Virtual Reality–Based Assessment of Attention-Deficit/Hyperactivity Disorder and Comorbid Symptoms in Children: Framework Development and Standardization Study
Notice bibliographique
Résumé
Background As virtual reality (VR) technology becomes increasingly prevalent, its potential for collecting objective behavioral data in psychiatric settings has been widely recognized. However, the lack of standardized methodologies limits reproducibility and data integration across studies, particularly in assessing attention-deficit/hyperactivity disorder (ADHD) and associated behaviors, such as irritability and aggression. Objective This study examines the use of VR-based movement data to operationalize core ADHD symptoms (hyperactivity and inattention) and comorbid disruptive behaviors (irritability and aggression), aiming to identify reproducible and clinically actionable metrics and evaluate their explanatory power for each symptom domain to assess the overall use of these variables. Methods A total of 45 children (mean age 9.06, SD 2.11 years; n=14/45, 31% female) participated in the study and were divided into 2 groups: 28 (62%) diagnosed with ADHD and 17 (38%) controls. Seven VR-derived movement variables were analyzed: average speed, acceleration, total distance, area occupied, distance between the hands and head, frequency of movement, and time spent still. Correlation and stepwise regression analyses identified which variables best predicted ADHD symptoms and comorbid behaviors. Results Among the 7 VR-derived variables, average speed (mean r=0.460, SD 0.097) and total distance (mean r=0.442, SD 0.116) showed the broadest associations, each correlating with 8 measures. In contrast, frequency of movement was related only to hyperactivity (r=0.416; P=.004), suggesting strong but narrow predictive value. Stepwise regression identified total distance as the sole and strongest predictor of hyperactivity (R2=0.411) and, except for participant-reported irritability, yielded significant models for all other measures (mean R2=0.282, SD 0.064; all P<.05). Conclusions This study provides empirical evidence on VR-derived movement variables that can inform the development of standardized methodologies for ADHD and comorbid behavior assessment. The identified metrics and their predictive patterns offer a basis for integrating VR-based measures into future research and clinical applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».