Sztuczna inteligencja ma wykrywać ADHD u pięciolatków. Lekarze dostają narzędzie do wcześniejszej diagnozy

Naukowcy z Duke University opracowali model sztucznej inteligencji, który ma wykrywać ryzyko ADHD u dzieci już w wieku pięciu lat. Narzędzie analizuje rutynową elektroniczną dokumentację medyczną i szuka wzorców, które mogą wskazywać, że dziecko w przyszłości otrzyma diagnozę zespołu nadpobudliwości psychoruchowej z deficytem uwagi.

To ważne, bo ADHD często rozpoznaje się później. Dziecko przez lata może mieć trudności w szkole, relacjach i codziennym funkcjonowaniu, zanim ktoś połączy objawy w spójny obraz.

Badanie ukazało się w Nature Mental Health. Według Axios model był trenowany na danych 140 tys. dzieci od urodzenia do dziewiątego roku życia, a wcześniej korzystał z elektronicznej dokumentacji medycznej ponad 720 tys. osób. To nie jest więc eksperyment na kilkuset przypadkach, lecz próba wykorzystania dużej skali danych klinicznych.

„To nie jest lekarz AI”

Autorzy badania bardzo wyraźnie zaznaczają, że narzędzie nie ma stawiać diagnozy. Matthew Engelhard, współautor pracy i badacz danych w Duke, powiedział: „To nie jest lekarz AI”. Według niego model ma pomagać klinicystom lepiej kierować czas i uwagę, żeby dzieci potrzebujące pomocy nie wypadały z systemu i nie czekały latami na odpowiedzi.

To rozsądne rozróżnienie. W medycynie narzędzie predykcyjne nie powinno zastępować lekarza, rodzica ani specjalisty zdrowia psychicznego. Może natomiast wskazać, że konkretne dziecko warto obserwować uważniej, wcześniej skierować na ocenę albo zaproponować wsparcie, zanim problemy się utrwalą.

Co model widzi w danych

Model analizuje wzorce w dokumentacji medycznej. Nie chodzi o jeden magiczny objaw. Raczej o wiele drobnych sygnałów: historię wizyt, rozwoju, zachowań, współwystępujących trudności, danych demograficznych i medycznych. Sztuczna inteligencja ma znaleźć układ, który dla człowieka mógłby być zbyt rozproszony.

Elliot Hill, główny autor badania, powiedział, że narzędzie działa „dużo wcześniej, niż zwykle dochodzi do takiej diagnozy”. Według badaczy model zachowywał skuteczność w różnych grupach: ze względu na płeć, rasę, pochodzenie etniczne i status ubezpieczenia.

To ważny punkt, bo modele medyczne bardzo łatwo mogą powielać nierówności. Jeżeli system działa dobrze tylko dla jednej grupy pacjentów, staje się niebezpieczny. Duke twierdzi, że w tym przypadku wyniki były spójne między grupami, ale autorzy i tak podkreślają potrzebę dalszych badań przed użyciem w praktyce klinicznej.

ADHD: duża skala, trudna codzienność

Według danych CDC około 11 proc. amerykańskich dzieci ma diagnozę ADHD. W rozbiciu na płeć to około 15 proc. chłopców i 8 proc. dziewcząt. Tylko nieco ponad połowa dzieci z diagnozą przyjmuje leki. Dane te pokazują, że problem jest powszechny, ale leczenie i wsparcie są bardzo różne.

Naomi Davis, współautorka badania z obszaru psychiatrii i nauk behawioralnych, zwróciła uwagę, że dzieci z ADHD mogą naprawdę zmagać się z codziennością, gdy ich potrzeby nie są rozumiane i gdy brakuje odpowiedniego wsparcia. To nie jest tylko kwestia „żywego dziecka” albo trudności z koncentracją. ADHD może wpływać na naukę, samoocenę, relacje, zachowanie i zdrowie psychiczne.

Im wcześniej rodzice i lekarze rozumieją, z czym mierzy się dziecko, tym większa szansa na odpowiednie działania: wsparcie w szkole, modyfikacje środowiska, terapię, trening umiejętności albo konsultację specjalistyczną.

Ryzyko: etykieta zbyt wcześnie

Wcześniejsza czujność ma jednak drugą stronę. Jeśli narzędzie zostanie źle użyte, może prowadzić do zbyt szybkiego etykietowania dzieci. Pięciolatek to nie dorosły pacjent z jasnym zestawem objawów. Rozwój przebiega różnie, a zachowania, które u jednego dziecka są sygnałem trudności, u innego mogą mieścić się w normie wieku i temperamentu.

Dlatego wynik modelu nie powinien brzmieć: „dziecko ma ADHD”. Powinien raczej brzmieć: „warto przyjrzeć się bliżej”. To zasadnicza różnica.

Drugie ryzyko dotyczy prywatności. Dokumentacja medyczna dziecka jest jednym z najbardziej wrażliwych typów danych. Jeżeli takie modele mają działać w praktyce, rodzice muszą wiedzieć, jakie dane są analizowane, kto ma do nich dostęp, jak długo są przechowywane i czy wynik predykcji może wpływać na szkołę, ubezpieczenie albo przyszłą opiekę.

Komentarz: predykcyjna medycyna potrzebuje pokory

Badanie Duke pokazuje, w jakim kierunku zmierza medycyna. Sztuczna inteligencja będzie coraz częściej nie tyle stawiać diagnozę, ile podpowiadać, gdzie spojrzeć wcześniej. To może być ogromna wartość. Lekarz pierwszego kontaktu ma ograniczony czas, a objawy wielu zaburzeń rozwojowych są rozproszone. Model może zauważyć wzór, którego człowiek nie zdąży zebrać z setek drobnych informacji.

Ale medycyna predykcyjna wymaga pokory.

Dziecko nie jest zbiorem punktów danych. Wynik modelu powinien być początkiem rozmowy, nie końcem decyzji. Najlepszy scenariusz wygląda tak: AI wskazuje ryzyko, lekarz rozmawia z rodzicami, rodzice obserwują dziecko, specjalista ocenia sytuację, a wsparcie trafia tam, gdzie jest potrzebne.

Najgorszy scenariusz to automatyczna etykieta, która zaczyna żyć własnym życiem.

Dlatego ten model może być bardzo ważny, ale tylko pod jednym warunkiem: że pozostanie narzędziem dla lekarzy i rodzin, a nie zastępcą ich osądu.

Co może zmienić się w gabinecie

W praktyce takie narzędzie mogłoby działać w tle wizyty pediatrycznej. Lekarz widzi informację, że dziecko należy do grupy podwyższonego ryzyka, i może zadać kilka dodatkowych pytań rodzicom: o koncentrację, sen, impulsywność, funkcjonowanie w przedszkolu, relacje z rówieśnikami i zachowanie w domu. Sam alert niczego nie przesądza, ale pomaga nie przegapić dziecka, które w normalnym tempie systemu trafiłoby do specjalisty dopiero po latach.

To szczególnie ważne w przypadku dziewcząt, u których ADHD bywa mniej oczywiste i częściej przejawia się wewnętrznym chaosem, trudnościami z organizacją albo przeciążeniem, a nie spektakularną nadpobudliwością. Jeśli model potrafi działać spójnie niezależnie od płci i innych cech pacjenta, może pomóc zmniejszyć część diagnostycznych opóźnień.

Co jeszcze trzeba sprawdzić

Autorzy badania nie twierdzą, że narzędzie jest gotowe do masowego wdrożenia. To ważne. Model działał na danych z konkretnego systemu zdrowotnego i wymaga dalszej walidacji w innych miejscach, na innych populacjach i w realnej pracy klinicznej. Dopiero wtedy będzie można ocenić, czy zachowuje skuteczność poza środowiskiem badawczym.

Potrzebna będzie też odpowiedź na pytanie, jak wyjaśniać wynik rodzicom. Sam komunikat o „podwyższonym ryzyku” może przestraszyć albo zostać źle zrozumiany. Lekarz powinien umieć powiedzieć: to nie diagnoza, to sygnał do obserwacji. Bez takiego kontekstu nawet dobre narzędzie może narobić szkód.