综述：从基于症状的异质性到青年ADHD基于机制的剖析——计算精神病学的承诺

本文系统阐述计算精神病学如何通过序列采样模型等数学工具，解析ADHD青少年在神经认知任务中的潜在计算机制（如漂移率变化），为超越症状描述、实现机制驱动的精准干预提供新范式。

　　

从症状异质性到计算机制解析

注意力缺陷/多动障碍（ADHD）与情绪障碍等精神健康问题存在显著的临床表现异质性，这种多样性为精准诊断和治疗带来巨大挑战。计算精神病学（Computational Psychiatry）通过数学建模方法——特别是序列采样模型（Sequential Sampling Models）——为破解这一难题提供了新路径。该框架通过分析患者在标准化神经认知任务中的试次行为（trial-by-trial behavior），推断出行为背后的潜在计算机制，从而超越传统症状描述，深入计算过程的本质。

ADHD中的核心计算参数异常

在注意力需求任务中，ADHD患者 consistently 表现出信息整合效率的降低，具体体现为漂移率（drift rate）的显著下降。漂移率作为决策过程中信息积累速度的核心指标，其异常直接反映了认知加工效能的缺损。更值得注意的是，不同症状维度（如注意不集中与多动/冲动）可能对应不同的参数组合模式：例如某些亚型表现为“高漂移率+长非决策时间（nondecision time）”，这说明ADHD的异质性可能源于截然不同的神经计算机制。

临床转化与预测潜力

早期研究表明，漂移率等计算参数不仅能够区分ADHD亚型，还具有预测疾病发展轨迹（illness trajectories）和治疗反应的潜力。这意味着计算精神病学工具有望成为客观的生物标志物，为个体化治疗策略提供依据。例如，漂移率较低的患者可能对特定认知训练或药物治疗方案有更好应答，从而实现机制匹配的精准干预。

当前挑战与未来方向

尽管前景广阔，当前研究仍处于初步阶段。任务范式的局限性、模型设定中的假设约束，以及参数的可重复性与泛化性（generalizability）问题，都是亟待突破的瓶颈。未来研究需整合三类关键方向：一是开发更生态化（ecologically valid）的自然情境任务；二是结合生理指标（如EEG、fMRI）多模态验证计算参数；三是采用纵向设计（longitudinal designs）追踪计算机制与发育过程的动态交互。

迈向新一代ADHD评估体系

最终目标是从静态症状分类转向动态环境中的信念更新与行为适应机制建模。通过计算精神病学框架，我们有望构建出兼具发育敏感性（developmentally informed）、生态效度和情境自适应性的下一代评估系统。这不仅能为ADHD提供新的分型与诊断工具，更可支撑贯穿患者全生命周期、随需求变化而自适应调整的干预策略，真正实现从症状描述向机制解理的范式转变。