Читать книгу Handbuch ADHS - Группа авторов - Страница 39

Neuroanatomische Studien der letzten Jahre haben maßgeblich zu einem verbesserten Störungsverständnis von ADHS beigetragen, indem sie ein verbessertes Wissen über die neuronalen Grundlagen der Kardinalsymptome, die pathophysiologischen Risikofaktoren und Erkenntnisse zum Wirkmechanismus der Pharmakotherapie ermöglichten. Dennoch hat vermutlich die große Heterogenität des Störungsbildes bislang verhindert, ADHS im Einzelfall mithilfe der Bildgebung diagnostizieren zu können. Diesbezüglich zeigen neuere Ansätze zur ADHS-Individualdiagnostik auf der Basis von MRT-Bildern, wie »Machine Learning« zur Mustererkennung, dass monozentrische Studien mit kleineren Stichprobenumfängen bei der Vorhersage des ADHS-Status vergleichsweise gut abschneiden, dagegen aber die Treffgenauigkeit für eine korrekte Klassifikation eines ADHS-Patienten in großen, multizentrische Datenbanken (z. B. ADHD-200-Respiratory) mit 55 % und 78 % deutlich geringer ausfällt (Wolfers et al. 2015). Dennoch erscheint die Kombination von »Machine Learning« und Bildgebung längerfristig besonders für die Identifikation von kategorial oder dimensional definierten ADHS-Subgruppen auf neuronaler Ebene vielversprechend, was möglicherweise auch für die Therapieplanung relevant werden könnte: So ist vorstellbar, dass eine gezieltere und somit effizientere ADHS-Behandlung möglich ist, einschließlich pharmakologischer Therapie und die Anwendung von Neurostimulations-, Neurofeedback- und neuropsychologischer Verfahren, wenn Subgruppen mit distinkten Defiziten in bestimmten neuronalen Netzwerken identifiziert werden könnten.