Kann man ADHS mit 99%iger Genauigkeit objektivieren ?

Die folgende neurobiologische Studie beschäftigt sich mit Biomarkern in der ADHS-Diagnostik. Leider (?) eben auf sehr theoretischer Ebene, denn wir werden kaum ein funktionelles Kernspin zur Diagnostik in der Regelversorgung zur Verfügung bekommen. Aber die Untersuchung der sog. Konnektivität und auch der "inneren Bremse" auf Signale spielt schon länger zur Charakterisierung von ADHS eine grössere Rolle.

Spezifische Kommunikation zwischen verschiedenen Gehirnregionen, bekannt als Gehirnkonnektivität, könnte laut einer in Frontiers in Physiology veröffentlichten Studie möglicherweise als Biomarker für die Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS) dienen . Die Forscher verwendeten Klassifikatoren für maschinelles Lernen, um Erwachsene zu identifizieren, bei denen eine ADHS-Diagnose in der Kindheit mit einer Genauigkeit von 99% erhalten wurde.

Den Forschern zufolge haben diese Ergebnisse nicht nur Auswirkungen auf die Vereinfachung der Diagnose von ADHS, sondern auch auf die Unterstützung von Klinikern bei der richtigen Ausrichtung der Behandlungen auf die spezifischen Bedürfnisse jedes Patienten.

„Da bestimmte Arzneimittel mit bestimmten Signalwegen reagieren, kann das Verständnis der verschiedenen Arten von ADHS dazu beitragen, Entscheidungen über ein Medikament im Vergleich zu anderen zu treffen“, sagte Chris McNorgan, PhD, in einer Pressemitteilung.

ADHS zu erkennen und zu diagnostizieren ist oft schwierig, obwohl es die am häufigsten diagnostizierte psychische Störung bei Kindern im Schulalter ist. Die Diagnose wird durch mehrere Subtypen der Erkrankung erschwert und eine klinische Diagnose von ADHS kann sich ändern, wenn derselbe Patient zur Nachuntersuchung zurückkehrt.

„Ein Patient kann an einem Tag Verhaltenssymptome zeigen, die mit ADHS vereinbar sind, aber selbst Tage später kann er diese Symptome nicht oder in gleichem Maße zeigen“, sagte McNorgan in der Pressemitteilung. „Es könnte einfach der Unterschied zwischen einem guten und einem schlechten Tag sein. Aber die Gehirnkonnektivitätssignatur von ADHS scheint stabiler zu sein. Wir sehen das Diagnose-Flip-Flop nicht.“

Die Forscher verwendeten fMRT-Archivdaten von 80 erwachsenen Teilnehmern, bei denen als Kinder ADHS diagnostiziert wurde. Die Forscher wendeten dann maschinelle Lernklassifikatoren auf 4 Momentaufnahmen der Aktivität an, die aufgenommen wurden, während die Teilnehmer eine Aufgabe ausführten, mit der die Fähigkeit des Probanden getestet wurde, eine automatische Reaktion zu verhindern. Die kollektive Analyse erreichte eine diagnostische Genauigkeit von 99 %, wobei die fokussierte Analyse einzelner Läufe 91 % erreichte.

„Es ist bei weitem die höchste Genauigkeitsrate, die ich je gesehen habe – sie übertrifft alles, was zuvor erreicht wurde, und weit über alles, was mit einer Verhaltensbewertung erreicht wurde“, sagte McNorgan in der Pressemitteilung. „Viele Faktoren haben wahrscheinlich zu unserer überragenden Klassifikationsleistung beigetragen.“

Diese einzigartige Genauigkeit könnte den Forschern zufolge auf die Anwendung von Deep-Learning-Netzwerken zurückgeführt werden, die bedingte Beziehungen viel besser erkennen können als die direkte lineare Klassifizierung. Da die aktuelle Studie entwickelt wurde, um ADHS basierend auf den Kommunikationsmustern zwischen Gruppen von Hirnarealen vorherzusagen und diese Verbindungen oft die Berücksichtigung mehrerer Faktoren anstelle einer linearen Korrelation erfordern, könnte der Einsatz von Deep-Learning-Klassifikatoren stark zum Erfolg beigetragen haben dieses diagnostischen Modells, so die Autoren.

Detecting ADHD with near perfect accuracy [news release]. EurekAlert; January 27, 2021. Accessed July 13, 2021. https://www.eurekalert.org/pub_releases/2021-01/uab-daw012721.php (Öffnet in neuem Fenster)