ECAP：探索儿童ADHD的远程诊断程序

最近，应用于儿童神经精神病学的远程医疗有所增加，例如使用在线平台远程收集病例历史和人口统计和行为信息。European Child & Adolescent Psychiatry杂志发表了一项研究，旨在了解家长和教师通过在线问卷提供的信息在多大程度上与临床医生对注意力缺陷/多动障碍（ADHD）的诊断结论重叠。此外，研究探索自闭症谱系障碍（ASD）症状在这一过程中可能发挥的作用。

研究人员检查了远程收集的家长和老师评分的问卷，并对342名年龄3~16岁的受试者（18%女性）进行了完整的神经精神病学评估，并根据DSM-5标准接受或没有接受ADHD和/或ASD诊断。建立了一个易于解释的机器学习模型-决策树（DT），以模拟基于收集数据对ADHD/非ADHD进行分类的临床过程。然后，通过交叉验证方法测试DT模型的预测准确性。将DT分类器的性能与其他机器学习模型（如随机森林和支持向量机）进行比较。在DT识别的类别中测试ASD症状的差异，以解决它们在使用DT模型执行诊断错误中的作用。

最后的样本包括326名儿童和青少年。在临床医生的诊断过程结束时，52%的样本接受了没有ASD的ADHD诊断，33%的受试者既没有ADHD也没有ASD诊断，8%的受试者被诊断为没有ADHD的ASD，7%的儿童接受了ADHD - ASD共病诊断。

DT确定了临床医生用于分类ADHD诊断的决策规则，准确率为82%。在交叉验证实验中，DT模型的预测准确率达到74%，与其他分类算法的预测准确率相当。护理人员报告的ADHD核心症状严重程度被证明是临床医生在诊断决策过程中最具鉴别性的信息。然而，当必须确定ADHD的严重程度时，ASD症状是一个混杂因素。

事实证明，远程医疗程序在获得关于诊断风险的自动化输出方面是有效的，减少了症状检测和诊断之间的时间延迟。然而，这不应被视为现场实践的替代品，而应被视为对临床实践的自动化支持，使临床医生能够为最复杂的病例分配更多的资源。

原文出处：

Silvia Grazioli, Alessandro Crippa, et al, Exploring telediagnostic procedures in child neuropsychiatry: addressing ADHD diagnosis and autism symptoms through supervised machine learning, European Child & Adolescent Psychiatry, 2022, https://doi.org/10.1007/s00787-023-02145-4.