ADHD-vurdering i en digital tidsalder: hvordan kunstig intelligens kan støtte både pasienter og fagfolk

ADHD-vurdering er i rask endring, drevet av nye digitale verktøy og kunstig intelligens som kan oppdage mønstre vi mennesker lett overser. For foreldre, voksne med mistanke om oppmerksomhetsvansker og fagfolk i psykisk helsevern skaper dette både nye muligheter og nye spørsmål. Hvordan kan algoritmer faktisk hjelpe i utredning og behandling – uten å overta det menneskelige skjønnet som er helt avgjørende?

Når algoritmer møter utredningsrommet: historien om «Sara»

La oss begynne med en historie. «Sara» er 32 år, prosjektleder og nylig blitt mamma. Hun kjenner seg igjen i beskrivelser av ADHD hos kvinner: indre uro, kronisk utsettelse, tidsfrister som alltid kommer for brått på. Hun bestiller time hos en psykolog for å få klarhet i om det handler om stress, søvn, personlighet – eller om en nevroutviklingsforstyrrelse spiller inn.

I venterommet fyller hun ut digitale spørreskjemaer på nettbrett. Systemet justerer automatisk spørsmålene basert på svarene hennes, hopper over irrelevante temaer og går dypere der hun rapporterer størst vansker. I bakgrunnen analyserer en AI-modell mønstrene i hennes svar opp mot tusenvis av tidligere, anonymiserte vurderinger. Modellen forsøker ikke å «bestemme» om hun har ADHD, men gir psykologen en strukturert oversikt: hvor samsvarer svarene mest med typiske ADHD-profiler, hvor peker de heller mot angst, depresjon eller andre utfordringer?

Når psykologen tar henne inn til timen, har han ikke bare en PDF med skårer – men grafer over døgnrytme, konsentrasjon og humør hentet fra mobilappen hun har brukt de siste ukene. Der ser man tydelige mønstre i søvn, skjermbruk og når hun oftest avbryter oppgaver. Det er fortsatt en menneskelig fagperson som lytter, vurderer og konkluderer, men underlaget er rikere, mer nyansert og mindre farget av tilfeldige øyeblikksbilder.

Hva innebærer en moderne utredning for oppmerksomhetsvansker?

I en moderne ADHD-vurdering kombineres flere informasjonskilder: kartlegging av symptomer, funksjon i hverdagen, utviklingshistorie, skole- og arbeidserfaring, og ofte ulike former for kognitive tester. Målet er ikke å «bestå» eller «strykke» en test, men å få et balansert bilde av styrker, sårbarheter og behov for tilrettelegging.

Innen kognitiv testing brukes tradisjonelt IQ-tester for å forstå hvordan personen bearbeider informasjon, husker, planlegger og løser problemer. Gjennomsnittlig IQ normeres ofte til 100 med et standardavvik på 15, noe som betyr at de fleste ligger i området 85–115. Mange med ADHD ligger helt innenfor dette normalområdet, men kan likevel ha svært ujevne profiler – for eksempel god abstrakt problemløsning, men store vansker med arbeidsminne og tempo.

Ravens Progressive Matriser er et eksempel på en test som ofte brukes for å vurdere abstrakt resonnement uten å være så påvirket av språk og kultur. Deltakeren skal finne logiske mønstre i figurer, og resultatene kan si noe om evnen til å oppdage strukturer og sammenhenger. Det er viktig å være oppmerksom på at øvelseseffekter finnes: bare det å kjenne til testformatet kan forbedre resultatene noe, uten at den underliggende evnen nødvendigvis har endret seg. Dette gjelder både tradisjonelle IQ-tester og nyere, digitale alternativer.

Ut over kognitive tester inngår ofte spørreskjemaer til personen selv, pårørende og eventuelt lærere. I tillegg kan man se på skolehistorikk, tidligere utredninger, språk- og leseferdigheter, og screening for andre tilstander som angst, depresjon eller lærevansker. Her er det kunstig intelligens for alvor begynner å bli relevant.

Derfor er kunstig intelligens interessant for fagfolk

Mønstergjenkjenning på tvers av store datamengder

Forskning antyder at mellom 3 og 5 prosent av barn og rundt 2–3 prosent av voksne oppfyller kriterier for ADHD. Det betyr enorme mengder journaldata, spørreskjemaer og testresultater verden over. Menneskelige fagfolk kan ikke lese alt, men maskinlæringsmodeller kan trenes til å finne statistiske mønstre: hvilke kombinasjoner av symptomer, testprofiler og livsbelastninger gir høyest risiko for vedvarende funksjonsvansker?

AI kan analysere hvordan ulike kognitive deltester henger sammen med konkrete utfordringer i hverdagen – for eksempel hvilke arbeidsminneprofiler som oftest forbindes med frafall i videregående skole, eller hvilke oppmerksomhetsmønstre som gir størst risiko for trafikksikkerhetsproblemer. Slik kunnskap kan brukes til å skreddersy utredningen, slik at den blir mer treffsikker og tidsbesparende.

Automatisert, men ikke automatisk, tolkning

Et praktisk problem for mange klinikere er tiden det tar å skåre og tolke komplekse testbatterier. Her kan AI bidra ved å generere forslag til tolkninger, identifisere avvikende mønstre og flagge når resultater ikke henger logisk sammen. Tanken er ikke at algoritmen skal «avgjøre» konklusjonen, men at den skal fungere som et ekstra par digitale øyne.

For eksempel kan en modell oppdage at en person gjør det uvanlig svakt på en enkel oppmerksomhetstest, men glimrende på flere mer krevende oppgaver. Det kan tyde på lav motivasjon, misforståelse av instruksjon eller situasjonsbetingede faktorer – noe som inviterer til oppfølgingsspørsmål heller enn til en rask merkelapp.

Digitale, tilpassede tester

Et annet felt i rask utvikling er adaptiv testing. Her justerer datamaskinen vanskelighetsgraden på oppgavene fortløpende ut fra hvordan du svarer. Kunstig intelligens kan bidra til å beregne hvilke oppgaver som gir mest informasjon om akkurat din profil, noe som kan gjøre testingen både kortere og mer presis.

Der tradisjonelle papirtester gir alle nøyaktig samme oppgaver, kan en adaptiv, AI-støttet test fokusere mer presist på grenselandet mellom mestring og strev. Det kan være særlig nyttig ved oppmerksomhetsvansker, hvor motivasjon, kjedsomhet og stress lett påvirker prestasjonene.

Konkrete bruksområder for AI i kartlegging og behandling

Smartere spørreskjemaer og screening-verktøy

Mange begynner i dag med en nettbasert selvtest for å utforske om de kjenner seg igjen i typiske ADHD-symptomer. Formuleringen «Start testen nå» dukker ofte opp på slike sider, men det er viktig å forstå hva testene faktisk gjør – og ikke gjør. AI-baserte spørreskjemaer kan:

tilpasse rekkefølgen og formuleringen av spørsmål basert på dine svar
vekte enkelte svarmønstre høyere når de ofte har vist seg å henge sammen med betydelige funksjonsvansker
foreslå om du bør vurdere en mer omfattende kartlegging hos fagperson

Likevel er nettbaserte selvtester kun screening. De kan gi et språk for egne erfaringer, men de kan verken bekrefte eller avkrefte en diagnose. De mest nyttige testene er åpne om begrensningene sine, forklarer hvordan algoritmene er trent og anbefaler oppfølging der det er grunn til å gå videre.

Kombinasjon av kognitive tester og atferdsdata

En av de mest lovende retningene er å kombinere tradisjonelle kognitive tester med løpende data fra hverdagen. Det kan handle om:

registrering av søvn og aktivitet via mobil eller klokke
analyser av tastetrykk og reaksjonstid i enkle oppgaver over tid
kortere, gjentatte oppmerksomhetstester gjennom en app i stedet for én lang laboratorietest

Dette kan gi et mer realistisk bilde av variasjon: Kanskje er konsentrasjonen stabil om morgenen, men faller bratt etter lunsj. Eller kanskje stress og lite søvn slår mye sterkere ut på prestasjon enn selve oppmerksomhetsvanskene. AI-modeller kan oppdage slike mønstre og hjelpe fagpersonen til å rette innsatsen mot det som faktisk skaper mest hinder i hverdagen.

Digital støtte i hverdagen

Kunstig intelligens brukes ikke bare i utredning, men også i støtte og behandling. Eksempler inkluderer:

planleggingsapper som lærer når du typisk utsetter oppgaver, og foreslår små delmål og påminnelser
språkmodeller som hjelper deg å formulere e-poster kort og tydelig, eller omskrive lange tekster til mer oversiktlige punkter
chatbaserte verktøy som tilbyr psykoedukasjon om ADHD på norsk eller engelsk, og foreslår strategier for tidsstyring og struktur

Slike verktøy kan minne litt om populære personlighetstester som MBTI ved at de gir et språk for å forstå seg selv, men de bør ikke forveksles med klinisk behandling. De beste løsningene er utviklet i samarbeid med fagpersoner, har innebygde etiske retningslinjer og oppfordrer brukeren til å søke menneskelig hjelp ved alvorlige plager.

Fordeler og fallgruver: hva sier forskningen så langt?

Studier der maskinlæringsmodeller trenes på kombinasjoner av spørreskjemaer, kognitive testresultater og enkle biologiske markører (som pulsvariabilitet) viser ofte imponerende tall: i noen datasett kan modellene skille mellom grupper med og uten ADHD med 70–90 prosent treffsikkerhet. Det høres lovende ut, men tallene må tolkes med varsomhet.

For det første er mange studier gjort på relativt små, selekterte utvalg, ofte rekruttert fra spesialisthelsetjenesten. Når modellene testes på bredere befolkningsgrupper, faller gjerne treffsikkerheten. For det andre er det stor risiko for skjevheter: Hvis treningsdataene hovedsakelig består av gutter i skolealder, kan modellen bli langt dårligere til å gjenkjenne ADHD hos voksne kvinner.

Det reiser viktige etiske spørsmål: Hvem får «feil» svar av algoritmen? Hvilke grupper risikerer å bli oversett, og hvilke kan få for mange falske positive treff? Derfor argumenterer de fleste fagmiljøer for at AI i denne sammenhengen bør brukes som et støttesystem – ikke som en erstatning for klinisk vurdering.

Personvern er et annet kritisk punkt. For å utnytte potensialet i digitale spor (for eksempel tastemønstre, mobilbruk, geodata) må dataene samles inn og lagres på en trygg måte, med tydelig informert samtykke og mulighet til å trekke seg. Krav til anonymisering, dataminimering og transparens i algoritmene blir avgjørende for å verne brukernes rettigheter.

Slik kan du forholde deg klokt til nye testverktøy

For deg som står foran en ADHD-vurdering kan det være nyttig å vite hvordan du kan bruke teknologien til din fordel, uten å bli styrt av den.

Råd til deg som pasient eller pårørende

Bruk nettbaserte tester som en start for refleksjon, ikke som fasit.
Ta skjermbilder eller noter deg resultater og refleksjoner du kjenner deg igjen i, og del dem med fagpersonen.
Vær åpen om hvordan du bruker teknologi i hverdagen – kalender, påminnelser, sosiale medier – det kan gi nyttig informasjon om både styrker og utfordringer.
Spør gjerne klinikeren hvilke digitale verktøy som ligger bak testene du tar, og hvordan dataene dine lagres og brukes.

Råd til fagfolk og testbrukere

Se AI-genererte rapporter som hypoteser – ikke konklusjoner. Bruk dem til å stille bedre spørsmål, ikke færre.
Vær åpen med pasienter om hvordan algoritmene fungerer på et overordnet nivå, og hvilke begrensninger de har.
Hold fast ved prinsippene for god testbruk: tolk resultater i lys av helheten, vurder kulturelle og språklige faktorer og unngå overtolkning av enkeltindikatorer.
Sammenlign gjerne AI-støttede tester med velkjente referanser som Ravens Progressive Matriser eller etablerte IQ-tester for å sikre at nye verktøy faktisk tilfører noe verdifullt.

På den måten kan teknologi bli en forlengelse av faglig skjønn, snarere enn en konkurrent til det.

Veien videre for teknologi og oppmerksomhetsvansker

Utviklingen går raskt: adaptive tester, språkmodeller, digitale dagbøker og sensorteknologi vil prege fremtidens arbeid med oppmerksomhetsvansker. Samtidig ligger det en viktig mulighet her: å gjøre utredning og oppfølging mer tilgjengelig, mindre tidkrevende og bedre tilpasset den enkeltes hverdag.

Det avgjørende spørsmålet er ikke om kunstig intelligens vil bli brukt, men hvordan. Når eksperter på nevropsykologi, personvern, brukermedvirkning og teknologi samarbeider tett, kan vi utvikle løsninger som både respekterer menneskelig kompleksitet og utnytter datamaskiners styrker. Slik kan vi komme nærmere et system der flere blir sett, forstått og får rett hjelp til rett tid – uten at menneskemøtet forsvinner.

Ofte stilte spørsmål om AI og ADHD

Kan kunstig intelligens stille en ADHD-diagnose på egen hånd?

Nei. Selv om AI kan analysere store datamengder og bidra med verdifulle mønstre og risikovurderinger, er det kun kvalifiserte fagpersoner som kan stille diagnose. Diagnostikk handler ikke bare om testskårer, men også om livshistorie, kontekst, verdier og mål. AI-modeller kan hjelpe med å strukturere informasjon, men de har verken etisk dømmekraft eller full oversikt over alle forhold som spiller inn i et menneskes liv.

Er nettbaserte tester pålitelig for voksne med konsentrasjonsvansker?

Nettbaserte tester kan være nyttige som første steg: de kan gi et språk for erfaringene dine, hjelpe deg å identifisere mønstre og senke terskelen for å søke hjelp. Samtidig påvirkes resultatene av motivasjon, dagsform, teknisk forståelse og hvor mye du kjenner igjen beskrivelsene. Derfor bør du se på dem som screening og selvrefleksjon, ikke som en endelig vurdering. Ved vedvarende vansker er en personlig samtale med fagperson alltid anbefalt.

Hvordan skiller AI-baserte kognitive tester seg fra tradisjonelle IQ-tester?

Tradisjonelle IQ-tester gir et helhetlig, normert mål der gjennomsnittlig IQ settes til 100 med et standardavvik på 15, og alle får i prinsippet det samme testoppsettet. AI-baserte tester kan være mer adaptive: oppgavene justeres fortløpende etter dine svar, og testene kan fordeles over flere korte økter. Det kan gi et mer detaljert bilde av variasjon i konsentrasjon og utholdenhet, som er særlig relevant ved oppmerksomhetsvansker. Samtidig er mange av disse verktøyene fortsatt under utvikling, og bør brukes som supplement til – ikke erstatning for – veletablerte metoder.

Relaterte ressurser

Start testen nå

ADHD-vurdering: forbedre resultatene dine ved å øve og følge fremgangen.

ADHD-vurdering med kunstig intelligens: smartere tester og bedre oppfølging