3. Tests zur ADHS-Diagnostik

Autor: Ulrich Brennecke
Review: Dipl.-Psych. Waldemar Zdero (08/2024)

Aufmerksamkeitstests sind zwar deutlich objektiver als Fragebögen.
Doch zum einen besteht bei ihnen die Gefahr, dass das Ergebnis verzerrt werden kann. Einflüsse können sich ergeben durch Training, Hyperfokussierung eines ADHS-Betroffenen, Prüfungsangst eines Nichtbetroffenen oder Hochbegabung. Gerade letztere Punkte sollten daher stets durch Differentialdiagnose abgeklärt werden.
Zum anderen ist ihre diagnostische Aussagekraft sehr begrenzt. Barkley warnt mit deutlichen Worten vor der Verwendung neuropsychologischer Tests zur ADHS-Diagnose. Neuropsychologische Testverfahren - selbst wenn sie Exekutivfunktionen testen - können von mehr als der Hälfte der ADHS-Betroffenen erfolgreich absolviert werden und verleiten daher zu falschen Nicht-Diagnosen. Ratingskalen sind dagegen sehr viel besser geeignet, um ADHS zu diagnostizieren.¹ Eine Studie fand anhand von NIH Toolbox, Little Man Task, Matrix Reasoning Task und Rey Delayed Recall bei ADHS eine hohe Varianz von 31 % im Vergleich zu ASS mit 2,7 %.²

• 1. Testverfahren zur ADHS-Diagnostik
  • 1.1. Neuropsychologische Testverfahren
  • 1.2. Einzelne Aufmerksamkeits- und Reaktionstests
    • 1.2.1. Stroop Test
    • 1.2.2. Stroop Plus Test
    • 1.2.3. Perceptual Selectivity Test
    • 1.2.4. N-back-Test
    • 1.2.5. Stop-Signal-Task (SST)
    • 1.2.6. Children’s Color Trail Test (1/2)
    • 1.2.7. Continuous Performance Test (CPT)
    • 1.2.8. Digit Span Test
    • 1.2.9. Wisconsin Card Sorting Test
    • 1.2.10. Qb-Test
  • 1.3. Testspiele
  • 1.4. Virtueller Seminarraum (VSR)
• 2. KI-Testsysteme: große Fortschritte im Labor
  • 2.1. Erkennungsratenentwicklung ADHS gegen Nichtbetriffene
  • 2.2. Erkennungsratenentwicklung ADHS gegen andere Störungsbilder
• 3. Probleme bei neuropsychologischen ADHS-Tests
  • 3.1. ADHS-Betroffene bei entsprechender Motivation in Tests so gut wie Nichtbetroffene
    • 3.1.1. Keine / weniger ADHS-Symptome in Tests bei hoher Motivation
      • 3.1.1.1. Aufmerksamkeitstests
      • 3.1.1.2. Impulsivität (Inhibition) durch Belohnungen verbesserbar
      • 3.1.1.3. Reaktionszeiten: Belohnung beschleunigt Reaktionszeiten und verringert Reaktionsvarianz nur bei ADHS
    • 3.1.2. ADHS-Symptome in Tests mit niedriger Anforderung sichtbarer
  • 3.2. ADHS-Symptome und Beziehung zu Testperson
  • 3.3. Rauchen verschleiert ADHS-Symptomatik
  • 3.4. 116.200 verschiedene ADHS-“Subtypen”
  • 3.5. Bewertungen durch Eltern und Lehrer unterscheiden sich deutlich
  • 3.6. Schlussfolgerungen

1. Testverfahren zur ADHS-Diagnostik¶

Quelle, mit näheren Erläuterungen: Schmidt, Petermann.³

1.1. Neuropsychologische Testverfahren¶

• Testbatterie zur Aufmerksamkeitsprüfung (TAP)
• Aufmerksamkeitsbelastungstest – Revision (d2)
• Frankfurter Aufmerksamkeits Inventar (FAIR)
• Testbatterie für Berufseinsteiger – Konzentration (START-K)
• Frankfurter-Adaptiver Konzentrationsleistungstest (FAKT-II)
• BLAST (Bron/Lyon Attention Stability Test): Computergestützter Test zur Ermittlung von Taskwechselproblemen⁴
• Cambridge Neuropsychological Test Automated Battery (CANTAB)
  Der CANTAB erwies sich in einer Untersuchung als nicht geeignet zur Diagnose von ADHS.⁵
• Conners’ Continuous Performance Test 3rd Edition (CPT3)
• Conners’ Continuous Auditory Test of Attention (CATA)
  CPT3 plus CATA hatte eine höhere Sensitivität (82,6 %), eine höhere Spezifität (76 %), einen höheren positiven Vorhersagewert (88,8 %), einen höheren negativen Vorhersagewert (65,5 %) und eine insgesamt höhere korrekte Klassifizierungsrate (80,6 %) als CPT3 oder CATA allein.⁶

1.2. Einzelne Aufmerksamkeits- und Reaktionstests¶

Eine Untersuchung fand, dass Stroop Test, Stroop Plus Test und Perceptual Selectivity Test ADHS bei Erwachsenen gut von Nichtbetroffenen unterscheiden konnten, wobei der Stroop Test knapp am besten abschnitt. Während allerdings Stroop Test und Stroop Plus Test je nach Alter der Probanden differierten, zeigte der Perceptual Selectivity Test kaum einen Unterschied über das Alter.⁷ Auch andere Untersuchungen zeigten, dass die Performance der Probanden im Stroop Test altersabhängig sei, wobei mal die jüngeren, mal die älteren Probanden besser abschnitten. In der hier genannten Untersuchung waren erwachsene ADHS-Betroffene wie Nichtbetroffene mit höherem Alter weniger leistungsfähig im Stroop Test.
Der Stroop-Test soll insbesondere die selektive Aufmerksamkeit untersuchen.⁸

1.2.1. Stroop Test¶

Untersuchungsziel: selektive Aufmerksamkeit im Netzwerk des dorsalen anterioren cingulate Cortex (dACC) → Striatum → Thalamus → dACC.⁸

Farbwort-Farbe-Interferenz-Test.
4 Farbworte (Grün, Rot, Blau, Gelb) werden visuell in verschiedenen Farben angezeigt. Das Farbwort sowie die 4 unfarbigen Antwortbuttons rechts am Bildschirmrand untereinander stehen immer an der selben Stelle. Die Farbworte werden 2 Sekunden lang angezeigt, dazwischen 0,75 Sekunden lang ein Punkt, der fixiert werden soll. In jeder vierten Anzeige stimmen Wort und Farbe überein, bei den anderen nicht. Der Proband soll so schnell als möglich die visuell gezeigte Farbe des angezeigten Wortes benennen.
Fallen Farbwort und Farbe auseinander, ist das erschwert. ADHS-Betroffene weisen eine höhere Fehlerquote (in %) und eine höhere Reaktionszeit (in ms) auf.⁷

1.2.2. Stroop Plus Test¶

Untersuchungsziel: selektive Aufmerksamkeit im Netzwerk des dorsalen anterioren cingulate Cortex (dACC) → Striatum → Thalamus → dACC.⁸

Beim Stroop Plus Test wird der Aufbau des Stroop Test um vier farbige Felder erweitert, die rund um das Wort angeordnet sind. Zusammen mit dem Wort erscheint zwischen dem Wort und den Feldern ein Pfeil, der auf eine der farbigen Boxen zeigt. Die visuell angezeigte Farbe des Wortes und die durch das Wort bekannte Farbe stimmen wie beim Stroop Test in 3 von 4 Durchgängen nicht überein. Nur bei jedem neunten Durchgang stimmen Farbe, Wort und angezeigte Farbbox überein. Der Proband soll so schnell als möglich die visuell gezeigte Farbe des angezeigten Wortes benennen.⁷

1.2.3. Perceptual Selectivity Test¶

Untersuchungsziel: selektive Aufmerksamkeit im Netzwerk des dorsalen anterioren cingulate Cortex (dACC) → Striatum → Thalamus → dACC.⁸

In der Mitte des Bildschirms wird der Stroop Test präsentiert. Um das Wort werden vier Symbole (Form: Kreise oder Quadrate) in verschiedenen Farben (blau und gelb) angezeigt, von denen jeweils 3 die eine und eines die andere Form zeigt. In der Hälfte der Durchläufe haben 3 Symbole die selbe und eines die andere Farbe, in der anderen Hälfte je 2 die eine und 2 die andere Farbe.
In jeder der Formen wird eine Linie angezeigt, die (als Stundenzeiger gedacht) in auf 12 Uhr, 13:30 Uhr, 15 Uhr oder 16:30 Uhr zeigt. Der Proband soll lediglich auf die Ausrichtung der Linie in dem Symbol achten, das die einzelne Form zeigt (die hier horizontal oder vertikal sein kann) und diese so schnell wie möglich mit der zugewiesenen Taste bestätigen.
Dieser Test soll die sogenannte Wahrnehmungsselektion (perceptual selectivity) messen, einen Unterfall der selektiven Aufmerksamkeit. Dieser Begriff bezieht sich auf die Unterscheidbarkeit eines Reizes, d.h. wie effektiv der Teilnehmer die Zielaufgabe unterscheiden kann, wenn er mit einem einzigen Reiz (nur Formänderung) und mit zwei Reizen (Formänderung und das Vorhandensein einer irrelevanten Farbe) konfrontiert wird.⁷

1.2.4. N-back-Test¶

Untersuchungsziel: Daueraufmerksamkeit, Arbeitsgedächtnis im Netzwerk dlPFC → Striatum → Thalamus → dlPFC.⁸

N ist eine Variable.
Beim visuellen 0-back-Test wird dem Probanden eine Zahl auf einem Bildschirm gezeigt und er soll die Taste drücken, die der Zahl entspricht. In der 1-Back-Variante soll der Proband die Taste der Nummer drücken, die vor der gerade angezeigten gezeigt wurde. In der 2-Back-Variante wird nach der vorletzten Zahl vor der angezeigten Zahl gefragt. Je höher N ist, desto höher ist die Belastung des Arbeitsgedächtnisses.

Der N-back-Test kann auch durch Vorspielen einer akustischen Zahlenansage abgefragt werden. Weiter gibt es eine Variante, in der auf einem Quadratefeld verschiedene Felder nacheinander aufleuchten und der Proband das jeweils N Anzeigen zuvor aktivierte Feld antippen muss.

1.2.5. Stop-Signal-Task (SST)¶

Der Stop-Signal-Task dient der Messung von Impulsivität bzw. Inhibition.

Der Proband soll auf visuelle Zeichen, die zwei Ergebnisalternativen haben, die Ergebnisse protokollieren. Beispielsweise soll auf Pfeilsymbole, die nach links oder rechts zeigen, schnellstmöglich eine linke oder rechte Taste gedrückt werden. Nach einigen nicht bewerteten Übungsdurchgängen soll der Proband bei einem zeitgleich ertönenden Audiosignal, das unregelmäßig bei ca. 25 % der Durchgänge ertönt, keine Taste drücken. Das Stoppsignal ertönt mit einer Verzögerung nach dem Stimulus. Diese Verzögerungszeit kann zwischen 100 ms und 600 ms variieren.⁹

Dabei werden gemessen

• Richtungsfehleranzahl
• Anteil erfolgreicher Stopps
• Reaktionszeit bei Go – Versuchen
• Stoppsignalreaktionszeit (SSRT)

Die Stoppsignale variieren in verschiedenen Durchgängen, um die Testergebnisse der Stoppsignalreaktionszeit auf 50 % Fehler einzumessen, um einen möglichst vergleichbaren Messwert zu erzielen. Hier ein Video des Stop-Signal-Task auf Youtube.

Der Stop-Signal-Task ist Teil des CANTAB. Der CANTAB erwies sich in einer Untersuchung als nicht geeignet zur Diagnose von ADHS.⁵

Eine Untersuchung setzte den Stop-Signal-Task in eine Anwendung mit Maussteuerung anstelle von Tasten um, was verschiedene Verbesserungen der Messungen zeigte:¹⁰

• Der SSRT zeigt eine schwache Assoziation mit Impulsivität, während die Messung der Mausbewegung eine starke und signifikante Assoziation mit Impulsivität zeigt
• Ein maschinelles Lernmodell (schwache KI) konnte anhand der Mausbewegungsdaten von “bekannten” Teilnehmern die Impulsivitätsbewertung von “unbekannten” Teilnehmern genau vorhersagen
• Mausbewegungsmerkmale wie maximale Beschleunigung und maximale Geschwindigkeit sind mit die wichtigsten Prädiktoren für Impulsivität
• Die Verwendung voreingestellter Stoppsignalverzögerungen führt zu einem Verhalten, das Impulsivität besser indiziert als eine Anpassung des Verzögerungswerts an bisherige Ergebnisse (Treppenmodell)

Eine Untersuchung fand Hinweise, dass die Leistung von Stoppsignalaufgaben bei ADHS eher Beeinträchtigungen in frühen Aufmerksamkeitsprozessen als Ineffizienz im Stoppprozess widerspiegele.¹¹

1.2.6. Children’s Color Trail Test (1/2)¶

Der Children’s Color Trail Test misst Aufmerksamkeit, geteilte Aufmerksamkeit und Geschwindigkeit der mentalen Verarbeitung und dient unter anderem der Diagnostik von ADHS.¹²¹³

1.2.7. Continuous Performance Test (CPT)¶

Ein 14-minütiger kontinuierlicher Leistungstest (CPT), der eine hohe Reaktionsgeschwindigkeit erfordert, zeigt als Variablen einer verbesserten Leistung mit zunehmendem Alter:¹⁴

• Reaktionszeit (RT)
• RT-Standardfehler
• Auslassungsfehler
• Begehungsfehler
• Signalerkennungsparameter (d’ und Beta)

Geschlechtsspezifisch sind insbesondere

• mehr impulsive Fehler bei Männern
• geringere Variabilität bei Männern
• schnellere RT bei Männern

1.2.8. Digit Span Test¶

Der Digit Span Test ist ein Teil des Wechsler Adult Intelligence Scale- Revised (WAIS).
Dabei wird die Speicherkapazität des Arbeitsgedächtnisses für Zahlen gemessen. Die Probanden sehen oder hören eine Ziffernfolge und sollen diese korrekt wiedergeben (vorwärts oder rückwärts). Während des Tests wird die Länge der Ziffernsequenzen erhöht. Die Zahlenspanne des Probanden ist die längste Anzahl von Ziffern, die er korrekt wiedergeben kann.
Unter https://tools.timodenk.com/digit-span-test kann ein Digit Span Test online absolviert werden.

1.2.9. Wisconsin Card Sorting Test¶

Den Wisconsin Card Sorting Test gibt es in elektronischer wie in manueller Form.¹⁵

1.2.10. Qb-Test¶

Der QbTest kombiniert eine kontinuierliche Leistungsaufgabe (CPT) mit einem Bewegungsverfolgungssystem und soll die ADHS-Diagnose unterstützen. Bei Kindern und Jugendlichen fand sich eine schwache bis moderate diagnostische Qualität.¹⁶

1.3. Testspiele¶

• Nesplora Aquarium
  Virtual Reality Spiel / Test, experimentell. Es soll ADHS-Symptome bei Erwachsenen und Jugendlichen anhand aktueller und retrospektiver Selbstberichte vorhersagen können.¹⁷
• In einem anderen Ansatz konnte durch Künstliche Intelligenz/maschinelles Lernen bei Spielern eines Online-Rollenspiels (PlayerUnknown’s Battlegrounds) mit 81 % Wahrscheinlichkeit ADHS korrekt diagnostiziert werden.¹⁸ Eine generalisierte Angststörung wurde zu 84,9 % erkannt.

1.4. Virtueller Seminarraum (VSR)¶

Eine Studie untersuchte den Einsatz von Virtual Reality (VR), um eine realistischere und komplexere, aber dennoch standardisierte Testumgebung zu ermöglichen. Im VSR wurde eine virtuelle kontinuierliche Leistungsaufgabe (CPT) mit gleichzeitigen visuellen, auditiven und audiovisuellen Ablenkungen verbunden. Gleichzeitig wurden Kopfbewegungen (Aktigraphie), Blickverhalten (Eye Tracking), subjektives Erleben, Elektroenzephalographie (EEG) und funktionelle Nahinfrarotspektroskopie (fNIRS) aufgezeichnet. Es fanden sich signifikante Unterschiede bei nicht medikamentierten ADHS-Betroffenen bezüglich:¹⁹

• CPT-Leistung
• Kopfaktigrafie
• Ablenkungsblickverhalten
• dem subjektiven Erleben
  obwohl sich keine Gruppenunterschiede beim Theta-Beta-Verhältnis (EEG) oder beim dorsolateral-präfrontalen Oxyhämoglobin (fNIRS) fanden.

2. KI-Testsysteme: große Fortschritte im Labor¶

Seit 2023 sind KI-Wissenssysteme wie Chat-GPT in aller Munde. Machine Learning oder Deep Learning sind Methoden, um mit KI-Methoden

Im Vergleich zur unterschiedlichen Verlässlichkeit von Diagnosen zur psychischen Gesundheit zeigen die Forschungsergebnisse im Labor bereits sehr beeindruckende Werte.²⁰
Dennoch sind die Ergebnisse derartiger Testsysteme von einem tatsächlich nutzbaren Einsatz weit entfernt. Die Erkennungsraten beziehen sich meist nur auf kleine Datenbasen von 20 bis einigen hundert Datensätzen (Angabe in n), die ausschließlich aus Daten von ADHS-Betroffenen und von (bekannt) gesunden Probanden bestanden (-> 2.1.). In der Praxis ist ADHS jedoch auch von einem unbekannten Gesundheitsstatus in eine Mischung von Gesunden und Betroffenen anderer psychischen Störungen zu unterscheiden. Unter 2.2. haben wir erste Studien gesammelt, die immerhln zwischen einzelnen vordefinierten Störungsbildern unterscheiden.

2.1. Erkennungsratenentwicklung ADHS gegen Nichtbetriffene¶

Die zeitliche und qualitative Entwicklung der Erkennungsraten gibt einen guten Eindruck über das Potenzial von KI-Diagnostik. Die %-Zahlen nennen die Genauigkeit, die Jahreszahlen das Erscheinungsdatum der beschreibenden Veröffentlichung.

• 99,58 % (2025) durch maschinelles Lernen mit dem CatBoost Algorithmus und Bewertung der Merkmalbedeutung mit dem SHAP-Algorithmus anhand von mehrdimensionalen EEG-Merkmalen bei Kindern mit ADHS im Vergleich zu gesunden Kontrollen. ADHS korrelierte mit einer Zunahme der Leistung von Theta-, Alpha- und Beta-Rhythmen, mit erhöhtem Leistungsverhältnis zwischen Theta und Beta (Theta/Beta-Verhältnis, TBR) und mit einer Reorganisation der funktionellen Konnektivität des gesamten Gehirns über alle Frequenzbänder (hier primär erhöhte funktionelle Konnektivität.²²
  99,42 % Genauigkeit, 99,03 % Präzision, 99,82 % Recall, 99,42 % F1-Score (2025) durch EEG-Signalanalyse mittels Deep-Learning anhand eines ResNet-basierten Modells mit einem doppelt erweiterten Aufmerksamkeitsmechanismus aus Autoencoder für die Merkmalsextraktion, Reptile Search Algorithm für die Merkmalsauswahl und modifizierter ResNet-Architektur für das Modelltraining.²¹
• 99,17 % (2024) bei einem Datenset aus Kindern mit ADHS und gesunden Kindern anhand EEG-Daten des Theta-Bands des Frontal- und Okzipitallappens (n = 121)²³
• 98,77 % (2023) durch ein neues CNN anhand fMRI-Datensätzen²⁴
• 98,7 % (2024) anhand von Videodaten mit Gesichts-, Körperhaltungs- und Handmerkmalen von Erwachsenen mit ADHS durch maschinelles Lernen (n = 22)²⁵
  • Genauigkeit von 98,67 %
  • Präzision von 98,01 %
  • Wiedererkennung von 98,88 %
• 98,52 % (2025) durch Analyse von EEG, Eye-Tracking oder Umfragen, um Muster zu erkennen, die mit ADHS-Symptomen verbunden sind, mittel Deep Learning unter Verwendung eines RhinoFish-Optimierungsalgorithmus zur Auswahl optimaler Merkmale (F-Score 98,26 %, Spezifität 98,16 %)²⁶
• 96,5 % (2024) anhand des hybriden PUDMO-Algorithmus zur Auswertung von EEG-Daten²⁷
• 96 % (2024) durch das neuronales Faltungsnetzwerk-CNN-Modell RBP, das ursprünglich für die präzise Klassifizierung von Hirntumoren in der medizinischen Bildgebung entwickelt worden war (n = 3000)²⁸
• 95,3 % (2025) durch maschinelles Lernen mittels des Isolation-Forest-Algorithmus und darauffolgend eines rekurrenten neuronalen Netzwerkmodells (RNN), anhand des HYPERAKTIV-Datensatzes, der hochauflösende zeitliche Daten zur motorischen Aktivität von Menschen mit diagnostiziertem ADHS enthält.²⁹
• 94,5 % (2024) mit dem LRP-Algorithmus (Layer-wise Relevance Propagation) anhand von EEG-Daten³⁰
• 93,9 % (2024) Frequency-Integrated Visual-Language Network (FIVLNet), ein Deep Learning Framework zur Analyse MRT-Scans³¹
• 92 % (2025) Machine learning model der Analyse schriftlicher natürlichsprachiger Berichte von Patienten, die sich einem Intelligenztests unterzogen hatten. Ermöglichte die Rekonstruktion von für Menschen lesbaren Texten aus den ausgewählten N-Gramm-Merkmalen.³²
• 90,81 % (2025) Machine learning aus EEG-Daten von n = 2434 19-Kanal-EEG-Datenaufzeichnungen aus 5 Frequenzbändern von n = 168 Probanden³³
• 90,02 % (2021) Genauigkeit, AUC 95,7 %, Sensitivität 89,8 % und Spezifität 90,55 % erreichte eine Analyse von ADHS-Genkandidaten mittels DeepLearning (“KI”), indem Gene mit unbedeutenden P-Werten kombiniert wurden.³⁴
• 89,89 % (2025) durch Nahinfrarotspektroskopie (fNIRS) während verbaler Aufgaben in Verbindung mit maschinellem Lernen (ML) zur Unterscheidung zwischen Erwachsenen mit ADHS (n = 120) und gesunden Kontrollen (n = 75)³⁵
• 89 % (2025) Random forest Modell anhand von EEG Daten³⁶
• 88,6 % (2024) Random forest Modell für Resting-state Theta-Band-EEG-Daten³⁷
• 88 % (2020) mittels eines neuronalen Faltungsnetzwerk (CNN) zur Analyse von EEG-Daten, insbesondere von ereigniskorrelierten Potenzialen, die während der Flanker-Aufgabe gesammelt wurden³⁸
• 82 % (2023) Genauigkeit für ein spezielles AI-Systems zur Diagnostik von ADHS. Die Sensitivität betrug 64 % und die Spezifität 99 %. Die Genauigkeit war höher als bei allen anderen damit getesteten Störungsbildern.³⁹
• 79 % (2023) durch eine Kombination von 4 Machine-Learning-Algorithmen zur Analyse von Registerdaten.⁴⁰
• 75,6 % (2021) anhand einer KOmbination aus Convolutional Denoising Autoencoders (CDAE) Klassifizierungsmethode und Random Forest (RF)-Algorithmen, bei einer Sensitivität von 76,9% und einer Spezifität von 73,1%⁴¹
• 74,9 % (2020) durch ein multimodales 3D-CNN anhand von Merkmalen aus der grauen Substanz und fALFF aus fMRI⁴²
• 69,15 % (2017) mittels eines Deep Learning Modells zur Klassifizierung von MRT-Scans⁴³

2.2. Erkennungsratenentwicklung ADHS gegen andere Störungsbilder¶

Die Unterscheidung zwischen verschiedenen Störungsbildern ist erheblich schwieriger als zwischen ADHS und Gesunden.
Praxistauglich werden erst Systeme sein, die Störungsbilder in einer großen nicht vordefinierten Probandengruppe erkennen können. Bis dahin ist es noch ein sehr weiter Weg, nicht anders als beim automatisierten Fahren, das auch nach vielen Jahren der Entwicklung bisher ausschließlich in bekannten Umgebungen oder sehr eingeschränkten Umgebungen (Autobahn) funktioniert.

• 85 % Genauigkeit (2025) bei der Unterscheidung zwischen ADHS und ASS⁴⁴,
• 87 % Genauigkeit (2025) der Erkennung von ASS bei Männern gegen Gesunde, 84 % für ADHS bei Frauen gegen Gesunde, 70 % im 3-Gruuppen-Modelle (ASS, AuDHS, ADHS) und 53 %, wenn alle Gruppen einbezogen wurden (ASD, ADHS, AuDHS und Kontrollen), durch Elektroretinogramme mit Machine Learning.⁴⁵

Weitere KI-Systeme zur ADHS-Diagnose befinden sich in der Entwicklung.⁴⁶

3. Probleme bei neuropsychologischen ADHS-Tests¶

Bei Tests von ADHS-Betroffenen muss stets berücksichtigt werden, dass die zu messenden Symptome von ADHS-Betroffenen nicht immer und durchgängig vorhanden sind. Belohnungen verändern das Symptommuster bei ADHS.⁴⁷ Insbesondere eine hohe Motivation des Betroffenen an der Testteilnahme (intrinsisch oder durch hohe extrinsische Anreize) kann die Testergebnisse verzerren. Dies kann so weit gehen, dass der Test negativ ausfällt, obwohl ADHS vorliegt.

3.1. ADHS-Betroffene bei entsprechender Motivation in Tests so gut wie Nichtbetroffene¶

Bei ADHS ist die Motivation verändert. Extrinsische Anreize müssen höher sein als bei Nichtbetroffenen, um dieselbe Motivation auszulösen.

Vor diesem Hintergrund könnten Computerspiele, die ADHS messen wollen, vor dem Problem stehen, dass die Testergebnisse an Aussagekraft verlieren, je mehr das Computerspiel Spaß macht. Eine Untersuchung stellte in einem Stop-Signal-Game nicht signifikant höhere Werte an Flow und intrinsischer Motivation fest als bei einem nicht gameifizierten Stop-Signal-Test.⁴⁸

3.1.1. Keine / weniger ADHS-Symptome in Tests bei hoher Motivation¶

3.1.1.1. Aufmerksamkeitstests¶

Bei ADHS ist nicht die technische Fähigkeit der Aufmerksamkeit oder der Aufmerksamkeitslenkung beeinträchtigt, sondern die Ausführung der Aufmerksamkeitslenkung unterliegt anderen Kriterien als bei Nichtbetroffenen. Die Aufmerksamkeitslenkung unterliegt bei ADHS einer abweichenden Steuerung, die sehr viel stärker von der Befriedigung der eigenen Bedürfnisse abhängig ist als bei Nichtbetroffenen. Dies ist jedoch kein Egoismus, sondern eine veränderte Steuerung der Motivation, auf die die Betroffenen keinen Einfluss haben.

Werden die persönlichen Bedürfnisse durch intrinsisches Interesse oder durch Belohnungen (die im Schnitt höher sein müssen als bei Nichtbetroffenen) angesprochen, verbessert sich die Aufmerksamkeitsleistung von ADHS-Betroffenen mehr als die von Nichtbetroffenen.⁴⁹ Ein typisches Beispiel beschreibt Ryffel-Rawak.⁵⁰
Eine Metauntersuchung bestätigt, dass bei ADHS hohe Belohnungen die Testergebnisse stark verbessern.⁵¹

Bei ADHS ist die Deaktivierung des Default Mode Network (DMN), wie sie bei Aufmerksamkeit für die Umwelt auftritt, deutlich verringert. Eine durch hohe Belohnungen hervorgerufene persönliche Motivation egalisierte die DMN-Deaktivierung bei ADHS, sodass diese der von Nichtbetroffenen entsprach. Den gleichen Effekt zeigte MPH.⁵²

3.1.1.2. Impulsivität (Inhibition) durch Belohnungen verbesserbar¶

Auch Impulsivität bei ADHS (Inhibitionsfähigkeit) ist durch Belohnungen beeinflussbar,⁵⁴ bis hin zu Ergebnissen, die den Kontrollen entsprechen, während die selben Belohnungen bei Kindern mit Gehirnverletzungen die Inhibition weniger stark verbesserten.⁵⁵ Eine weitere Untersuchung fand ebenfalls identische Inhibitionsfähigkeit von ADHS-Betroffenen und Nichtbetroffenen bei hohen Belohnungen.⁵⁶ Eine andere Untersuchung fand keine Verbesserung.⁵⁷ Es wäre zu überprüfen, ob die Belohnungen hier möglicherweise zu gering waren, um die persönliche Motivation zu wecken.

3.1.1.3. Reaktionszeiten: Belohnung beschleunigt Reaktionszeiten und verringert Reaktionsvarianz nur bei ADHS¶

Die Testergebnisse zu Reaktionszeiten bei ADHS sind uneinheitlich. Viele Tests zeigen eine verringerte, einzelne Tests eine erhöhte Reaktionszeit von ADHS-Betroffenen. ⇒ Reaktionszeitverkürzung bei ADHS?

Im Gesamtschnitt variiert die Reaktionszeit bei ADHS-Betroffenen mehr als die von Nichtbetroffenen.
⇒ Reaktionszeitvarianz bei ADHS erhöht

In einer Untersuchung zeigten unter Belohnung nur die ADHS-Betroffenen und ihre nicht betroffenen Geschwister beschleunigte mittleren Reaktionszeiten und eine geringere Antwortvariabilität, nicht aber die Kontrollen, während die Genauigkeit sich in allen 3 Gruppen verbessert.⁵⁸

3.1.2. ADHS-Symptome in Tests mit niedriger Anforderung sichtbarer¶

Aktivierende, spannende Aufgaben können dazu führen, dass Testergebnisse von ADHS-Betroffenen denen von Kontrollen entsprechen.⁵⁹ So zeigen Testergebnisse von ADHS-Betroffenen unauffällige(re) Ergebnisse, wenn eine hohe Test-Ereignisrate (schnell) präsentiert wird, während eine niedrige Ereignisrate (langsamer Test) deutliche(re) Unterschiede zeigen.⁶⁰⁶¹

Eine Studie stellt die Hypothese auf, dass eine langsamere Ereignisrate bei Tests bei ADHS-Betroffenen aufgrund deren Besonderheiten bei der Motivierbarkeit eine verringerte intrinsische Motivation bewirkt.⁶²

Der optimale Arousalbereich, in dem keine Unter- oder Überforderung auftritt, ist bei ADHS wesentlich schmaler als bei Nichtbetroffenen.
Noch wichtiger allerdings als der optimale Arousalbereich ist, dass ADHS-Betroffene ihre Aufmerksamkeit bei einer vorhandenen persönlichen Motivation genauso gut lenken können wie Nichtbetroffene (Beispiel: Hyperfokus). Vor dem Hintergrund des Stressnutzens der veränderten Aufmerksamkeitslenkung bei ADHS ist dies nachvollziehbar.
⇒ Stressnutzen von Ablenkbarkeit, Taskwechselproblemen und Aufmerksamkeitsproblemen

Diese begrenzte Leistungsfähigkeit kann neben der Unter- und Überforderung auch in zeitlicher Hinsicht bestehen, in dem Sinne, dass die Fähigkeit, eine Unter- oder Überforderung ausgleichen zu können, begrenzt ist. Eine Lehrerin beschrieb uns ihre Wahrnehmung eines Kindes mit ADHS-I mit den Worten, sie könne zusehen, wie es in der ersten Stunde “volllaufe” und danach die typischen ADHS-I-Symptome entwickle.

3.2. ADHS-Symptome und Beziehung zu Testperson¶

Eine Untersuchung thematisiert, wie die Beziehung zum Testleiter bei ADHS-Betroffenen die Testergebnisse beeinflusst.⁶⁴

3.3. Rauchen verschleiert ADHS-Symptomatik¶

Rauchen als Selbstmedikation erhöht den Dopaminspiegel – wenn auch immer nur kurzfristig. Es verringert weiter Stresssymptomatik und Gereiztheit. ADHS-Betroffene rauchen etwa doppelt so häufig wie Nichtbetroffene.
Rauchen kann daher die Diagnose von ADHS erschweren.⁶⁵

Eine Untersuchung der emotionalen Dysregulation bei ADHS-betroffenen Rauchern fand keine Unterschiede zwischen denjenigen, die wie gewohnt rauchten und denjenigen, die 24 Stunden auf Rauchen verzichtet hatten.⁶⁶
Bekanntlich bedarf es für einen Entzug bei Alkohol und anderen Drogen einer Zeit von 2 bis 4 Wochen, damit die durch das hohe Angebot an Neurotransmittern (Dopamin u.a.) downregulierten Rezeptoren sich wieder hinaufregulieren können. Das ist u.a. für die Entzugssymptomatik verantwortlich. Dies gilt auch für Nikotin. Möglicherweise können erst Tests, die einen Nikotinentzug von mehr als 2 bis 4 Wochen voraussetzen, einen Unterschied zeigen können.

3.4. 116.200 verschiedene ADHS-“Subtypen”¶

Eine Untersuchung berechnete, dass es 116.200 unterschiedliche ADHS-Subtypen gebe – wenn man jede Symptomkombination als eigenen Subtyp betrachtet.⁶⁷

Vor diesem Hintergrund sollten die derzeit (noch?) gängigen Testverfahren, die (am Beispiel von DSM 5) auf 9 Merkmale für Hyperaktivität/Impulsivität und 9 Merkmale für Unaufmerksamkeit abstellen, von denen mindestens in einer Kategorie mindestens 6 Merkmale erfüllt sein müssen, hinterfragt werden. Betroffene mit 5 Merkmalen in beiden Kategorien würden vom DSM 5 als “kein ADHS” qualifiziert. Nicht alle Ärzte realisieren, dass DSM und ICD lediglich Leitfäden sind und keine Diagnosemaßstäbe sind – ein Missverständnis, vor dem schon Francis Allen, der Leiter der DSM IV-Kommission, eindringlich warnte.
Auf dieser Grundlage halten wir den von Barkley und uns verfolgten Ansatz einer Diagnostik anhand einer Abfrage einer Vielzahl von Symptomen durchaus für erwägenswert. ⇒ Der grosse ADxS.ORG – ADHS-Online-Test

3.5. Bewertungen durch Eltern und Lehrer unterscheiden sich deutlich¶

Eine Untersuchung fand, dass die Bewertung der Auswirkungen medikamentöser Behandlung von ADHS durch Lehrern und Eltern nicht korrelierte. Diese starken Unterschiede belegen, dass bei der Evaluierung von ADHS verschiedene Quellen herangezogen werden sollten.⁶⁸

3.6. Schlussfolgerungen¶

Für belastbare Ergebnisse müssten Tests bei ADHS richtigerweise in verschiedenen Testumgebungen erfolgen, die das Maß von Unterforderung, angemessenem Arousal und Überforderung berücksichtigen. Weiter müsste das Rauchverhalten in die Gewichtung der Testergebnisse einbezogen werden, was bislang nicht ausreichend erfolgt. Eine Testung anhand aller möglichen ADHS-Symptome erscheint uns als bedenkenswerte Option.