LUND / LONDON (IT BOLTWISE) – Forschende nutzen elektronische Patientenakten, um erwachsene ADHS bereits bis zu 18 Monate vor der formalen Diagnose aus Routinebesuchen abzuleiten. Das KI-Modell basiert auf einer Transformer-Architektur und erreicht sechs Monate im Voraus eine Trefferquote von 80% bei Betroffenen. Gleichzeitig identifizieren die Auswertungen über Shapley-Ansätze, welche Diagnose- und Medikationscodes das Risiko besonders prägen. Die Studie positioniert die Technik als Frühwarnsystem für Ärzte statt als Ersatz für die klinische Abklärung.
Erwachsenes ADHS wird im Alltag oft zu spät erkannt, weil sich typische Aufmerksamkeitsprobleme mit anderen psychischen Belastungen überlagern. Genau hier setzt eine neue KI-Studie an: Statt auf teure Spezialtests oder bildgebende Verfahren zu bauen, wertet das Modell elektronische Gesundheitsakten aus und sucht nach Mustern, die sich über Monate in routinemäßigen Arztkontakten abzeichnen. Die zentrale Aussage für Kliniken und Datenschutzverantwortliche lautet damit weniger „Diagnose per KI“, sondern „Früherkennung als Alarmfunktion“: Das System soll verdächtige Verläufe sichtbar machen und Ärztinnen sowie Psychotherapeutinnen zur vertiefenden Abklärung unterstützen.
Technisch basiert die Lösung auf einem Transformer-Modell, das Sequenzen interpretieren kann. Im Unterschied zu klassischen, tabellarischen ML-Ansätzen liest der Algorithmus die zeitliche Abfolge von medizinischen Besuchen und Kodierungen in den Patientenakten. Um die Chronologie robust zu erfassen, wird im Transformer eine positional encoding genannte mathematische Darstellung genutzt, die Ereignisse nach ihrer Position im Verlauf gewichtet. Die Forschenden trainierten auf Daten aus einem regionalen Gesundheitssystem in Südwestschweden (2011 bis 2022) und berücksichtigten demografische Merkmale, Diagnosen, Prozeduren und verordnete Medikamente.
Die Datenauswahl zeigt zugleich eine typische Herausforderung bei klinischer KI: Verwechslungsgefahr. Während eine anfängliche Kontrollgruppe Patienten einschloss, die psychiatrische ambulante Versorgung erhielten, aber kein ADHS hatten, machte die Überlappung mit Depression oder Angst das Unterscheidungssignal schwächer. Deshalb entfernte das Team genau diese Überlappungen aus der Kontrollkohorte, sodass letztlich eine bereinigte Vergleichsgruppe übrig blieb. Auf dieser Basis trainierten sie zunächst eine Gruppe von 3.570 erwachsenen Personen mit formaler ADHS-Diagnose oder relevanter Medikation und testeten anschließend auf 800 separaten Fällen. Bewertet wurde das Modell dann als „Generalisationstest“ auf vollständig neuen Daten.
In den Ergebnissen sticht vor allem der Prognosehorizont von sechs Monaten hervor. Das Modell identifizierte in diesem Zeitfenster 80% der später formal diagnostizierten Personen korrekt und schloss 77% der Nichtbetroffenen zutreffend aus. Mit einem Area-Under-the-Curve-Wert von 0,79 zeigt die Kennzahl, dass die Trennschärfe deutlich über Zufall liegt, selbst wenn die spätere Diagnostik bereits weiter in der Vergangenheit verankert ist. Das Team prüfte außerdem die Erklärbarkeit: Mittels Shapley Additive Explanations wurde untersucht, welche Codes das Risiko nach oben oder unten verschieben. So traten vor allem Indikatoren rund um Substanzkonsum, einschließlich stimulierender Hinweise wie hoher Koffeingebrauch sowie bestimmte Werte im Bereich des Blutalkohol-Umfelds, als starke Vorläufer auf.
Markt- und industriepolitisch ist die Methodik deshalb bemerkenswert, weil sie eine Lücke schließt, die viele frühere KI-Versuche nicht sauber adressierten: In der Forschung standen häufig Hirnscans, strukturierte Verhaltensassessments oder spezielle physiologische Messungen im Vordergrund, die für den „durchschnittlichen“ Patienten nicht ohne Weiteres verfügbar und in der Routine teuer sind. Die hier gewählte EHR-basierte Pipeline ist näher an dem, was große Anbieter in der Gesundheits-IT bereits seit Jahren propagieren: KI-Modelle, die sich in bestehende Dokumentations- und Abrechnungssysteme integrieren lassen. Vergleichbar wird das zu früheren Ansätzen aus dem Umfeld großer KI- und Klinikinfrastrukturanbieter, die auf verwertbare klinische Daten statt auf Spezialdiagnostik setzen. Wie Branchenexperten in Fachgesprächen betonen, verschiebt sich damit der Hebel von „neue Messgeräte“ hin zu „Datenqualität und Governance“, also zu genau den Faktoren, die über den realen Nutzen im Krankenhaus entscheiden.
Gleichzeitig ist die Studie klar in der Anwendung: Die KI soll keine formale Diagnose stellen, sondern als leises Frühwarnsystem innerhalb des Krankenhaus-IT-Systems arbeiten. Konkret bedeutet das, dass sie Patientinnen und Patienten mit auffälligen Nutzungsmustern erkennt und dann Ärztinnen und Ärzte auf die Möglichkeit einer umfassenden psychologischen Evaluation hinweist. Damit adressiert die Studie ein Kernproblem regulatorischer wie ethischer Natur: Bei medizinischen KI-Systemen ist nicht nur die Leistung relevant, sondern auch der klinische Entscheidungsprozess, der weiterhin in menschlicher Verantwortung liegt. Aus Datenschutzsicht ist zudem entscheidend, wie die Trainings- und Testdaten gehandhabt werden, etwa bezüglich Zweckbindung, Zugriffskontrolle und Protokollierung im Sinne einschlägiger EU-Standards für Gesundheitsdaten. Hier liegt auch der Unterschied zu Consumer-Tools: Im klinischen Kontext zählen Auditierbarkeit und Sicherheitsmaßnahmen stärker als „Demo-Performance“.
Ein Blick auf Bias und Fairness zeigt ebenfalls, warum eine spätere Skalierung mehr als nur ein technisches Update ist. Die Trefferquote fiel bei Frauen mit 75,2% höher aus als bei Männern mit 66,7%. Zwar blieb die False-Positive-Rate über die Geschlechter hinweg ähnlich, doch die unterschiedliche Sensitivität deutet auf zusätzliche, noch nicht vollständig verstandene Muster hin—beispielsweise in der Dokumentationspraxis oder in der Art, wie Symptome je nach Versorgungsweg kodiert werden. Genau deshalb empfehlen die Forschenden weitere Evaluierungen, bevor ein Rollout in breitere psychiatrische Populationen erfolgt. Ein weiteres praktisches Risiko ergibt sich daraus, dass die Kontrollgruppe Depression und Angst bewusst ausschloss; im echten Betrieb müssen Ärztinnen aber genau diese Abgrenzung leisten, und das Modell wurde auf genau diese schwierige Grenzsituation möglicherweise nicht ausreichend trainiert.
Für die Zukunft ist der wichtigste Fahrplan der Transfer: Das Modell soll in Gesundheitssystemen außerhalb Schwedens getestet werden, weil medizinische Kodierungs- und Dokumentationspraktiken stark variieren. Zudem schlagen die Autoren vor, die datengetriebene Herangehensweise an neue, flexiblere Klassifikationslogiken für psychische Erkrankungen anzupassen. Wenn dieser nächste Schritt gelingt, könnten sich für Entwickler und Kliniken neue Chancen ergeben: KI kann in der Regel bereits bestehende Informationsflüsse (EHR, Kodierung, Medikation) als Frühindikator nutzen, wodurch sich die „Zeit bis zur Abklärung“ verkürzt. Unternehmen, die KI-Infrastruktur für Krankenhäuser bereitstellen, müssen dafür jedoch die komplette Kette betrachten—von Datenintegration und Modellmonitoring bis zur Erklärbarkeit und zur regelmäßigen Validierung im Feld.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI erkennt erwachsene ADHS-Hinweise Monate früher aus EHR-Daten" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI erkennt erwachsene ADHS-Hinweise Monate früher aus EHR-Daten" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI erkennt erwachsene ADHS-Hinweise Monate früher aus EHR-Daten« bei Google Deutschland suchen, bei Bing oder Google News!