Diagnostic Prediction of Attention-Deficit/Hyperactivity Disorder in Children Using AULA: A Virtual Reality-Based Continuous Performance Task

长期以来，诊断注意力缺陷多动障碍（ADHD）一直依赖于由家长和教师填写的问卷，以及要求儿童在安静房间内专注于简单任务的标准测试。虽然这些方法已非常成熟，但它们往往难以捕捉到儿童注意力在现实世界中运作的复杂真实情况。在典型的课堂上，一名学生必须在试图倾听老师说话的同时，忽略纸张的沙沙声、邻座的低语以及走动的人影。传统的测试很少能重现这种复杂性，这使得观察一个孩子的脑力如何应对不断的干扰变得十分困难。此外，ADHD 的症状在不同儿童之间可能表现得迥然不同，且该病症通常是根据一个孩子注意力在瞬间波动的程度来定义的，而不仅仅是基于测试中的单一分数。

为了弥补安静测试室与嘈ole（嘈杂）教室之间的差距，研究人员开始转向虚拟现实技术。这项技术允许科学家构建沉浸式的三维环境，这些环境对佩戴头显的人来说感觉非常真实，同时又保持了完美的受控性和可测量性。通过将孩子置于一个充满现实干扰的模拟课堂中，研究人员可以观察当压力袭来时，他们的注意力究竟如何维持。这种方法提供了一种以前无法实现的细节测量方式，不仅记录了孩子回答正确或错误，还记录了他们的身体如何移动、反应时间的长短，以及随着环境变化其注意力是如何转移的。

Fidel Rebón-Ortiz 和 Irene Alice Chicchi Giglioli 与 Giunti Nesplora 组织合作开展的一项近期研究，利用一种名为 AULA 的特定虚拟现实工具验证了这一想法。研究人员希望观察是否可以使用这种沉浸式环境，结合先进的计算机算法，来区分患有 ADHD 和未患 ADHD 的儿童。他们招募了 352 名 6 至 16 岁的儿童和青少年，确保两组参与者人数相等。每位参与者都拥有正常或矫正后的视力和听力，且 ADHD 组的成员均根据标准医学标准获得了正式的临床诊断。

孩子们戴上虚拟现实头显，进入了一个数字化的教室。在这个模拟环境中，他们被要求执行模仿真实学校工作的任务，例如在忽略同学传递纸条或低语等干扰的同时，关注一位虚拟教师。系统在孩子们工作时记录了海量数据，追踪从他们的反应时间到头部和手部微小动作的一切信息。研究人员特别感兴趣的是，在存在干扰的情况下，孩子们的表现与在安静环境下相比有何不同。他们寻找数据中的模式，以揭示可能代表 ADHD 特征的信号，例如一个孩子的反应时间在瞬间变化的程度，或者他们在试图忽略干扰时的失误频率。

在收集了这些丰富的流式信息后，团队使用了一种称为机器学习的过程来寻找最重要的线索。计算机并没有仅仅观察一两个数字，而是分析了数十种不同的测量指标，以观察哪些指标最能有效区分两组人群。研究人员发现，最具有解释力的特征不仅在于孩子回答的速度，还在于他们的连贯性。患有 ADHD 的儿童表现出更大的反应时间不稳定性，尤其是在他们试图忽略干扰时。此外，他们在两种特定类型的错误上也显著增多：他们漏掉了应该达到的目标，以及在虚拟教室充满噪音和运动时，在应该保持静止时按下了按钮。

该研究确定了 14 个对进行预测最有用的关键变量。这些变量包括反应时间波动的程度、存在干扰时的错误次数，以及注意力偏离任务目标的程度。当研究人员将这些特定变量输入到几种不同的计算机模型中时，结果令人瞩目。这些模型能够以极高的准确度对儿童进行分类，在超过 93% 的案例中正确识别了孩子所属的群体。表现最好的模型能够以远超传统测试方法的精确度来区分这两组人群。

最重要的发现之一是，干扰的存在产生了巨大的影响。最重要的变量是在孩子们试图在嘈杂、繁忙的环境中集中注意力时所测得的。这支持了一个理论，即 ADHD 不仅仅是一个静态的特征，而是一种一个人的注意力受周围环境影响极大的状态。当环境简单且安静时，患有 ADHD 的孩子可能表现得与同龄人相似；但当认知负荷增加且干扰出现时，他们的注意力就会变得不稳定，其冲动控制能力也会下降。研究表明，虚拟现实环境能够触发这些特定的困难，从而让计算机清晰地观察到问题所在。

研究人员还注意到，计算机模型能够捕捉到人类观察者可能忽略的微妙模式。例如，模型发现孩子在虚拟空间中的身体移动方式与其注意力水平有关。在某些情况下，孩子的身体躁动似乎以一种初看并不明显的复杂方式，与他们保持专注的能力相互作用。通过将虚拟现实测试数据与这些先进的计算机技术相结合，该研究证明了建立一个更加准确且客观的儿童注意力健康图景是可能的。

尽管结果令人鼓舞，但作者谨慎地指出，这只是漫长旅程中的一步。该研究使用了特定的儿童群体，并未涵盖 ADHD 或经常与之共存的其他状况的所有可能变体。研究中使用的计算机模型非常复杂，研究人员承认，医生需要理解这些模型是如何得出结论的，然后才能将其广泛应用于临床。然而，这项工作提供了强有力的证据，证明通过将儿童置于真实的、具有干扰性的环境中，并以高精度测量他们的反应，可以揭示 ADHD 的核心挑战，而这是传统测试无法做到的。

最终，这项研究为诊断指明了一条新路径。通过从主观报告和简单测试转向沉浸式、数据丰富的环境，临床医生可能很快就会拥有能够洞察孩子注意力本质的工具。研究表明，当我们重建现实世界的课堂挑战时，有 ADHD 和无 ADHD 的儿童之间的差异会变得清晰且可测量。这种方法不仅提高了诊断的准确性，还为我们提供了更深层次的理解——关于注意力如何运作、如何在压力下崩溃，以及如何在孩子们实际生活的复杂、嘈杂的世界中获得支持。