSM-gebaseerd is) als referentiestandaard. Zij suggereren dat toekomstig werk zich moet richten op externe multicenter validatie en prospectieve evaluatie van behandelrespons.