Polipsychograf, AI w diagnostyce ADHD – jak nowe technologie wspierają ocenę impulsywności i deficytów uwagi?

W dniu 7 kwietnia 2025 roku odbyła się konferencja naukowa „Spektrum różnic i wyjątkowości / Spectrum of differences and uniqueness”, zorganizowana przez Wyższą Szkołę Biznesu – National Louis University. Wydarzenie zgromadziło około 1400 uczestników z całej Polski. W trakcie prezentacji, poruszony został także temat wykorzystania nowych technologii (w tym Polipsychografu, AI), jako wsparcia diagnostyki zaburzeń, takich jak ADHD. Więcej o Konferencji można przeczytać TUTAJ, poniżej znajduje się część artykułu, które w całości zostanie opublikowany jako materiały pokonferencyjne. 

Jak AI i nowe technologie mogą wspomagać analizę wyników testów diagnostycznych ADHD?

Aktualne wyniki badań nad diagnostyką zaburzeń takich jak ADHD wskazują na wyzwania w zakresie dokładnej analizy rezultatów oraz opracowywania skuteczniejszych terapii. Weryfikacja uzyskanych informacji poprzez użycie tradycyjnych bądź komputerowych narzędzi diagnostycznych, zostanie wzbogacona o możliwości analityczne różnych modeli sztucznej inteligencji. Integracja technik AI, takich jak uczenie maszynowe, szczegółowa analiza danych może odgrywać kluczową rolę w pogłębianiu możliwości diagnosty, przy interpretacji i przekształceniu danych ilościowych na jakościowe – a więc dokonaniu oceny i opisu indywidualnego przypadku. Wsparcie modeli sztucznej inteligencji mogłoby przyczynić się do skuteczniejszej identyfikacji wzorów i zaburzeń sprawności poznawczej oraz aktywności motorycznej, które są często charakterystyczne dla zaburzeń takich jak ADHD. W przeprowadzonych badaniachtechniki AI wykorzystywane były do głębokiej analizy danych na temat funkcjonowania procesów poznawczych u osób badanych – mając na celu nie tylko poprawę diagnozy, ale przede wszystkim wskazania właściwiej terapii. Yu i współpracownicy wskazali, że model statystyczny AI przyczynił się do wzrostu dokładności analiz w zakresie precyzyjnego uchwycenia charakterystycznych zachowań osób z ADHD do poziomu ponad 98 procent.

W innych badaniach dotyczących diagnozowania omawianego zaburzenia przy użyciu sztucznej inteligencji, autorzy opisali zastosowanie hybrydowego algorytmu AI. Wykorzystanie to łączyło dwa podejścia: uczenia maszynowego – ML (ang. Machine learning) oraz modelu opartego na wiedzy – KB (ang. Knowledge based model). Każde z tych podejść ma swoje unikalne cechy i różnice, które wpływają na sposób ich działania. Model ML analizuje duże ilości danych (np. wyniki testów psychologicznych, zapisy EEG, odpowiedzi na kwestionariusze) i samodzielnie identyfikuje wzorce, które pomagają odróżnić osoby np. z ADHD od osób zdrowych. Z kolei, model KB bazuje na wcześniej ustalonych zasadach diagnostycznych objawów omawianego zaburzenia, np. kryteriach DSM-5 lub ICD-10. Może wykorzystywać np. systemy eksperckie, które symulują procesy myślowe specjalistów. Oczywiście, zarówno jeden, jak i drugi model mają swoje zalety i wady. Wśród nich warto wskazać, że modele mogą poprawiać swoją dokładność wraz ze wzrostem ilości dostępnych danych, wyjaśniać swoją decyzję na podstawie znanych zasad – lecz z drugiej strony mogą być „czarną skrzynką”, gdzie ciężko zrozumieć motywację algorytmu w podjęciu danej decyzji. Sam model będzie mniej elastyczny – gdy pewne zasady nie obejmują wszystkich specyficznych przypadków z ADHD. W przytoczonych badaniach zastosowanie modelu hybrydowego łączyło zalety obu podejść:

• Model uczenia maszynowego wykrywał subtelne zależności w danych klientów, na podstawie wyników diagnozy,
• Model oparty na wiedzy zapewniał zgodność z aktualną wiedzą medyczną, psychologiczną,
• Połączenie dwóch powyższych prowadziło do dokładniejszej i obiektywnej diagnozy w zakresie ADHD.

W praktyce diagnostycznej, taki hybrydowy system mógłby najpierw analizować dane pacjenta za pomocą ML, a następnie sprawdzać zgodność wyników z regułami diagnostycznymi modelu KB, zwiększając pewność decyzji u specjalisty. Badania przeprowadzono na łącznej liczbie 501 anonimowych wyników diagnoz osób dorosłych ze zdiagnozowanym ADHD w Wielkiej Brytanii.

Modele sztucznej inteligencji z powodzeniem mogą zostać wykorzystane w analizie wyników uzyskanych na podstawie przeprowadzenia testów psychometrycznych. Narzędzia te mogą zostać wykorzystane w zakresie analizy sprawności funkcjonowania procesów poznawczych, które to według aktualnej wiedzy są czynnikami różnicującymi w badaniach pomiędzy osobami z ADHD a osobami zdrowymi. Wśród nich są to testy mierzące stabilność procesów uwagi (analiza czasu reakcji, liczby pominiętych bodźców) – jak Test Ciągłego Wykonywania (ang. Continuous Performance Task/Test) lub testy mierzące zdolność do przechowywania, manipulowania informacjami w krótkim czasie oraz umożliwiające ocenę zdolności uwagi czy pamięci roboczej – jak Test Lokalizacji Liczb.

Modele statystyczne identyfikowały powtarzające się błędy, analizowały czas reakcji u osób badanych, które wykonywały testy psychometryczne. Na podstawie uzyskanych danych, określano w sposób precyzyjniejszy potencjalne zaburzenia funkcji uwagi lub stopień impulsywności.

Aktualne wyniki badań wskazują na wykorzystanie w diagnozowaniu zaburzeń psychicznych nie tylko modeli sztucznej inteligencji, ale także nowych technologii – takich jak Gogle VR (ang. Virtual Reality). W opisywanych badaniach kluczowe były dwa podejścia VR-CPT oraz AttenKare-D. Pierwsze z nich łączyło opisany wyżej standardowy test psychometryczny, zaimplementowany do odsłony nie tylko komputerowej, ale nawet do środowiska wirtualnej rzeczywistości (VR). Dzięki VR-CPT można było zbadać możliwości koncentracji uwagi i szybkości reagowania wśród uczestników, a jednocześnie zwiększyć realizm diagnozy, poprzez symulację dynamicznego otoczenia (np. klasy szkolnej). Niewątpliwie zastosowanie gogli VR poprawiło realizm tradycyjnego testu odbywającego się w warunkach kontrolowanych. Drugie podejście – AttenKare-D dotyczyło oceny codziennych zachowań dziecka w jego naturalnym środowisku. Wykorzystano zestaw czujników oraz algorytmy AI, śledząc aktywność osoby badanej w sposób ciągły, uchwytując tym samym prawdziwe wzorce dotyczące funkcjonowania uwagi oraz zachowań świadczących o impulsywności. Czujniki te zostały umieszczone na ciele dzieci, jednak w dostępnych materiałach z badań nie podano szczegółowych informacji na temat rodzaju tych czujników ani dokładnego sposobu ich mocowania. Prawdopodobnie były to urządzenia monitorujące ruch i aktywność, takie jak akcelerometry czy czujniki żyroskopowe, które rejestrują parametry ruchowe.

W powyższych badaniach diagnozowano grupę 21 dzieci w wieku od 6 do 12 lat. Piętnaście z nich to osoby ze zdiagnozowanym ADHD, pięć należało do grupy kontrolnej, a jedno dziecko zostało wykluczone z powodu wycofania zgody. Przeprowadzono diagnozę przy użyciu wyżej opisanych metod, zarówno dla uczestników, jak i ich opiekunów prawnych. Zebrane dane były analizowane przy użyciu modeli AI, w celu oceny samej diagnozy ADHD, a także nasilenia objawów. AttnKare-D wykazał się wyższą skutecznością diagnostyczną, nie tylko w porównaniu z diagnozami postawionymi na podstawie VR-CPT, ale także z diagnozą postawioną przez psychiatrę dziecięcego. Wyniki omawianych badań nie tylko wskazują, że metoda AttnKare-D może być użytecznym wsparciem w przypadku diagnozowania ADHD u dzieci – ale także na obiecujące możliwości i konieczność prowadzenia dalszych badań w zakresie integracji pomiędzy narzędziami psychometrycznymi a technologiami VR oraz modelami analitycznymi sztucznej inteligencji. Poniżej przedstawiono przykładowy model kooperacji gogli VR oraz np. testu psychometrycznego w warunkach wirtualnej klasy szkolnej.

Rysunek 1. Model testu VR-CPT z wykorzystaniem wirtualnej klasy szkolnej. Źródło: S. Oh, i in., dz. cyt.

Wśród niewątpliwych korzyści wynikających z wykorzystania modeli sztucznej inteligencji do analizowania wyników diagnoz dotyczących zaburzeń takich jak ADHD, należy wskazać na ograniczenia wyżej wymienionych metod. Po pierwsze, wewnętrzna złożoność modeli AI, choć może być interpretowana jako dobrodziejstwo, w rzeczywistości ze względów na efekt „czarnej skrzynki” utrudnia wydobywania powtarzalnych ocen, a tym samym stanowi wyzwanie w kontekście replikacji badań. Diagności praktycy mogą napotkać na tradycyjną barierę, polegającą na luce pomiędzy istotnością statystyczną uzyskanych wyników, a praktyczną przydatnością w kontekście różnych, analizowanych przypadków.   Należy także wskazać na względy etyczne, gdzie nawet anonimizowane wyniki diagnoz są przecież wrażliwymi wynikami badań danej, cierpiącej na dane zaburzenie osoby. Modele sztucznej inteligencji są liniowe (omawiane ML i KB), a więc mogą „napotkać problemy” z interpretacją złożonych, nieliniowych wzorców zachowań (jak w przypadku ADHD)

Polipsychograf®: Test Lokalizacji Liczb (TLB) – przykład komputerowej metody oceny uwagi

Diagnoza zespołu nadpobudliwości psychoruchowej z deficytem uwagi opiera się głównie na klinicznej ocenie objawów przez psychiatrę, odwołując się do m.in. wyników testów psychometrycznych. Zastosowanie narzędzi zaimplementowanych do techniki komputerowej jest kompatybilne z wyżej omawianym wsparciem w zakresie sztucznej inteligencji oraz technologii takich jak rzeczywistość rozszerzona (AR) oraz rzeczywistość wirtualna (VR). Programy takie jak CogniFit, BrainBeat, NeuroPlus czy Lumosity integrują informacje uzyskane w trakcie badania. Dodatkowo, AI wspiera diagnozę poprzez szczegółową analizę danych z testów psychometrycznych – identyfikując złożone wzorce zachowań i funkcjonowania poznawczego związanych z ADHD. Pomimo obiecujących wyników, w dalszym ciągu potrzebne jest naukowe potwierdzanie wskazanych podejść hybrydowych, np. zestawiając test psychometryczny ze wsparciem ze strony AI oraz VR.

Obecnie na rynku psychologicznym występują narzędzia psychometryczne takie jak EXAT – czyli komputerowy test do diagnozy ADHD. Podstawy teoretyczne testu EXAT opierają się na aktualnych koncepcjach neuropoznawczych, podkreślając w tym miejscu hipotezy takie jak: dotyczącą sieci trybu domyślnego, czy model zaburzenia samokontroli i samoregulacji u dzieci i młodzieży. W oparciu o wskazane teorie wskazać należy również inne komputerowe narzędzia psychometryczne, które w swojej funkcji oceniają sprawność uwagi, pamięci roboczej oraz kontrolę poznawczą.

Diagnoza sprawności wyżej wymienionych funkcji poznawczych, może zostać przeprowadzona w formie kompleksowej, wykorzystując w tym celu zintegrowany systemu pomiaru zmiennych psychofizjologicznych o nazwie Polipsychograf ® (PPG). Ten polski wynalazek umożliwia między innymi określenie poziomu sprawności funkcji poznawczych i psychomotorycznych w tym sprawności receptora wzrokowego oraz słuchu. Diagnoza w zoptymalizowanej formie, pozwalającej na prowadzenie nieintruzywnej diagnostyki psychofizjologicznej może okazać się bardzo przydatna w kontekście wsparcia diagnostyki w zakresie zaburzeń takich jak ADHD.

Rysunek 2. Polipsychograf – Zintegrowany system pomiaru zmiennych psychofizjologicznych. Źródło: Strona Producenta, www.wsb-nlu.edu.pl [dostęp: 12.03.2025].

Omawiany system komputerowy zawiera metody kwestionariuszowe, wywiady, a także testy psychometryczne. Wśród nich Test Lokalizacji Liczb (TLB), w którym to aktywność osoby badanej polega na zapamiętaniu sekwencji liczb i ich lokalizacji, a następnie na odnalezieniu ich wśród innych bodźców wizualnych.

Jak wskazują autorzy metody – Test Lokalizacji Liczb to zmodyfikowana wersja popularnego w diagnostyce psychologii pracy testu Couve’go. Składa się z dwóch tablic podzielonych na kwadratowe pola, wewnątrz których umieszczono dwucyfrowe liczby. Zadanie polega na zapamiętaniu kolejnych liczb z pierwszej tablicy a następnie odszukaniu ich wśród zbioru liczb na drugiej tablicy. W tym celu osoba badana przesuwa przyciskami klawiatury ramkę do pola zawierającego zapamiętaną liczbę. Program rejestruje „drogę”, jaka została wytyczona przez ramkę, by osiągnąć zamierzoną lokalizację poszukiwanej liczby, liczbę ponawianych reakcji zapamiętywania, liczbę błędów oraz czas wykonania. W zadaniu istotną rolę odgrywa pamięć operacyjna oraz spostrzegawczość. Test w wersji elektronicznej sprawdził się w diagnostyce neuropsychologicznej osób po przebytych udarach. W systemie PPG występuje w dwóch wersjach, różniących się ilością liczb do zapamiętania i odszukania. W badaniach eksperymentalnych mogą być zastosowane dystraktory w postaci migającego ekranu oraz rozpraszających bodźców dźwiękowych. Test Lokalizacji Liczb występuje w dwóch wersjach: podstawowej i rozszerzonej, różniących się miedzy sobą ilością liczb oraz ilością pól. Wersja podstawowa to 9 liczb poszukiwanych na 20 polach. Wersja rozszerzona to 16 liczb poszukiwanych na 48 polach.

Ocena elementarnych procesów poznawczych, tak istotna w kontekście diagnozy zespołu nadpobudliwości psychoruchowej z deficytem uwagi może zostać wykonana przy pomocy Testu Lokalizacji Liczb oraz wsparciu odpowiednich modeli sztucznej inteligencji. Tego typu model mógłby zostać wykorzystany jako samouczący się i wykorzystujący tylko wiedzę wprowadzoną – chatbot, nie korzystający z danych i informacji zawartych w sieci Internet. Wykorzystanie TLB i AI, podobnie jak wskazanego już Testu Ciągłego Wykonywania (CPT) może pozwolić na:

• Identyfikację charakterystycznych błędów poznawczych – osoby z ADHD częściej mylą lokalizacje liczb i popełniają więcej błędów pod wpływem dystraktorów,
• Personalizację testu – dostosowanie trudności zadania do indywidualnych możliwości pacjenta,
• Szybszą analizę wyników – algorytmy AI mogą automatycznie przetwarzać setki wyników, eliminując subiektywność oceny diagnostycznej,
• Ocenę liczby niezbędny kroków w drodze do celu, tempa zapamiętywania, możliwości przeszukiwania wzrokowego.

Modele sztucznej inteligencji mogłyby analizować dane z TLB w celu wykrycia wzorców typowych dla osób z ADHD. Poniżej przedstawiono przykładowe zadanie z wykorzystaniem testu w wersji rozszerzonej (rys. 3).

Rysunek 3. Przykład zadań TLB na ekranie komputera. Źródło: K. Horoszkiewicz, A. Korchut. dz. cyt.

Przeprowadzone w 2022 r. badania z wykorzystaniem Polipsychografu® oraz między innymi Testu Lokalizacji Liczb udowodniły nie tylko wartość diagnostyczną narzędzia, ale także możliwości terapeutyczne (trening poznawczy) w zakresie aktywności jaką jest granie w gry wideo. Było to badanie porównawcze w zakresie funkcjonowania procesów uwagi u osób aktywnie użytkujących gry wideo – w porównaniu do grupy kontrolnej (osób niegrających lub grających sporadycznie). Na podstawie wyników wyciągnięto wnioski, że gracze (grający regularnie) osiągają wyższe rezultaty w testach uwagi i pamięci roboczej niż osoby z grupy kontrolnej. W badaniu porównano wyniki testów psychometrycznych (w tym TLB) 31 profesjonalnych graczy i 31 osób grających sporadycznie lub niegrających w gry wideo.

Badania nad e-sportowcami sugerują, że ich wysoka odporność na dystraktory może być efektem wielogodzinnych treningów poznawczych w grach komputerowych. AI może wykorzystać te dane do stworzenia spersonalizowanych programów treningowych dla osób z ADHD​. Test Lokalizacji Liczb, podobnie jak inne narzędzia psychometryczne mierzące sprawność funkcji uwagi może być pomocnym narzędziem w zakresie diagnostyki objawów poznawczych (deficyty uwagi) w zespole nadpobudliwości psychoruchowej z deficytami uwagi.

Przeprowadzając podobne badanie w przyszłości, można sprawdzić, czy osoby z diagnozą ADHD wykazałyby się dłuższym czasem reakcji, większą liczbą błędów od grupy kontrolnej w ramach wykonania testu takiego jak TLB. Ponadto, czy popełniałyby więcej błędów przy obecności dystraktorów świetlnych i dźwiękowych. Modele sztucznej inteligencji mogłaby pomóc w analizie tych wyników i lepszym dostosowaniu metod terapeutycznych (monitorowanie efektów pracy terapeutycznym z użyciem profesjonalnych metod aktywizujących wysiłek poznawczy).

Sztuczna inteligencja nie zastąpi specjalisty, ale może znacząco wspomóc diagnostykę ADHD, zwłaszcza poprzez analizę wyników testów psychometrycznych, takich jak TLB. Współcześnie i w przyszłości będzie ona odgrywać kluczową rolę w diagnostyce ADHD, szczególnie w zakresie funkcjonowania poznawczego i wsparcia testów psychologicznych. AI umożliwi automatyczną analizę wyników testów psychometrycznych, takich jak Test Lokalizacji Liczb (TLB), Testy Ciągłej Uwagi (CPT), poprzez identyfikację wzorców błędów, czasu reakcji i odporności na dystraktory. Dzięki algorytmom uczenia maszynowego możliwe będzie wykrywanie subtelnych różnic w funkcjonowaniu uwagi i impulsowości, co pozwoli na wcześniejszą i bardziej precyzyjną diagnozę zaburzeń takich jak ADHD. W przyszłości AI może także personalizować testy poznawcze poprzez dynamiczne dostosowywanie poziomu trudności i rodzaju dystraktorów, co zwiększy ich trafność i rzetelność. Algorytmy sztucznej inteligencji będą mogły porównywać wyniki pacjentów z dużymi bazami danych, wskazując na specyficzne profile poznawcze, które mogą różnić się między podtypami omawianego zaburzenia. Dodatkowo zastosowanie technologii VR i AI w testach diagnostycznych może pozwolić na symulowanie realnych sytuacji wymagających kontroli uwagi i hamowania impulsów (kontrola poznawcza), co zwiększy ekologiczną trafność diagnozy. Ostatecznie AI może stać się wsparciem dla klinicystów, redukując subiektywność diagnozy oraz przyspieszając proces oceny ADHD, dzięki czemu więcej osób uzyska szybki dostęp do skutecznej terapii poznawczej i behawioralnej.

Bibliografia

Materiały źródłowe

DIVA Foundation – oficjalna strona. https://www.divacenter.eu/ [dostęp 13.03.2025].

EXAT – komputerowy test do diagnozy ADHD. https://www.practest.com.pl/sklep/test/EXAT [dostęp 13.03.2025].

Grupa Psychotronics – oficjalna strona Producenta. https://www.psychotronics.pl/ [dostęp 13.03.2025].

TOVA – Test of Variables of Attention – oficjalna strona. https://tovatest.com/ [dostęp 13.03.2025].

Literatura

Ahmadi A., Kashefi M., Shahrokhi H., Ali Nazari M., Computer aided diagnosis system using deep convolutional neural networks for ADHD subtypes, „Biomedical Signal Processing and Control” 2021, Volume 63, 102227, ISSN 1746-8094, https://doi.org/10.1016/j.bspc.2020.102227.

Berrezueta-Guzman S., Kandil M., Martín-Ruiz M-L., Pau de la Cruz I., Krusche S., Future of ADHD Care: Evaluating the Efficacy of ChatGPT in Therapy Enhancement, „Healthcare” 2024, 12, 683. https://doi.org/10.3390/healthcare12060683.

Benson S., Attention-deficit/hyperactivity disorder (ADHD), American Psychiatric Association, https://www.psychiatry.org/patients-families/adhd [dostęp 11.03.2025].

Frolli F., Cerciello F., Esposito C., Ricci M.C., Laccone R.P., Bisogni F., Universal Design for Learning for Children with ADHD, „Children (Basel)” 2023, 4;10(8):1350. doi: 10.3390/children10081350.

Horoszkiewicz K., Korchut A., Psychologia zawodów trudnych i niebezpiecznych. Współczesne narzędzia pomiaru psychofizjologicznego: Polipsychograf – Podręcznik dla użytkowników, Katowice 2022.

Horoszkiewicz K., Horoszkiewicz B., Załęski G., Psychomotor performance in video games, „Journal of Education, Health and Sport” 2022, Vol. 12, no. 7, s. 667-682. DOI 10.12775/JEHS.2022.12.07.067.

Korchut A., Sprawność psychomotoryczna i poznawcza chorych po udarze mózgu i rehabilitacji, Śląski Uniwersytet Medyczny w Katowicach, Katowice 2021. https://ppm.sum.edu.pl/info/phd/SUM777f83f13d374b2b942aacdb9d2b32c9/.

Liu X., Yang Y., Ye Z., Fang W., Kuan Z., Sun Y., Huang Y., Dai L., The effect of digital interventions on attention deficit hyperactivity disorder (ADHD): A meta-analysis of randomized controlled trials, „Journal of Affective Disorders” 2024, Volume 365, s. 563-577.

Schwartz S., Correll C.U., Efficacy and safety of atomoxetine in children and adolescents with attention-deficit/hyperactivity disorder: results from a comprehensive meta-analysis and metaregression, „J Am Acad Child Adolesc Psychiatry” 2014; 53(2), s. 174-87.

Tahan M., Saleem T., Application of artificial intelligence for diagnosis, prognosis and treatment in psychology: a review, „Neuropsychiatria i Neuropsychologia/Neuropsychiatry and Neuropsychology” 2023, 18(1), s. 36-45. doi:10.5114/nan.2023.129070.

Tang U., i in., Adhd classification using auto-encoding neural network and binary hypothesis testing, „Artif. Intell. Med.” 2022, doi:10.1016/j.artmed.2021.102209.

Yu D., Fang J.H., Using artificial intelligence methods to study the effectiveness of exercise in patients with ADHD, „Front. Neurosci.” 18:1380886. doi: 10.3389/fnins.2024.1380886.

Zaheer A., Akhtar A., Artificial intelligence as a support to diagnose ADHD: an insight of unorthodox approaches: a scoping review, „Child Neuropsychology” 2025, 1-35, doi.org/10.1080/09297049.2025.2468411.

Źródła internetowe

Chatbot – program komputerowy. W myśl innowacyjnych pomysłów, takich jak polskiego startupu RenTest Sp. z o.o. – samouczący się chatbot mógłby wspomagać diagnostę w analizie wyników diagnozy psychologicznej. https://pl.wikipedia.org/wiki/Chatbot [dostęp 13.03.2025].

Continuous performance task. https://en.wikipedia.org/wiki/Continuous_performance_task [dostęp 13.03.2025].

Knowledge base. https://en.wikipedia.org/wiki/Knowledge_base [dostęp 13.03.2025].

Puto K., Wolańczyk P., Zespół nadpobudliwości psychoruchowej (ADHD) – jak diagnozować i leczyć, „Pediatria po dyplomie” Nr 6/2022. https://podyplomie.pl/pediatria/38422,zespol-nadpobudliwosci-psychoruchowej-adhd-jak-diagnozowac-i-leczyc# [dostęp 12.03.2025].

Machine Learning. https://en.wikipedia.org/wiki/Machine_learning [dostęp 13.03.2025].