Виртуальная реальность и СДВГ: как технологии спасают внимание взрослых

Модель ИИ предсказывает взрослый СДВГ с помощью виртуальной реальности и данных о движении глаз
Новое исследование, опубликованное в журнале Translational Psychiatry, предлагает, что сочетание виртуальной реальности, отслеживания глаз, данных о движении головы и самооценок может помочь с более высокой точностью выявлять синдром гиперактивности и дефицита внимания (СДВГ) у взрослых. В диагностической задаче, имитирующей реальные отвлечения, исследователи обнаружили, что их модель машинного обучения могла отличить взрослых с СДВГ от тех, у кого этого расстройства нет, с точностью 81% при тестировании на независимом образце.
СДВГ — это нейроразвивающее состояние, характеризующееся невнимательностью, импульсивностью и гиперактивностью. Хотя его часто диагностируют в детстве, он также влияет на миллионы взрослых. Диагностика расстройства у взрослых может быть особенно сложной, поскольку обычно она зависит от клинических интервью и ретроспективных самооценок. Эти методы подвержены ошибкам из-за предвзятой памяти или преднамеренного искажения отчетов. В отличие от некоторых медицинских заболеваний, для подтверждения диагноза СДВГ отсутствуют установленные биомаркеры или лабораторные тесты. В результате неправильная диагностика остается серьезной проблемой.
Чтобы решить эти задачи, команда исследователей поставила цель повысить точность диагностики с помощью многомодального подхода, отражающего реальный опыт людей с СДВГ. Они объединили результаты выполнения задачи на устойчивое внимание с отслеживанием глаз, измерениями движений головы, электроэнцефалограммой (ЭЭГ) и самопроверкой в реальном времени. Участники выполняли задачу в моделированном семинарском помещении с использованием виртуальной реальности, где отвлекающие факторы, такие как шум или движение, вводились для имитации повседневных прерываний.
«СДВГ — это сложное и гетерогенное расстройство, и на сегодняшний день не существует когнитивных тестов или (био)маркетов, которые могут точно и надежно его обнаруживать. Тем не менее, такие объективные меры существенно облегчили бы процесс диагностики», — говорит один из авторов Бенджамин Селасковский, связанный с кафедрой психиатрии и психотерапии в университете Бонна.
«Предварительные данные предполагают, что сочетание нескольких методов оценки может повысить точность диагностики. Кроме того, имеются данные, что виртуальная реальность (VR) может повысить точность диагностики когнитивных тестов при СДВГ, обеспечивая реалистичную, экологически валидную тестовую среду».
«Таким образом, в настоящем исследовании мы стремились выяснить, сможет ли интеграция VR-когнитивного теста с отслеживанием движений головы и глаз, оценкой мозговой активности (с помощью ЭЭГ) и оценкой симптомов в реальном времени во время задачи обеспечить высокую точность в различении взрослых с и без СДВГ».
Исследование проводилось в два этапа. На первом этапе исследователи собрали обучающие данные от 50 взрослых — 25 с СДВГ и 25 без. На втором этапе они протестировали предсказательную точность своей модели на отдельной группе из 36 участников — 18 с СДВГ и 18 без. Этот шаг был критически важен, чтобы убедиться, что модель может обобщаться за пределами группы, на которой она была обучена. Каждый участник носил VR-гарнитуру и выполнял задачу непрерывного выполнения (CPT), которая требовала нажатия кнопки в ответ на определенные последовательности букв, игнорируя отвлекающие факторы. Их действия, движения головы и глаз, мозговая активность и самооценки симптомов записывались во время выполнения задачи.
Модель машинного обучения была обучена выявлять паттерны среди этих различных типов данных, которые были наиболее предсказательными для СДВГ. Чтобы гарантировать, что модель сосредоточилась на наиболее информативных характеристиках, исследователи использовали статистический метод, известный как максимальная релевантность и минимальная избыточность (MRMR), который выбирает переменные, которые сильно связаны с диагнозом и относительно некоррелированы друг с другом. Из 76 общих признаков оптимальная модель использовала только 11 для достижения наивысшей производительности.
Эти признаки были получены из четырех из пяти источников данных: самооценка симптомов, отслеживание глаз, выполнение задачи и движение головы. Среди наиболее важных предсказателей были то, насколько взгляд участника блуждал, насколько переменные были их времена реакции и насколько много они двигали головой во время задачи. Также важную роль играли самооценки невнимательности, гиперактивности и импульсивности, хотя исследователи предостерегают, что самооценки имеют известные ограничения у людей с СДВГ.
Когда модель была применена к независимому тестовому набору, она достигла общей точности 81%, при чувствительности 78% и специфичности 83%. Это означает, что она правильно идентифицировала 78% случаев СДВГ и 83% случаев без СДВГ. Эти показатели схожи с теми, что найдены в предыдущих исследованиях машинного обучения по СДВГ, но с ключевым отличием: большинство предшествующих исследований не тестировали свои модели на отдельных независимых данных. Этот шаг важен, чтобы избежать переоценки того, как хорошо модель будет работать в реальных условиях.
«Это исследование показывает, что сочетание нескольких типов информации может эффективно помочь идентифицировать взрослых с СДВГ», — объяснила соавтор исследования Анника Вибе. «На основе данных группы взрослых с и без СДВГ мы определили, что выполнение задачи на внимание в виртуальной среде, движения глаз, движения головы и самооценки симптомов во время VR-сценария были наиболее актуальны для различения лиц с СДВГ. Эти результаты подчеркивают потенциал использования многометодной оценки для повышения точности и объективности диагностики СДВГ у взрослых».
Использование виртуальной реальности особенно важно. Традиционные тесты на внимание часто проводятся в тихих, стерильных лабораторных условиях, которые не отражают шумные, отвлекающие ситуации, с которыми сталкиваются люди с СДВГ. Помещая участников в более реалистичную среду и вводя отвлекающие факторы, исследователи смогли зафиксировать поведение, которое может не проявляться в стандартных тестах. Этот подход повышает так называемую экологическую валидность — степень, в которой тест похож на реальные жизненные ситуации.
Исследование также проливает свет на относительную ценность различных источников данных. Хотя ЭЭГ часто рассматривается как многообещающий путь к выявлению биомаркеров психических заболеваний, в этом случае она не повысила точность классификации.
«Нам было интересно, что наши исследуемые параметры ЭЭГ не внесли вклад в предсказательную точность нашей модели», — заявил Селасковский. «Несмотря на обычное использование ЭЭГ в исследованиях СДВГ, наши результаты свидетельствуют о том, что другие меры — такие как отслеживание глаз, движение головы и самооценки симптомов на VR-задачах — более информативны для различения СДВГ у взрослых».
Несмотря на обнадеживающие результаты, у исследования есть ограничения. Размер выборки был относительно мал, всего 86 участника в по обеим наборам: обучающему и тестовому. Это ограничивает обобщаемость результатов, хотя использование отдельной валидационной выборки усиливает выводы. «Необходимо проведение дальнейших исследований с более крупными и разнообразными популяциями для проверки и уточнения этого диагностического подхода», — сказала Вибе.
«Мы стремимся разработать стандартизированный, эффективный и экосистемически валидный диагностический инструмент для взрослого СДВГ, который можно легко реализовать в клинических условиях», — объяснил Селасковский. «Уточняя нашу оценку на основе VR и проверяя ее на более крупных и разнообразных популяциях, мы надеемся повысить точность и надежность диагностик СДВГ, а возможно, применить этот подход и к другим нейроразвивающим расстройствам. С помощью нашего многометодного подхода мы надеемся получить более полное представление о когнитивном и поведенческом функционировании человека, что приведет к более точным и персонализированным диагностике».
«Наши результаты подчеркивают важность интеграции нескольких методов оценки при диагностике сложных состояний, таких как СДВГ», — добавила Вибе. «Важно, что, в отличие от большинства предыдущих исследований машинного обучения по СДВГ, наше исследование проверило предсказательную модель на независимом тестовом наборе данных, что усиливает надежность и потенциальную клиническую значимость наших результатов».
Исследование «Прогнозирование взрослого СДВГ с помощью виртуальной реальности, основанного на отслеживании глаз, ЭЭГ, актиграфии и поведенческих индексов: анализ машинного обучения независимых обучающих и тестовых образцов», было написано Анникой Вибе, Бенджамином Селасковским, Мартой Паскин, Лаурой Аше, Юлианом Пакосом, Бехремом Асланом, Силке Люкс, Александрой Филипсен и Никласом Брауном.