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
Deze studie ontwikkelde en valideerde parsimonieuze regressiemodellen met behulp van gegevens uit de National Survey of Children's Health van 2023 om door ouders gerapporteerde huidige angst bij Amerikaanse kinderen met ADHD die gedragstherapie ontvangen te classificeren, waarbij een matige discriminatie en superieure kalibratie werd aangetoond vergeleken met machine learning-benaderingen wanneer geëvalueerd in een onafhankelijke steekproef uit 2024.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In het landschap van de kindergezondheid is aandachttekort/hyperactiviteitsstoornis, of ADHD, een bekende aandoening die invloed heeft op hoe een kind zich kan concentreren en impulsen kan beheersen. Het komt vaak voor dat kinderen met ADHD ook andere emotionele lasten dragen, zoals angst, wat een staat van aanhoudende bezorgdheid of angst is. Hoewel artsen vaak de ADHD zelf behandelen, soms met gedragsstrategieën die copingvaardigheden aanleren, kan de bijbehorende angst verborgen of onbehandeld blijven. Dit is een belangrijke zorg omdat angst verandert in hoe een kind zich voelt en functioneert, en het vereist vaak een eigen specifieke aandacht. De uitdaging voor gezondheidszorgsystemen is om te achterhalen welke kinderen, zelfs zij die al hulp krijgen voor hun ADHD, ook worstelen met actuele angst, zodat zij naar de juiste ondersteuning kunnen worden geleid.
Een team van onderzoekers zette zich scharpe om een hulpmiddel te bouwen om deze kinderen te identificeren met behulp van gegevens uit een enorme, landelijke enquête onder Amerikaanse gezinnen. Ze richtten zich specifiek op kinderen tussen de zes en zeventien jaar die de diagnose ADHD hadden gekregen en het afgelopen jaar gedragstherapie hadden ontvangen. Het doel was niet om te voorspellen of een kind in de toekomst angst zou ontwikkelen, maar om een momentopname te creëren die kon classificeren of een kind momenteel angst ervaart op basis van informatie die ouders al hadden verstrekt. Om dit te doen, verzamelden de onderzoekers informatie over twintig verschillende factoren, variërend van de leeftijd van het kind en het gezinsinkomen tot de slaapgewoonten, of het kind gepest is en de mentale gezondheid van de ouders. Ze gebruikten deze informatie om vier verschillende wiskundige modellen te bouwen, wat in essentie sets regels zijn die ontworpen zijn om deze factoren te wegen en de waarschijnlijkheid van angst in te schatten.
De onderzoekers bouwden deze modellen eerst met behulp van gegevens die in 2023 waren verzameld. Ze testten de modellen tegen elkaar om te zien welke het beste waren in het sorteren van kinderen in groepen "waarschijnlijk met angst" en "onwaarschijnlijk met angst". Vervolgens, om ervoor te zorgen dat de modellen niet slechts geluk hadden met de gegevens van 2023, legden ze de regels vast en pasten ze deze toe op een volledig nieuwe groep gezinnen die in 2024 waren ondervraagd. Deze tweede groep bestond uit andere mensen, die een jaar later waren ondervraagd, wat diende als een rigoureuze test om te zien of de modellen in de echte wereld konden werken. De resultaten lieten zien dat de eenvoudigere modellen, die vertrouwden op standaard statistische methoden, net zo goed presteerden als de complexere, computerzware machine learning-modellen. Sterker nog, het complexe machine learning-model presteerde juist slechter, waarbij het voorspellingen produceerde die te extreem en minder betrouwbaar waren.
Toen de onderzoekers naar de cijfers keken, ontdekten ze dat ongeveer de helft van de kinderen in hun studie die gegevens over geobserveerde angst hadden, momenteel angst ervoer. De ontwikkelde modellen uit de 2023-gegevens waren in staat om de kinderen met en zonder angst in de 2024-groep met een matig niveau van nauwkeurigheid te onderscheiden. De best presterende modellen identificeerden de aanwezigheid of afwezigheid van angst in ongeveer 72 van de 100 gevallen correct. Belangrijker nog, deze modellen waren goed gekalibreerd, wat betekent dat de toegewezen waarschijnlijkheden overeenkwamen met de werkelijke percentages angst in de groep. Het complexe machine learning-model daarentegen had de neiging om het risico voor sommige kinderen te overschatten en voor anderen te onderschatten, wat de voorspellingen minder betrouwbaar maakte.
De studie maakt duidelijk dat deze modellen geen diagnostische instrumenten zijn die een arts kan gebruiken om tegen een ouder te zeggen: "Uw kind heeft definitief angst." In plaats daarvan zijn het onderzoeksinstrumenten die bedoeld zijn om kinderen in risicogroepen in te delen. Ze werken door naar een enkel moment in de tijd te kijken, gebruikmakend van dezelfde informatie die een ouder gaf over de huidige staat van het kind. Omdat de gegevens afkomstig zijn uit een enkele enquête waarbij de ouder vragen beantwoordt over zowel het gedrag van het kind als de mentale gezondheid op hetzelfde moment, kunnen de modellen niet bewijzen dat het ene het andere veroorzaakt. Ze laten simpelweg zien welke combinaties van factoren het meest voorkomen bij kinderen die momenteel angst ervaren.
Uiteindelijk kwamen de onderzoekers tot de conclusie dat een rechttoe rechtaan benadering met regressiemodellen voldoende was voor deze taak. Deze modellen boden een gebalanceerd beeld en identificeerden correct de kinderen die extra aandacht nodig hadden, zonder de instabiliteit van de complexere algoritmen. De studie suggereert dat voor deze specifieke populatie van kinderen met ADHD die al in behandeling zijn, eenvoudigere hulpmiddelen effectiever kunnen zijn bij het signaleren van kinderen die ook hulp nodig hebben voor angst. De auteurs benadrukken echter dat deze bevindingen een startpunt zijn. Voordat een dergelijk hulpmiddel in een kliniek gebruikt kan worden om beslissingen in de echte wereld te sturen, moet het worden getest in verschillende omgevingen, worden gecontroleerd op eerlijkheid bij verschillende groepen mensen en worden geëvalueerd om te zien of het gebruik ervan daadwerkelijk leidt tot betere resultaten voor kinderen. Voor nu staat het werk als een zorgvuldige demonstratie van hoe een risico-stratificatietool gebouwd en getest kan worden met behulp van grootschalige nationale gegevens, waarbij de waarde van eenvoud en de noodzaak van voorzichtigheid bij het toepassen van deze bevindingen buiten het onderzoek wordt benadrukt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.