注意力缺陷多动障碍（ADHD）影响着全球数百万儿童，然而，许多患儿在出现早期症状后，仍需等待多年才能获得诊断，从而错失了早期支持的关键机会，而这种早期干预本可以显著改善他们的长期预后。

在一项最新研究中，杜克健康（Duke Health）的研究人员发现，人工智能（AI）工具能够通过分析常规电子健康记录（EHR）中的数据，在典型临床诊断发生前数年，准确评估儿童未来患ADHD的风险。这种方法通过审视日常医疗数据中的模式，有望帮助识别那些可能从早期评估和后续支持中获益的儿童。

该研究于2024年4月27日发表在《自然·精神健康》（Nature Mental Health）杂志上，强调了如何从常规医疗访问中收集的信息中获取强大洞察力，以支持初级保健提供者做出早期决策。

该研究的主要作者、杜克大学医学院生物统计与生物信息学系的数据科学家Elliot Hill表示：“我们的电子健康记录中蕴藏着极其丰富的信息。我们的想法是，看看这些数据中隐藏的模式是否能帮助我们预测哪些儿童可能在未来被诊断出ADHD，而且要远早于通常的诊断时间。”

为得出这些发现，研究人员分析了超过14万名患有或未患ADHD儿童的电子健康记录。他们训练了一个专门的AI模型，使其能够审视从儿童出生到幼儿期的医疗历史数据。该模型学会了识别发育、行为和临床事件的特定组合，这些组合往往在ADHD诊断前数年就已出现。

研究结果显示，该模型在评估5岁及以上儿童未来的ADHD风险方面表现出高度准确性，并且在不同患者特征（包括性别、种族、民族和保险状况）之间保持了一致的公平表现。这一关键发现表明，该工具能够有效帮助减少ADHD护理中现有的不平等现象。

共同通讯作者、杜克大学生物统计与生物信息学系的Matthew Engelhard博士强调，该工具并非“AI医生”，而是一个旨在帮助临床医生集中时间和资源的工具。其目的在于识别那些可能需要儿科初级保健医生更密切关注或更早转诊至专科医生进行ADHD评估的儿童，从而确保高风险儿童不会“漏诊”，或无需等待数年才能获得答案。

研究人员指出，更早的筛查识别能够带来更早的诊断和支持，这与ADHD儿童在学业、社交和长期健康方面取得更好的预后直接相关。杜克大学精神病学和行为科学系副教授Naomi Davis博士补充说：“当ADHD儿童的需求未被理解且缺乏充分支持时，他们可能会面临真正的困境。及时提供循证干预对于帮助他们实现目标并为未来的成功奠定基础至关重要。”

AI识别“隐藏模式”的机制在于，它会审视事件的时间点和组合，例如特定的发育迟缓、睡眠障碍或因行为问题频繁就诊等。这些事件单独看来可能微不足道，但结合起来则形成ADHD的“风险特征”。通过这种方式，AI能够迅速扫描数千页的儿童医疗历史，突出显示可能发生在多年前或由不同医生记录的相关临床趋势，而这些趋势在初级保健医生有限的就诊时间内可能被忽视。

尽管前景广阔，研究人员也强调，在临床环境中广泛使用此类工具之前，还需要进行进一步的研究。该研究得到了美国国家精神卫生研究所（NIMH）和国家转化科学促进中心（NCATS）的资助。本研究的其他作者包括De Rong Loh, Benjamin A. Goldstein和Geraldine Dawson。