夜雨聆风一项最新研究显示，人工智能或许能够在医生正式确诊前数月，提前识别出患有成人注意缺陷多动障碍（ADHD）的人群。
研究人员开发的一套AI模型，通过分析患者既往电子病历中的医疗行为、处方记录与就诊轨迹，成功预测了部分成年人未来被诊断为ADHD的可能性。相关研究已发表于《European Psychiatry》。
ADHD是一种常见的神经发育障碍，全球约有5%至7.2%的儿童以及约2.5%的成年人受到影响。患者通常会表现出注意力不集中、冲动或过度活跃等症状，并对工作、学习与日常生活造成持续干扰。
但相比儿童，成人ADHD的诊断长期存在难度。
许多成年患者的症状与焦虑、抑郁等精神健康问题高度重叠，导致医生往往难以及时识别。研究人员指出，诊断延迟可能带来工作能力下降、事故风险增加以及生活质量恶化等一系列问题。
研究团队认为，如果能够更早识别高风险人群，患者将更早获得药物与行为干预，从而减少长期负面影响。
近年来，人工智能开始被用于医疗数据分析，以帮助医生识别隐藏模式。不过，过去针对ADHD的机器学习研究，通常依赖脑部扫描、行为评估或复杂生理检测，这些数据获取成本较高，也难以在日常医疗系统中普遍应用。
因此，研究人员决定转向一种更现实的路径——电子健康记录。
研究团队使用了瑞典西南部一家区域医疗系统2011年至2022年的历史数据，涵盖基层医疗、专科门诊与住院记录。数据内容包括患者人口统计信息、疾病诊断编码、临床操作以及药物处方等。
研究人员首先筛选出3570名已被正式诊断为ADHD或接受相关药物治疗的成年人，并建立对照组。
最初，AI模型在区分ADHD患者与焦虑、抑郁患者时遇到困难。由于这些疾病在认知与行为层面存在较大重叠，研究团队最终将焦虑与抑郁患者从对照组中剔除，以便算法更聚焦于ADHD特有特征。
调整后，对照组包含5126名成年人。
随后，研究人员采用一种基于“Transformer”架构的机器学习模型，对病历数据进行训练。
Transformer是一种擅长处理序列信息的人工智能模型，广泛用于大型语言模型。不同之处在于，这套系统读取的不是语言，而是患者在不同时间节点上的医疗行为序列，包括门诊记录、处方编码以及医疗事件发生顺序。
研究人员希望借此捕捉患者长期健康轨迹中的潜在规律。
研究团队分别测试了AI在正式诊断前6个月、12个月以及18个月进行预测的能力。
结果显示，该模型在提前6个月预测时表现最佳。
在这一阶段，AI能够正确识别80%的ADHD患者，同时正确排除77%的非患者。模型在评估预测能力的“AUC”指标中获得0.79分，其中1分代表完美预测，0.5则相当于随机猜测。
即便将预测时间拉长至18个月前，模型表现仍相对稳定。
研究人员随后进一步分析，AI究竟依据哪些医疗特征作出判断。
结果显示，与物质使用相关的医疗记录，是预测未来ADHD诊断的重要信号之一。例如，涉及兴奋剂使用、包括高咖啡因摄入在内的记录，都具有较高预测价值。
此外，特定血液酒精浓度记录也被AI识别为风险指标。
研究人员指出，这与既有研究结论相符：部分未被诊断的ADHD成年人，可能会通过咖啡因、酒精或其他物质进行“自我调节”。
模型还发现，一些与分娩并发症相关的医疗编码，也与未来ADHD诊断存在一定关联，例如难产或胎位异常等。
不过，研究人员强调，这种关联更可能反映广泛的生理与社会心理因素，而非直接因果关系。
研究还发现，两组患者在医疗行为上存在明显差异。
ADHD患者平均年龄约31岁，而对照组平均年龄约52岁。同时，ADHD患者更频繁就诊于基层医疗机构与精神科门诊，但住院次数更少、住院时间也更短。
尽管结果具有潜力，研究团队仍强调，这套AI系统并不能替代医生诊断。
研究人员表示，该工具更适合作为医院后台运行的“预警系统”。当系统发现某位患者的医疗行为模式存在异常时，可以提醒医生进一步进行专业心理评估。
最终诊断仍需要由专业医生通过结构化访谈与临床评估完成。
研究团队同时指出，该研究仍存在明显局限。
其中最重要的问题在于，对照组中剔除了焦虑与抑郁患者，而现实临床场景中，医生恰恰需要在这些高度重叠疾病之间进行区分。因此，模型在真实精神科环境中的表现仍有待进一步验证。
此外，AI在不同性别中的识别能力也存在差异。
数据显示，该模型能够识别75.2%的女性患者，但男性患者识别率仅为66.7%。研究人员认为，未来需要进一步优化算法，以确保不同群体之间的公平性。
下一阶段，研究团队计划在瑞典之外的医疗系统中验证模型表现。
由于不同国家的医疗编码体系存在明显差异，这套算法能否适应更广泛医疗环境，仍需要进一步测试。
