Deep Learning-Enhanced EVA Test for Diagnostic Prediction of ADHD Among School- Aged Children
Deze studie toont aan dat een door deep learning verbeterde continue prestatie-test (EVA), die gebruikmaakt van een LSTM-algoritme om visuele-auditieve responsgegevens te analyseren, een hoge diagnostische nauwkeurigheid (AUC 0.990) bereikt voor ADHD bij schoolgaande kinderen, terwijl de testtijd wordt verkort en de betrokkenheid wordt verbeterd vergeleken met traditionele methoden.
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
Stel je voor dat je een speld in een hooiberg probeert te vinden, maar de hooiberg is de geest van een kind, de speld is een aandoening genaamd ADHD, en het enige gereedschap dat je hebt is een zeer lang, zeer saai gesprek met een vermoeide arts. Dit is de huidige realiteit bij het diagnosticeren van Attention-Deficit/Hyperactivity Disorder (ADHD), een veelvoorkomende aandoening waarbij kinderen moeite hebben met concentreren, stilzitten of hun impulsen onder controle houden. Omdat er niet genoeg getrainde specialisten zijn en het proces zo lang duurt, moeten veel kinderen jarenlang wachten op hulp. Wetenschappers proberen al heel lang betere hulpmiddelen te boubuilder. Een populair hulpmiddel is een "Continuous Performance Test" (CPT). Denk aan een CPT als een videogame waarbij je alleen op een knop moet drukken als je een specifieke vorm ziet of een specifieke klank hoort, en de rest moet negeren. Het is ontworpen om te zien hoe goed je brein kan opletten en zichzelf kan stoppen met het maken van fouten. Decennialang hebben artsen naar de score van dit spel gekeken om een diagnose te stellen. Maar wat als we niet alleen naar de eindscore kunnen kijken, maar de hele game in slow motion kunnen bekijken, met behulp van een superintelligent computerbrein dat patronen ziet die het menselijk oog mist? Dat is de grote vraag waar deze studie zich mee bezighoudt.
De onderzoekers in dit artikel besloten de ouderwetse aandachtsgame een upgrade te geven. Ze creëerden een nieuwe versie genaamd de "EVA-test", die korter en boeiender is dan de traditionele tests die jarenlang zijn gebruikt. Maar de echte magie zit niet alleen in het spel zelf; het is het "deep learning"-algoritme dat ze hebben gebouwd om mee te spelen. Stel je een detective voor die niet alleen naar het uiteindelijke resultaat van een mysterie kijkt, maar elke voetstap, elke aarzeling en elke blik die de verdachte tijdens het onderzoek maakte, analyseert. Dat is wat deze computer deed. In plaats van alleen te tellen hoe vaak een kind een knop miste of te snel drukte, keek het algoritme naar de ruwe, fractie-van-een-seconde timing van elke enkele reactie gedurende de hele test.
Het team testte dit nieuwe systeem op 306 schoolgaande kinderen, waarvan er sommigen al door artsen waren gediagnosticeerd met ADHD en anderen niet. Ze voerden de computer de ruwe gegevens van de EVA-test, die zowel visuele (vormen zien) als auditieve (geluiden horen) uitdagingen bevatten. De resultaten waren opmerkelijk. Het computermodel, dat zowel de visuele als de geluidstests combineerde, werd een meesterdetective voor de specifieke groep kinderen waarop het werd getest. Het identificeerde kinderen met ADHD in 95,6% van de gevallen correct (een maatstaf genaamd sensitiviteit) en identificeerde kinderen zonder ADHD in 96,6% van de gevallen correct (een maatstaf genaamd specificiteit) binnen deze testdataset. In de wereld van medische tests zijn deze cijfers uitzonderlijk. Het model presteerde zelfs beter dan de oudere, traditionele manier van het scoren van deze tests, wat vergelijkbaar is met het vergelijken van een moderne smartphonecamera met een filmcamera uit de jaren 1980.
Een van de meest interessante dingen die de computer "leerde", ging over vermoeidheid. De test was zo ontworpen dat de kinderen het visuele deel eerst speelden, gevolgd door het geluidsdeel. Het algoritme merkte iets slims op: als een kind traag reageerde tijdens het eerste (visuele) deel van het spel, was dat een sterk teken dat ze mogelijk ADHD hadden. Echter, als ze traag waren tijdens het tweede (auditieve) deel, suggereerde dat er juist aan bewezen dat ze waarschijnlijk geen ADHD hadden. Waarom? De onderzoekers suggereren dat omdat de visuele test eerst komt zonder een pauze, iedereen een beetje moe wordt tegen de tijd dat ze aan de geluidstest beginnen. Een kind met ADHD, wiens brein moeite heeft met het vasthouden van de focus, zou zelfs nog langzamer worden naarmate ze vermoeid raken. Maar een kind zonder ADHD zou misschien juist iets langzamer worden omdat ze even een mentale adempauze namen, of misschien waren ze zo gefocust dat ze niet op dezelfde manier door de vermoeidheid werden afgeleid. De computer begreep dat de verandering in snelheid over de tijd een enorme aanwijzing was, specifiek binnen de context van deze testvolgorde.
De studie keek ook naar wie het meest waarschijnlijk werd gediagnosticeerd. Zoals verwacht toonden de gegevens aan dat jongens vaker met ADHD werden geïdentificeerd dan meisjes, en het risico leek licht af te nemen naarmate kinderen ouder werden. Maar de belangrijkste conclusie is dat de nieuwe "EVA-test" in combinatie met dit deep learning-brein een krachtig nieuw hulpmiddel is. Het suggereert dat we ADHD sneller, nauwkeuriger en met minder stress voor het kind kunnen diagnosticeren. Hoewel de onderzoekers voorzichtig zijn om te zeggen dat dit meer testen op grotere groepen mensen vereist voordat het een standaard hulpmiddel wordt in elke dokterspraktijk, suggereren de resultaten dat de toekomst van diagnose er minder uitziet als een lang interview en meer als een slim, interactief spel dat precies weet waar het naar moet zoeken.
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.