注意力缺陷/多动障碍数据驱动诊断模型的系统综述：诊断效能、异质性偏倚与临床转化展望

《npj Digital Medicine》：Artificial intelligence for the data-driven diagnosis of ADHD: a systematic review and meta-analysis

【字体：大中小】 时间：2026年10月09日 来源：npj Digital Medicine 18.0

编辑推荐：

　　摘要注意力缺陷/多动障碍（ADHD）在临床上具有异质性，这给可重复的数据驱动诊断模型的开发带来了挑战。遵循PRISMA指南，本系统综述纳入了54项符合条件的研究。合并敏感度为0.87（95%CI：0.83–0.91），合并特异度为0.91（95%CI：0.88–0.93），但

摘要

注意力缺陷/多动障碍（ADHD）在临床上具有异质性，这给可重复的数据驱动诊断模型的开发带来了挑战。遵循PRISMA指南，本系统综述纳入了54项符合条件的研究。合并敏感度为0.87（95%CI：0.83–0.91），合并特异度为0.91（95%CI：0.88–0.93），但元回归中残余异质性仍高于96%。PROBAST将11项研究（20.4%）评定为高风险偏倚，11项（20.4%）为偏倚风险不明，32项（59.3%）为低风险；分析域是高风险判定的主要来源。敏感度方面检测到发表偏倚，但特异度方面未检测到。敏感度和特异度方面均未观察到模态间具有统计学意义的差异。因此，合并值所描述的是一个高度异质的文献集合，不应将其解读为某一模态优于其他模态的证据，也不应视为当前模型已具备临床使用条件的证据。在临床转化之前，需要标准化报告、外部验证和前瞻性评估。排除11项总体偏倚风险较高的研究后进行的敏感性分析显示，合并敏感度（0.87，95%CI：0.82–0.91）和特异度（0.92，95%CI：0.88–0.94）与原结果相似，但异质性仍然显著（I2分别为97.9%和98.5%）。