自闭症、注意力缺陷多动和学习障碍诊疗技术的最新进展

自闭症谱系障碍（ASD）、注意力缺陷多动障碍（ADHD）和学习障碍是常见的神经发育障碍，对个体及其家庭和社会造成了显著影响。这些疾病的特点是起病于发育早期，并在社交、沟通、行为、注意力和学习等方面表现出不同程度的障碍。由于这些病症的复杂性和异质性，对其进行早期和准确的诊断以及开发有效的治疗方法一直是研究人员和临床医生的重要目标。近年来，随着科学技术的不断进步，对这些神经发育障碍的理解日益加深，诊疗技术也取得了显著的进展。这些进展涵盖了早期诊断生物标志物的发现 [1]，新型干预措施的开发 [3]，基因研究的应用 [5]，人工智能和机器学习等技术的融入 [7]，以及远程医疗和在线支持服务的兴起 [9]。本文总结ASD、ADHD和学习障碍诊疗技术的最新进展，包括诊断方法、治疗干预、基因研究、技术应用、FDA批准的相关器械和药物、最新临床试验信息以及国际诊疗指南的更新。通过对这些最新进展的梳理和分析，可以更好地了解当前神经发育障碍领域的动态，并为未来的研究和临床应用提供参考。

1. 诊断技术的进展

自闭症谱系障碍（ASD） 早期诊断生物标志物： 

分子生物标志物： 

遗传生物标志物： 目前已知超过400个基因与ASD表型相关 [1]。越来越多的研究表明，ASD的遗传风险主要来源于单核苷酸多态性（SNPs）和拷贝数变异，而非特定的单基因突变 [1]。这提示我们对ASD遗传结构的理解正在从关注罕见的高度外显突变转向认识常见遗传变异的累积效应。这种更全面的认识对于开发更广泛的遗传筛查和风险评估工具至关重要。

免疫生物标志物： 研究已发现一些潜在的预测性标志物，如母体胎儿脑导向自身抗体和叶酸受体α自身抗体 [1]。此外，在ASD患者体内还观察到多种炎症标志物水平升高，包括干扰素-γ、白细胞介素-1β、白细胞介素-6和肿瘤坏死因子-α等 [1]。这表明免疫系统在ASD的发生发展中可能扮演重要角色，并且这些免疫学指标可能成为早期检测的潜在靶点。

代谢生物标志物： 多项大规模代谢组学研究显示，ASD患者存在嘌呤代谢、ATP相关嘌呤能信号传导、脂肪酸氧化的改变，以及乳酸、甘油、胆固醇和神经酰胺等生理应激分子水平升高 [1]。与能量、神经递质和氨基酸生物合成相关的代谢途径的变化也与ASD的严重程度有关 [1]。这表明代谢异常可能是ASD的特征之一，通过代谢谱分析可能有助于早期识别高风险个体，并为个性化治疗方案（如饮食或营养干预）提供指导 [1]。

氧化应激生物标志物： ASD与氧化应激相关的生理异常之间存在相关性，包括脑组织中脂质过氧化产物浓度增加和谷胱甘肽储备能力降低 [1]。脂质过氧化副产物，如丙二醛（MDA）、4-羟基-2-壬烯醛和F2-异前列腺素，正成为早期诊断的潜在生物标志物 [1]。血浆MDA水平升高可能与ASD的严重程度相关 [1]，而GSH/GSSG氧化还原比率作为一种高灵敏度和可重复性的新兴ASD生物标志物 [1]。这些发现强调了氧化应激在ASD病理生理学中的重要性，并提示其产物可用作早期检测和疾病监测的指标。

表观遗传生物标志物： 全基因组关联研究发现，在相当比例的ASD患者的前额叶和颞叶皮层中存在共同的乙酰化组蛋白特征 [1]。此外，无细胞循环microRNA也正在被评估为潜在的诊断性ASD标志物 [1]。这些表观遗传学改变，即不涉及DNA序列改变的基因表达调控变化，可能在ASD的发生中发挥关键作用，并为生物标志物的发现提供新的途径。

肠道微生物群生物标志物： 近年来，对肠道微生物群在ASD发病机制中的作用的研究日益受到重视 [1]。研究表明，ASD患者的肠道微生物群组成存在失调，例如拟杆菌门或厚壁菌门增加，而粪杆菌属和双歧杆菌属减少 [1]。值得注意的是，在拟杆菌科和毛螺菌科中，微生物数量的减少与神经发育水平和行为症状（如ASD患者的社交障碍）相关 [1]。这表明肠道微生物群的组成和功能可能反映了ASD的某些方面，并可能为早期诊断和基于微生物群的干预提供线索。

非分子生物标志物： 

神经影像学生物标志物： 

结构影像： 纵向MRI研究发现，ASD与早期婴儿期皮质表面过度扩张以及布罗卡区和韦尼克区异常等大脑结构变异有关 [1]。这表明早期大脑结构发育模式的异常可以通过MRI观察到，并可能作为ASD早期诊断的预测性影像学生物标志物。

功能影像： 静息态功能MRI（fMRI）用于捕捉大脑内的功能连接和活动，为理解ASD的神经机制提供了重要见解 [1]。虽然该片段未提供功能影像的具体发现，但其在ASD研究中的应用表明，通过识别ASD患者特有的脑功能活动模式，fMRI可能有助于诊断。

眼动追踪生物标志物： 通过观察和分析个体在观看视觉刺激时的眼动模式，可以发现ASD患者与对照组在视觉注意力模式上的差异 [1]。这表明眼动追踪技术可以作为一种非侵入性的方法，通过量化视觉注意力的特定模式来识别ASD的早期指标。

注意力缺陷多动障碍（ADHD） 早期标志物和前兆： 

ADHD常与其他神经发育障碍（如学习障碍、抑郁症和焦虑症）共发 [2]。尽早识别需要支持的幼儿对于改善其长期预后至关重要 [2]。研究表明婴儿期和幼儿期的非特异性因素与后期ADHD症状的关联，例如早期运动和语言发育迟缓以及父母报告的过度活跃等 [2]。一项2022年的荟萃分析显示5岁以下儿童的ADHD与较差的运动和语言发育、社交和情感困难、早期调节和睡眠问题、感觉异常、活动水平升高和执行功能障碍之间存在显著关联 [2]。这表明ADHD的早期识别需要关注多个发育领域。

采用家族可能性设计的研究，即招募有和没有ADHD家族史的婴儿，发现有ADHD家族史的婴儿在12个月大时表现出更高水平的ADHD相关行为（注意力不集中/易分心、多动、冲动）。这些婴儿的父母也更可能在12至18个月大时报告行为问题，且担忧程度逐渐增加 [2]。此外，后来发展出高水平学龄前ADHD症状的婴儿在12和18个月大时不太可能对自己的名字做出反应，这表明早期注意力定向存在差异 [2]。这强调了家族史在ADHD早期识别中的重要性以及早期行为观察的价值。

9个月大时测量的负面情绪和认知之间的相互作用可以预测幼儿期ADHD相关行为，说明可能存在两条影响-认知途径导致早期注意力不集中和多动/冲动 [2]。有ADHD家族史的10个月大婴儿的父母和观察者对其活动水平的评分（但不是注意力）与3岁时较高的学龄前ADHD特征呈正相关 [2]。这表明早期行为特征，特别是活动水平，可能预示着后期的ADHD风险。

一些新的ADHD风险生物标志物可以在孩子出生前进行评估，包括孕妇在怀孕期间的炎症细胞因子、代谢激素（脂联素和瘦素）以及血清素系统代谢物的浓度 [2]。例如，孕晚期母体炎症可以预测孩子在4-6岁时的ADHD症状，并介导产前压力对孩子ADHD的影响 。此外，有ADHD家族史的10个月大婴儿表现出较低的脑电图theta-beta功率比，这与2岁时与ADHD相关的气质维度有关 。有ADHD家族史的婴儿在6个月大时表现出更多的负面情绪 [2]。这些研究表明，产前和早期生命阶段的生物学因素可能在ADHD的早期识别中发挥作用。

艾伯塔大学的研究团队成功利用机器学习作为一种工具，在幼儿园学生中更早地检测出注意力缺陷多动障碍（ADHD）。研究分析了省级健康记录和教师的发展评估，准确预测了哪些学生在接下来的四年内会被诊断出ADHD [10]。该算法在使用健康记录和评估工具的组合数据时，预测未来ADHD诊断的曲线下面积（AUC）为0.81。预测未来ADHD诊断风险较低的主要因素包括教师报告的良好学习策略和社交技能、英语或法语作为第二语言（ESL/FSL）以及女性性别。预测风险较高的因素包括课堂注意力不集中行为、精神健康住院史、较高的社区教育水平、母亲的精神健康问题、较高的相对住房支出和较大的家庭规模 [10]。这表明机器学习可以有效地分析大量数据以识别ADHD的早期风险因素。

学习障碍早期识别方法： 

认知行为研究表明，学龄前儿童的早期读写技能缺陷是诵读困难风险的危险信号。言语和语言问题通常先于阅读困难出现，因此有言语和语言问题的儿童应被标记为诵读困难的高风险人群 。尽早评估学前儿童的读写萌发技能和语言发展对于识别有诵读困难风险的儿童至关重要 [11]。

人工智能的最新进展，包括深度学习，通过分析口语、书面文本甚至阅读活动中的眼动模式，提高了诵读困难识别的准确性和效率 [12]。研究提出了多种检测发展性诵读困难的方法，包括基于游戏的方法、读写考试、面部图像捕获和分析、眼动追踪、核磁共振成像（MRI）和脑电图（EEG）扫描 [12]。这表明技术进步正在为更早、更准确地识别诵读困难提供新的途径。

纵向研究表明，即使在开始学习识字之前，听觉脑回和言语处理系统内异常的下游连接也可以预测诵读困难。这说明诵读困难可能源于识字教育前言语网络异常成熟的理论 [12]。这表明神经生物学标记物可能在非常早期的发育阶段就存在，并可以预测诵读困难的发生。

多项机器学习模型正在测试用于检测诵读困难的眼动变量。混合核支持向量机-粒子群优化模型取得了最高的准确率（96%） [12]。这表明机器学习算法在分析眼动数据以区分诵读困难个体方面具有很高的潜力，可以作为一种客观的诊断工具。

人工智能技术的发展为利用行为和神经影像数据识别诵读困难提供了一个平台。整合脑成像、认知评估、语言研究和行为观察对于识别诵读困难至关重要 [13]。这强调了采用多模态方法，结合各种数据来源和人工智能进行诵读困难早期识别的重要性。

一款名为Auto Train Brain的新型移动应用程序内置了诵读困难生物标志物检测软件，该软件使用来自14个通道的标准化定量脑电图（QEEG）数据，以高达98.8%的准确率完成了诵读困难/正常儿童的分类 [14]。这表明移动健康技术可以提供可及且准确的工具，用于早期诵读困难的筛查和监测。

与诵读困难研究的显著进展相比，关于数学学习困难（如发展性计算障碍）的神经生物学相关性知之甚少。一项比较患有和未患有持续性计算障碍的儿童的fMRI研究发现，在使用单变量、频率学分析时，两组儿童的大脑激活没有一致的组间差异，而贝叶斯分析为没有组间差异的零假设提供了支持性证据 [15]。这表明识别计算障碍的神经生物学基础仍然是一个需要更多研究的领域。

计算障碍通常涉及数字感、符号数字表征和工作记忆的缺陷。有效的计算障碍诊断工具包括数字加工测试、符号数字表征测试、算术成就测试、数学事实提取测试和程序性记忆评估，以及领域一般工具，如工作记忆测试和视觉空间技能评估 [16]。说明计算障碍的诊断依赖于领域特异性数学评估和评估潜在数字和认知过程的领域一般认知测试的结合。

机器学习和数字生物标志物显示出检测神经退行性疾病早期阶段的潜力，这可能对具有神经学成分的学习障碍产生影响 [17]。说明人工智能和数字工具在神经退行性疾病早期检测方面的进展可能为某些学习障碍的早期识别提供借鉴。

2. 新型治疗干预措施

行为疗法自闭症谱系障碍（ASD） 

应用行为分析（ABA）已被证明是治疗ASD症状的有效方法，它侧重于鼓励期望的行为，减少不期望的行为。ABA疗法利用多种技术，旨在帮助ASD患者理解行为与结果之间的联系，通常使用积极强化。早期ABA干预已显示出在沟通、社交技能和行为管理方面取得显著改善 [18]。存在多种ABA模型，包括关键反应训练（PRT）、回合式教学、早期丹佛模式（ESDM）和洛瓦斯模式 [3]。说明ABA仍然是ASD治疗的基石，并且存在多种针对不同需求和发育阶段的模型。

结构化教学方法，如TEACCH（自闭症儿童及其相关沟通障碍者的治疗与教育），强调使用视觉支持，如日程表、视觉提示和结构化工作系统，以帮助自闭症患者理解日常活动、理解期望并提高学习体验 [18]。这表明结构化教学方法，特别是使用视觉辅助工具，可以为ASD患者提供可预测性和独立性。

虚拟现实（VR）已显示出通过个性化的虚拟场景有效增强ASD儿童的社交技能和情绪调节能力。一项研究比较了基于VR的情感训练与传统疗法，发现在识别主要情绪方面取得了相似的结果，但VR组的学习时间更短 [4]。说明VR技术为ASD的社交技能和情绪调节训练提供了一个新颖且引人入胜的平台，可能加速某些技能的学习。

注意力缺陷多动障碍（ADHD） 

虚拟现实（VR）已显示出改善ADHD患者注意力和执行功能的益处，并且当与药物治疗结合使用时，效果更佳。VR环境也被发现可以有效地评估ADHD相关的缺陷，并且虚拟教师（化身）的存在可以提高教育环境中的表现 [4]。表明VR可以作为一种有价值的辅助工具，用于解决ADHD相关的认知缺陷。

学习障碍 

非沉浸式VR，如平板电脑或特定软件，以及教室中的交互式白板，已被用于研究其在解决特定学习障碍（SLD）患者的执行功能、认知灵活性、阅读困难和逻辑数学技能方面的功能。研究表明，非沉浸式VR可以帮助SLD患者融入课堂活动并促进学习相关技能的发展，研究发现，使用非沉浸式VR后，SLD儿童的视觉注意力和任务计划技能随着时间的推移而提高 [4]。表明即使是非沉浸式VR应用也可以通过针对特定的认知和学术技能并促进在教育环境中的融合，为学习障碍患者带来益处。

药物治疗 自闭症谱系障碍（ASD） 

目前，只有利培酮和阿立哌唑两种药物获得美国食品药品监督管理局（FDA）批准用于ASD人群。这两种药物均被批准用于治疗ASD儿童和青少年的烦躁症状 [19]。表明专门批准用于ASD的药物治疗选择非常有限，主要针对相关症状如烦躁情绪，而不是核心障碍。

针对ASD患者常见的共发精神症状的药物治疗指南建议，睡眠障碍的初始策略应与非自闭症人群的标准一致，强调睡眠卫生和褪黑素的使用。对于ASD患者的ADHD，建议α2-肾上腺素能激动剂可能比兴奋剂更适合某些患者。对于焦虑症，丁螺环酮和米氮平优于SSRIs。对于抑郁症，度洛西汀和米氮平优于SSRIs。处理烦躁情绪需要跨学科评估，根据症状的严重程度，可考虑使用胍法辛、利培酮或阿立哌唑。这些指南强调从小剂量开始并进行仔细监测 [19]。表明ASD患者的精神共病药物治疗通常需要与非自闭症人群不同的首选治疗方案，强调需要具备自闭症专业知识的处方医生。

注意力缺陷多动障碍（ADHD） 

兴奋剂，包括安非他明和哌醋甲酯制剂，是ADHD最常用的药物，通常被认为是首选治疗方法。非兴奋剂药物，如阿托莫西汀、可乐定和胍法辛，也常被使用 [20]。表明多种药物选择可用于治疗ADHD，兴奋剂是最常见的初始选择。

2024年5月，FDA批准了一种新的可乐定液体配方Onyda XR，用于治疗6岁及以上儿童患者的ADHD。这种配方可能更容易让吞咽药丸困难的儿童服用，并提供每日一次的夜间给药选择 [22]。表明药物开发不断推出新的ADHD药物配方，以提高使用的便利性和耐受性，从而可能提高治疗的依从性。

学习障碍 

提供的片段未详细说明针对学习障碍本身的特定药物治疗方法。然而，指出药物可能用于管理可能影响学习的共发疾病，如ADHD或焦虑症 [23]。表明学习障碍的药物干预主要针对可能干扰学习的相关疾病，而不是直接治疗潜在的认知缺陷。

社交技能训练 

社交技能训练（SST）是ASD患者的一项关键干预措施，旨在提高沟通、互动和整体生活质量。这是一种结构化的教育方法，旨在满足自闭症患者多样化的社交需求，采用传统和创新方法。虽然传统的SST通常侧重于适应神经典型人群的规范，但越来越多的理解强调神经多样性，并认识到自闭症患者通常在他们自己的社交群体中更有效地沟通 [26]。表明对ASD社交技能训练的理解和方法正在不断发展，变得更具包容性和尊重神经多样性，超越了仅仅关注同化于神经典型标准的范畴。

传统的SST可能对心理健康产生影响，因为为了符合神经典型人群的规范而进行的社交伪装会产生压力和焦虑。积极的替代策略侧重于自我倡导和培养对社交环境中多种观点的理解，促进自我接纳并创造有利于自闭症患者沟通方式的环境 [26]。表明针对ASD的SST的新方法优先考虑心理健康和自我接纳，而不是单纯的行为顺从，旨在减少社交伪装带来的负面影响。

社交技能治疗通常包括角色扮演、关于社交规则和期望的直接指导以及社交故事和视频建模等视觉工具。它侧重于言语和非言语沟通，以及情绪调节和冲突解决技能，旨在为个人提供在各种生活环境中独立生活所需的基本工具 [26]。表明社交技能治疗采用各种结构化和循证技术来教授和练习ASD患者的社交互动技能。

3. 基因研究的作用

基因检测 

多个专业医学协会建议对所有确诊为自闭症的儿童进行临床基因检测。然而，大多数这些儿童尚未接受基因检测，这代表了一个错失的机会，因为基因诊断可以帮助自闭症人士及其家人理解行为、发育和医疗挑战，明确预期，并获得有针对性的支持 [24]。表明尽管有临床建议，但自闭症儿童的一线基因检测普及率仍然较低，这可能会阻碍他们获得有价值的信息和个性化支持。

基因诊断可以帮助解释呕吐或癫痫发作等症状（例如，在患有FMR1相关疾病基因诊断的个体中），并可以指导医疗建议和获得家庭支持团体。研究表明，可以通过临床基因检测识别影响大脑发育的基因变异，并且携带影响深远的罕见变异与自闭症儿童开始学习必要技能的时间延迟和变异性更大有关 [24]。表明自闭症的基因检测可以提供关于相关医疗状况和发育轨迹的重要见解，从而实现更明智和个性化的管理。

正在开发一些工具，根据容易获得的信息估算自闭症儿童的基因诊断概率范围，旨在帮助临床医生和家庭为基因检测做好准备。这些努力包括与自闭症社群（包括遗传咨询师、生物伦理学家、自闭症成人和家长）共同开发的公共网络资源（例如Manura） [24]。表明人们正在努力将基因研究转化为实用且可访问的工具，这些工具可以帮助家庭和临床医生做出关于自闭症基因检测的知情决定。

研究表明，注意力缺陷多动障碍（ADHD）和自闭症谱系障碍（ASD）是不同的发育障碍，但它们具有许多共同的遗传特征，并且可能源于对大脑发育和功能至关重要的相同基因变异。研究确定了与ADHD和ASD相关的七个基因位点，包括MANBA基因 [5]。这些知识可能有助于进一步研究这些变异如何影响基因功能，并确定未来可能通过药物治疗靶向的基因。表明基因研究揭示了ADHD和ASD之间显著的遗传重叠，提示了共同的生物学途径和未来潜在的共同治疗靶点。

基因治疗 

新型基因组编辑和瞬时基因疗法已经开发出来，导致了首批针对单基因疾病的人体临床试验。由于其单基因性和严重性，由单基因突变引起的综合征性自闭症谱系障碍被认为是基因治疗的理想候选者 [27]。目前，基因疗法正在兴起，大多数集中于具有强效单基因病因且疾病机制明确的单基因疾病。对于自闭症，开发主要集中在单基因形式上，因为非综合征性ASD具有多基因或多因素遗传结构 [27]。表明自闭症的基因治疗主要集中在解决由单基因突变引起的综合征性自闭症的潜在遗传缺陷，而非综合征性自闭症的多基因性质为这种治疗方法带来了更大的挑战。

包括ncRNA疗法（siRNA、miRNA、shRNA、circRNA、saRNA、SINEUPs）和反义寡核苷酸（ASOs）在内的多种技术已在临床前环境中进行了测试，以治疗单基因ASD突变的影响。例如，一种靶向UBE3A反义转录本的ASO正处于Angelman综合征（一种综合征性ASD）的1期或2期临床试验中，旨在恢复UBE3A基因的正常表达 [27]。表明多种基因治疗技术正在探索用于治疗单基因形式的ASD，其中一些在早期临床试验中显示出希望。

Jaguar Gene Therapy已获得FDA批准，可以在其JAG201基因疗法中评估患有由SHANK3单倍剂量不足引起的自闭症谱系障碍和被诊断为Phelan-McDermid综合征的儿科患者。预计患者招募将于2025年第一季度开始。JAG201通过腺相关病毒血清型9（AAV9）载体递送功能性SHANK3迷你基因，靶向中枢神经系统中的神经元，旨在产生正常的SHANK3水平并持久地恢复学习和记忆所需的突触功能 [28]。FDA还授予JAG201快速通道资格 [29]。这标志着自闭症基因治疗的一个重大进展，一项针对特定遗传病因（SHANK3突变）的儿科患者临床试验即将启动。

一项初步研究正在应用一种基于生物学的方法，以识别幼儿自闭症患者对关键反应治疗（PRT）的改善的神经影像学预测因子。这项临床试验旨在识别针对幼儿自闭症患者语言缺陷的PRT项目的治疗反应的神经影像学生物标志物，这些患者将被随机分配到PRT-P组或延迟治疗组 [17]。表明研究不仅关注基因治疗，还关注如何利用遗传和神经生物学因素预测对行为疗法的反应，从而可能实现更个性化的治疗策略。

研究提供的结果不包含关于ADHD或学习障碍基因治疗进展的具体信息。这表明目前基因治疗的研究和临床试验似乎更侧重于ASD，而不是ADHD和学习障碍。

4. 人工智能和机器学习的应用诊断 

人工智能（AI）和机器学习（ML）正越来越多地被整合，以提高ASD诊断的准确性、效率和可及性 [31]。一项对应用于sMRI和fMRI数据集的ML模型进行的全面回顾，考察了它们在诊断ASD及相关疾病方面的疗效，强调了深度学习架构的进步，并指出了数据异质性和可重复性挑战等局限性 [32]。这表明AI和ML为分析复杂的神经影像数据以改善ASD诊断提供了强大的工具，但数据变异性和标准化需求仍然存在挑战。

通过将基于Boruta的特征选择技术与支持向量机（SVM）模型相结合，在默认模式网络（DMN）内识别出新的功能连接模式，实现了高分类准确率，并进一步证实了静息态功能连接（rsFC）数据在ASD诊断中的潜力 [32]。这表明机器学习算法可以识别出特定的、具有区分性的脑连接模式，这些模式具有作为ASD诊断标记物的显著潜力。

一项文献计量分析绘制了全球AI在ASD研究中的应用图谱，突出了特征选择的兴起和多模态整合的重要性等趋势，为未来的研究提供了路线图 [32]。这表明AI在ASD研究领域正朝着使用复杂的特征选择技术和整合多种数据模式（如影像、遗传、行为）的方向发展，以增强诊断模型的鲁棒性。

一项探索性研究调查了微表情作为ASD诊断生物标志物的用途，尽管视频数据质量存在挑战，但该研究强调了结合行为和神经影像数据的多模态方法的必要性 [32]。这表明虽然行为数据（如微表情）正在被探索用于AI驱动的ASD诊断，但与神经影像数据的整合对于构建稳健和准确的模型可能是必要的。

一种结合了MobileNet和堆叠集成学习的混合模型在使用眼动追踪数据（Eye Gaze fixes map数据集和ETSDS）诊断ASD方面取得了高准确率（分别为96.1%和98.0%）[33]。在使用ETSDS识别自闭症评分（严重程度）方面也达到了高准确率（98.1%）[33]。该研究证实了使用人工智能技术基于注视行为和眼动动态的视觉模式诊断自闭症的有效性 [33]。这表明基于眼动追踪数据的人工智能分析，特别是使用先进的机器学习模型，在诊断ASD和评估其严重程度方面显示出卓越的准确性。

人工智能（AI）正在通过数据驱动和技术增强的方法重塑注意力缺陷多动障碍（ADHD）的诊断格局 [34]。一项范围审查分析了过去二十年的54项研究，探讨了AI在脑成像（MRI）、脑活动监测（EEG和ECG）、行为评估、基于虚拟现实的测试和运动追踪传感器中的应用 [34]。机器学习（ML）和深度学习（DL）算法表现出令人鼓舞的诊断准确性，范围从70%到95%，其中卷积神经网络（CNN）和支持向量机（SVM）在图像和信号分析中特别有效，而自然语言处理（NLP）模型在行为和认知评估中显示出潜力 [34]。这表明AI正被应用于各种数据模式以改善ADHD的诊断，机器学习算法在提高准确性和客观性方面显示出显著的潜力。

人工智能处理和分析包括神经影像、遗传和行为信息在内的大量多模态数据的能力，有可能识别与ADHD相关的复杂模式和生物标志物 [7]。机器学习算法，如支持向量机和深度神经网络，已显示出基于功能性磁共振成像（fMRI）数据对ADHD进行分类的良好结果，实现了高准确率 [7]。人工智能还可以整合来自神经心理学评估、电子健康记录甚至来自可穿戴设备的数字表型数据等多个数据来源，创建全面的患者档案并帮助ADHD的鉴别诊断 [7]。这表明通过人工智能整合不同的数据来源可以实现更准确和全面的ADHD诊断，有可能克服传统方法的局限性。

最近的研究探索了创新的基于人工智能的方法，以增强ADHD的筛查和诊断 [7]。例如，一个使用便携式眼动追踪数据的机器学习模型在区分患有和未患有ADHD的个体方面显示出令人鼓舞的准确性，表明眼动模式作为ADHD生物标志物的潜力 [7]。这种人工智能驱动的筛查工具可以提供一种更可及且成本效益更高的早期识别手段 [7]。这表明基于人工智能的眼动追踪分析为ADHD的筛查和早期识别提供了一种非侵入性且可能更易于获得的方法。

人工智能多年来一直被用于支持学习障碍学生的诊断和干预，包括诊断或筛查诵读困难和注意力水平较低等症状 [35]。这表明人工智能在学习障碍领域，尤其是在识别诵读困难及相关认知挑战方面，有着悠久的应用历史。

一个新的基于人工智能（AI）的模型已被开发出来，用于预测患有学习障碍的人住院时间的长度，为改善护理和资源规划提供了有价值的见解 [37]。该模型使用来自超过9600名患者的GP和医院数据开发，在区分可能长期住院和可能较早出院的患者方面有效率为76% [37]。这表明人工智能可以用于预测学习障碍患者的医疗保健结果，从而可能改善资源分配和个性化护理计划。

干预 

人工智能（AI）的整合代表了医疗保健领域一个有希望的前沿，它能够对自闭症谱系障碍（ASD）进行早期检测和个性化评估。AI驱动的治疗干预措施，包括增强性沟通系统、基于虚拟现实的训练和机器人辅助疗法，在改善ASD患者的社交互动和沟通技巧方面显示出潜力 [31]。这表明人工智能不仅用于ASD的诊断，还在推动创新和个性化的治疗干预措施的发展。

人工智能（AI）的进步，特别是基于Transformer的深度学习模型，为通过提供可扩展、自适应和交互式的社交技能训练来增强ASD的干预措施提供了新的途径。像BERT和GPT这样的预训练模型已成功地理解了细致的语言和行为模式，从而在ASD干预中实现了更具上下文感知和响应性的互动 [38]。这表明深度学习模型正被用于创建更复杂和个性化的自闭症患者社交技能训练项目。

人工智能在个性化帮助ADHD患者管理症状方面具有巨大的潜力。人工智能可以预测个体对药物和治疗的反应，使医疗保健提供者能够根据个人的独特特征定制治疗方案。人工智能还可以通过可穿戴设备和移动应用程序持续监测治疗进展，提供实时反馈并及时调整以优化治疗效果。人工智能驱动的工具（如移动应用程序和虚拟助手）可以为ADHD患者提供个性化的提醒、组织任务和实时指导，从而增强自我管理能力和执行功能 [7]。表明人工智能在个性化ADHD治疗方面发挥着重要作用，包括预测药物反应、监测进展以及提供自我管理和执行功能支持工具。

人工智能驱动的精准医疗方法可以预测ADHD药物干预的个体治疗反应，使医疗保健提供者能够根据患者的独特特征定制药物治疗方案，从而最大限度地降低不良反应的风险并提高治疗依从性 [7]。例如，人工智能算法可以分析遗传谱、临床病史和先前的治疗结果，以确定最有效的药物和最佳剂量 [7]。这表明人工智能正被用于优化ADHD的药物治疗，通过预测个体反应，有可能实现更有效和更安全的药物管理。

Berrezueta-Guzman等人评估了使用人工智能驱动的大型语言模型ChatGPT增强ADHD治疗的有效性。研究发现，ChatGPT可以生成个性化的治疗内容，提供实时反馈，并与患者进行互动对话，从而可能改善治疗效果，并为提供个性化支持和治疗提供了一种可扩展且可访问的方式，尤其是在资源有限的环境中 [7]。表明人工智能驱动的语言模型（如ChatGPT）正被探索作为增强ADHD传统治疗的工具，提供个性化和可访问的支持。

人工智能多年来一直被用于支持学习障碍学生的诊断和干预，包括自适应学习、面部表情分析、聊天机器人、通信助手、精通学习系统、智能导师和交互式机器人 [36]。自适应学习是最广泛使用的应用。一项系统评价发现，人工智能已被用于多种方式支持学习障碍学生，但实证研究数量较少，这意味着存在显著的差距，并且需要更多关于人工智能如何支持学习障碍学生的研究，而不仅仅是识别和诊断学习障碍 [36]。这表明人工智能为支持学习障碍学生的教育需求提供了多种工具和应用，但要充分发挥其在诊断应用之外的潜力，还需要进行更多研究。

5. 可穿戴设备和移动应用程序行为监测 

可穿戴技术（WTs）在协助自闭症人士的早期诊断和改善干预计划方面具有巨大潜力，它可以监测行为和生理反应。WTs可以测量一系列生理和行为功能，以客观地评估自闭症青少年在各种环境和活动中的刻板运动、社交功能、沟通和情绪调节 [39]。这表明可穿戴设备为客观、实时地监测与自闭症谱系障碍相关的广泛行为提供了一个有希望的途径。

利用加速计的智能手表已被用于高精度地检测拍手等刻板行为。可穿戴数字干预设备，如智能眼镜，已显示出通过增强面部参与和情绪识别来改善自闭症儿童社交行为的功效。双人第一视角视频记录眼镜已被用于帮助自闭症青少年自我识别其社交互动中的优势和不规则性，从而导致行为的改变。腕戴式生物传感器正在研究其通过分析先前的生理和运动数据来预测自闭症青少年对他人攻击行为的能力。收集自主神经唤醒生理标记物（如心率和加速度计）的可穿戴传感器正被用于开发针对自闭症患者的实时、客观和无语言焦虑测量方法 [39]。这表明正在开发和测试不同类型的可穿戴设备，以监测自闭症患者的特定行为和情绪状态，为个性化干预和早期发现关键事件（如攻击或焦虑）提供了潜力。

一项研究使用Opal可穿戴传感器纵向评估高危ASD婴儿的全天运动活动，以开发一种运动复杂性的测量方法。另一项研究评估了在互动过程中，心率作为ASD儿童相对于语言障碍儿童的压力反应可能指标的有效性 [39]。这表明可穿戴技术可用于早期检测有ASD风险的婴儿的细微运动差异，并用于监测与社交互动相关的心率等生理反应，为早期干预和理解压力反应提供了有价值的数据。

干预与支持 

移动应用程序已成为药物治疗之外支持ADHD患者的一种替代方法。一项对ADHD移动应用程序的评估审查了其特征、目标用户、治疗模式、技术、游戏化元素和医疗认可，结果显示认知治疗和执行功能是这些应用程序中最常优先考虑的治疗方法 [40]。这表明移动应用程序正日益成为管理ADHD的一种补充工具，侧重于改善认知技能和执行功能。

根据美国国立卫生研究院资助的一项研究，一款移动应用程序通过分析观看视频时的眼动模式，成功地区分了诊断为自闭症谱系障碍（ASD）的幼儿和正常发育的幼儿 [41]。这表明利用眼动追踪技术和AI算法的移动应用程序可以作为ASD早期筛查和诊断的潜在工具。

研究正在探索使用移动应用程序来诊断和改善包括诵读困难在内的健康状况。一款名为Auto Train Brain的新型移动应用程序内置了诵读困难生物标志物检测软件，该软件使用定量脑电图（QEEG）数据以高准确率对诵读困难/正常儿童进行分类 [14]。这表明正在开发移动应用程序以协助早期检测和监测诵读困难等学习障碍，利用神经生理学数据和人工智能。

6. 远程医疗和在线支持服务

远程医疗，或称远程医学，利用视频会议和流媒体通信技术为自闭症谱系障碍（ASD）患者提供远程医疗服务。自闭症治疗的远程医疗可以缩短等待名单，克服地理障碍，并为家庭提供更灵活的时间安排。ASD儿童可以与他们的治疗师进行虚拟会话，父母也可以在家中获得支持和培训。应用行为分析（ABA）等行为疗法已被广泛研究并证明在远程医疗服务模式中有效 [9]。这表明远程医疗已成为一种有价值且有效的自闭症治疗服务提供模式，尤其是在提供ABA等行为疗法以及增加面临地理或后勤障碍的个人和家庭的医疗服务可及性方面。

Ascend Autism利用符合HIPAA标准的视频会议系统为自闭症治疗提供远程医疗服务，为ASD儿童及其父母和看护人提供远程服务。自闭症的远程医疗已在儿童和家长中普及，允许远程支持和培训 [9]。这表明特定的医疗保健提供者正在积极利用远程医疗平台提供自闭症治疗和支持服务，展示了这种服务模式的实际应用和日益增长的接受度。

    已确定了8个最佳ADHD在线资源，提供各种形式的支持，包括综合治疗（Talkspace）、专家播客（ADDitude）、青少年资源（NAMI）、家长培训（Triple P Online Course）、诊断和治疗（Amwell）、自我管理工具（Inflow）、应对技能发展（Headspace）和咨询（BetterHelp）[25]。这表明各种在线资源可以满足ADHD患者及其家庭的多样化需求，提供跨越治疗、教育和自我管理等不同领域的便捷支持。

   美国学习障碍协会（LDA）为学习障碍儿童的家长提供广泛的在线支持，包括关于各种学习障碍（如诵读困难、计算障碍等）、特殊教育过程、辅助技术以及为患有学习障碍的成人提供的资源 [42]。这表明像LDA这样的组织在为面临学习障碍复杂性的家庭提供在线信息和支持方面发挥着至关重要的作用。

人工智能驱动的大型语言模型，如ChatGPT，正在评估其在增强ADHD治疗方面的功效，方法是生成个性化的治疗内容，提供实时反馈，并与患者进行互动对话，从而可能改善治疗效果，并为提供个性化支持和治疗提供了一种可扩展且可访问的方式，尤其是在资源有限的环境中 [7]。这表明人工智能，特别是通过先进的语言模型，正在探索作为一种增强ADHD患者在线治疗和支持的工具。

7. FDA批准的器械和药物器械：

FDA于2021年6月批准了Cognoa ASD诊断辅助工具的上市 [43]。这是一款基于机器学习的软件，旨在协助医疗保健提供者诊断18个月至5岁、表现出潜在自闭症症状的儿童 [43]。它使用一个供看护人使用的移动应用程序、一个视频分析门户和一个供医疗保健提供者使用的门户来处理信息，并作为整体诊断过程的辅助手段提供诊断结果 [43]。表1：FDA批准的ASD和ADHD器械

2019年，FDA批准了首个用于治疗ADHD的器械（Monarch eTNS系统），这是一款大小如手机的设备，作为7至12岁儿童的治疗方法上市。该设备通过贴在前额的贴片在睡眠期间传递低水平的电脉冲。临床试验结果显示，其效果与非兴奋剂药物治疗相似。副作用包括嗜睡、食欲增加、疲劳、头痛和磨牙 [44]。ASD： 利培酮和阿立哌唑是美国FDA唯一批准用于治疗ASD儿童和青少年烦躁情绪的药物 [19]。

ADHD： 兴奋剂（如安非他明、右苯丙胺、赖右苯丙胺、哌醋甲酯、右哌醋甲酯）和非兴奋剂（如阿托莫西汀、可乐定、胍法辛）均已获得FDA批准用于ADHD治疗 [20]。一种新的可乐定液体配方Onyda XR于2024年5月获得批准，用于儿科ADHD [22]。

学习障碍： 提供的片段未表明有任何FDA批准的药物专门用于治疗诵读困难或计算障碍等学习障碍的核心症状。药物可能用于管理ADHD或焦虑等共发疾病 [23]。

8. 最新临床试验信息

一项临床试验正在调查幼儿自闭症患者对关键反应治疗（PRT）改善的神经影像学预测因子 [17, 30]。该试验正在招募2.0至4.11岁、诊断为ASD的门诊患者，旨在识别针对语言障碍的PRT项目治疗反应的神经影像学生物标志物。参与者将被随机分配到PRT-P组或延迟治疗组 [17, 30]。

AI模型在预测住院时长方面有效率为76% [37]。计划进行进一步的临床试验，以测试其在减少急诊入院和提高患者生活质量方面的有效性 [37]。

9. 国际诊断和治疗指南与最佳实践

英国国家健康与护理卓越研究院（NICE）发布了成人自闭症谱系障碍（诊断和管理）的临床指南（CG142）。该指南于2021年6月更新，涵盖了识别和评估（建议使用自闭症谱系商数-10项（AQ-10），得分6分或以上应转诊进行全面评估）、自闭症和挑战性行为的干预措施、共存精神障碍的干预措施以及对家庭、伴侣和照护者的评估和干预措施 [45]。这表明国际指南，如NICE指南，为ASD的诊断和管理提供了基于最新证据和专家共识的全面建议框架。

美国医疗保健研究与质量局（AHRQ）发布了一项关于儿童和青少年注意力缺陷多动障碍（ADHD）诊断和治疗的系统评价方案。该评价旨在评估初级保健和专科医生使用的不同方法的诊断准确性，以及药物和非药物治疗在改善ADHD相关结局方面的比较安全性和有效性 [21]。这表明像AHRQ这样的国际组织正积极参与系统评价ADHD诊断和治疗的证据基础，以指导临床实践和未来的指南制定。

美国大学理事会为申请学习障碍考试便利条件的学生提供了文件指南。这些指南明确了诊断的要求（包括参考DSM）、文件的时效性（教育评估在五年内）、相关病史的呈现、通过全面测试支持诊断、功能限制的描述、推荐便利条件的理由以及评估者的专业资格 [46]。这表明存在针对学习障碍的标准化文件指南，以确保在教育和考试环境中提供公平和适当的便利条件。

10. 结论

对自闭症谱系障碍、注意力缺陷多动障碍和学习障碍的理解、诊断和治疗近年来取得了显著进展。这些进展体现在生物标志物的发现 [1]，新型疗法的开发 [3]，技术应用的融合 [7]，基因研究的深入 [5] 以及国际指南的更新 [45]。技术，特别是人工智能和机器学习 [7, 31, 32, 34]，虚拟现实 [4]，可穿戴设备 [39]，移动应用程序 [14, 40, 41] 和远程医疗 [9]，在改善诊断的客观性、个性化干预措施的实施以及提高医疗服务的可及性方面发挥着越来越重要的作用。基因研究的进展，包括基因检测的普及 [24] 和针对特定遗传亚型的基因治疗的开发 [28]，为更精准的干预提供了可能。早期识别和干预仍然是改善这些神经发育障碍患者长期预后的关键 [11, 18]。然而，仍需进行严谨的研究、加强跨学科合作，并不断完善循证指南，进一步推动该领域的发展，并最终改善ASD、ADHD和学习障碍患者及其家庭的生活质量。未来，随着科学技术的持续进步，我们有望在这些神经发育障碍的诊疗领域迎来更多突破，并不断优化临床实践。

参考文献

1. Chemical Abstracts Service. (n.d.). Biomarkers show potential to improve autism diagnosis and      treatment. CAS Insights. Retrieved April 1, 2025, from https://www.cas.org/resources/cas-insights/autism-diagnosis-biomarkers

2. International Congress of Infant Studies.      (n.d.). Early markers and precursors of ADHD in infancy: What do we      know and where are we going? Retrieved April 1, 2025, from https://infantstudies.org/early-markers-and-precursors-of-adhd-in-infancy-what-do-we-know-and-where-are-we-going/

3. Children's Hospital of Philadelphia. (2022,      November 18). Evidence-based treatment options for      autism. https://www.chop.edu/news/evidence-based-treatment-options-autism

4. Zagaria, T., Sodo, M., Carrozza, C., Cordella,      F., Zollo, L., & Boccuni, F. (2024). Current virtual reality-based      rehabilitation interventions in neurodevelopmental disorders: A systematic      review. Frontiers in Behavioral Neuroscience, 18, 1441615. https://doi.org/10.3389/fnbeh.2024.1441615

5. Sciencenews.dk. (2024, March 18). Autism and attention-deficit/hyperactivity disorder      associated with shared and disorder-specific genetic variants. https://sciencenews.dk/en/autism-and-attention-deficithyperactivity-disorder-associated-with-shared-and-disorder-specific-genetic-variants

6. Sarkis, E. H., Belanger, S. A., Hawley, K. M.,      Kessler, R. C., & Coghill, D. R. (2024). Revolutionizing attention      deficit hyperactivity disorder with artificial intelligence. PLOS Mental Health, 1(6), e0000181.     https://doi.org/10.1371/journal.pmen.0000181

7. Ascend Autism. (n.d.). Telehealth autism treatment | Virtual ABA therapy.      Retrieved April 1, 2025, from https://ascendautism.com/autism-treatment-programs/telehealth-autism-treatment/

8. Brown, M. (2024, January 29). Machine learning helps predict ADHD in kindergarten students.      Folio. https://www.ualberta.ca/folio/2024/01/machine-learning-helps-predict-adhd-in-kindergarten-students.html

9. Shaywitz, S. E., & Shaywitz, J. E. (2020).      Reintroducing Dyslexia: Early Identification and Implications for      Pediatric Practice. Pediatrics in Review,     41(7), 351–364. https://doi.org/10.1542/pir.2019-0179

10. Kumar, S., & Sharma, A. (2023). Advance      machine learning methods for dyslexia biomarker detection. International Journal of Scientific Research & Technology,     12(9), 1–7.

11. Alahmadi, A. A., & Alotaibi, M. S. (2024).      A review of artificial intelligence-based dyslexia detection techniques. Applied Sciences, 14(18), 7967. https://doi.org/10.3390/app14187967

12. Eroglu, G., Cicek, A., Yildiz, S. K., Yazici,      M. U., Isler, V., & Eroglu, S. (2024). Parents' mHealth app for      promoting early dyslexia biomarker detection in children at home or      kindergarten: Feasibility, acceptability, economic impact and pilot study      and survey results (Version 1). Qeios. https://doi.org/10.32388/4W9RXU

13. Rosenberg-Lee, M., Price, G. R., Holloway, I.      D., Hawes, Z., Ansari, D., & Menon, V. (2023). Developmental      dyscalculia is not associated with atypical brain activation: A univariate      fMRI study of arithmetic, magnitude processing, and visuospatial working      memory. NeuroImage, 283, 120414. https://doi.org/10.1016/j.neuroimage.2023.120414

14. Alotaibi, S., & Mehmood, R. (2024).      AI-enhanced dyscalculia screening: A survey of methods and applications      for children. Mathematics, 12(12), 1839. https://doi.org/10.3390/math12121839

15. Hussain, A., Zafar, A., Khan, M. A., &      Abdullah, S. (2024). Machine learning and digital biomarkers can detect      early stages of neurodegenerative diseases. Sensors, 24(5), 1572. https://doi.org/10.3390/s24051572

16. Apex ABA Therapy. (n.d.). Autism learning disabilities. Apex ABA Blog.      Retrieved April 1, 2025, from https://www.apexaba.com/blog/autism-learning-disabilities

17. Balmaña, N., Fortea, L., Cortese, S., Baeza,      I., Arrufat, F. X., Garcia-Alcon, A., Calvo-Escalona, R.,      Romero-Mascarell, C., Hervas, A., & Sugranyes, G. (2024).      Pharmacological treatment in autism: A proposal for guidelines on      psychopharmacological interventions for psychiatric comorbidities in      autism spectrum disorder. European Child &      Adolescent Psychiatry. Advance online publication. https://doi.org/10.1007/s00787-024-02566-3

18. Marcin, A. (2023, January 26). ADHD medications list: Stimulants and nonstimulants.      Healthline. https://www.healthline.com/health/adhd/medication-list

19. Agency for Healthcare Research and Quality.      (2023). Attention deficit hyperactivity disorder: Diagnosis and      treatment in children and adolescents [Systematic review      protocol]. https://effectivehealthcare.ahrq.gov/products/attention-deficit-hyperactivity-disorder/protocol

20. Stahl, S. M. (2024, June 6). 2024 in review: New FDA approvals in psychiatry (and beyond).      Psychopharmacology Institute. https://psychopharmacologyinstitute.com/publication/2024-in-review-new-fda-approvals-in-psychiatry-2901

21. AscellaHealth. (2024, January 11). In 2024, FDA approved innovative treatments for several      complex diseases. https://ascellahealth.com/in-the-news/in-2024-fda-approved-innovative-treatments-for-several-complex-diseases

Note: The source for citation [24] could not be      reliably determined or verified from the information provided in the      original document's reference list. The title suggested relates to      designing clinical trials based on genetic testing, potentially from the      Autism Science Foundation Day of Learning 2024, and the text mentions the      Manura tool. Users should verify and replace this note with a complete and      accurate APA citation if the original source can be identified.

22. Gans, S. (2023, September 25). The 8 best online resources for ADHD. Verywell      Mind. https://www.verywellmind.com/best-online-advice-for-adhd-6455751

Kids First Services. (n.d.). Social skills training for autism. First Insights      Blog. Retrieved April 1, 2025, from https://www.kidsfirstservices.com/first-insights/social-skills-training-for-autism

23. El-Fishawy, P., & State, M. W. (2021).      Gene therapies for monogenic autism spectrum disorders. Cold Spring Harbor Perspectives in Medicine, 11(12), a040019. https://doi.org/10.1101/cshperspect.a040019

24. Anderson, J. (2024, July 17). Trial cleared to start dosing pediatric patients with autism      due to SHANK3 haploinsufficiency. CGTLive®. https://www.cgtlive.com/view/trial-cleared-start-dosing-pediatric-patients-autism-shank3-haploinsufficiency

25. Jaguar Gene Therapy. (2024, July 17). Jaguar Gene Therapy to initiate inaugural pediatric clinical      trial targeting a genetic form of autism spectrum disorder and      Phelan-McDermid syndrome [Press release]. https://jaguargenetherapy.com/press-release/jaguar-gene-therapy-to-initiate-inaugural-pediatric-clinical-trial-targeting-a-genetic-form-of-autism-spectrum-disorder-and-phelan-mcdermid-syndrome/

26. Stanford University. (2018–present). Neural predictors of response to Pivotal Response Treatment      (PRT-P) (ClinicalTrials.gov Identifier: NCT03583684). U.S.      National Library of Medicine. Retrieved April 1, 2025, from https://clinicaltrials.gov/study/NCT03583684

27. Al-Shami, A. M., Aldhyani, T. H. H., Al-Yaari,      M., Abdulghafor, R., & Al-kamel, N. (2024). Leveraging AI for the      diagnosis and treatment of autism spectrum disorder: Current trends and      future prospects. Heliyon, 10(19), e39095. https://doi.org/10.1016/j.heliyon.2024.e39095

28. Alhagry, S., Alhakami, H., & Abidi, M. H.      R. (Eds.). (2024). Editorial: Improving autism spectrum disorder diagnosis      using machine learning techniques. Frontiers in      Neuroinformatics, 18, 1529839. https://doi.org/10.3389/fninf.2024.1529839

29. Alhaddad, M. J., Isa, S. M., Ali, N. S.,      Alyas, T., & Jamil, M. M. A. (2024). Using machine learning to      diagnose autism based on eye gaze movement and fixation patterns using      eye-tracking technology. Diagnostics, 15(1), 66. https://doi.org/10.3390/diagnostics15010066

30. Pérez-Vigil, A., Fernández-Caballero, A.,      Ledesma-Carbayo, M. J., Baca-García, E., & Carballo, J. J. (2024).      Artificial intelligence as a support to diagnose ADHD: An insight of      unorthodox approaches: A scoping review. Cognitive Neurodynamics.      Advance online publication. https://doi.org/10.1007/s11571-024-10138-x

31. Zawacki-Richter, O., Marín, V. I., Bond, M.,      & Gouverneur, F. (2022). AI for students with learning disabilities: A      systematic review. In M. Rodrigo, N. Oshima, A. Matsuda, & A. Ogan      (Eds.), Artificial Intelligence in Education. Posters and Late      Breaking Results, Workshops and Tutorials, Industry and Innovation Tracks,      Practitioners, Doctora1l Consortium and Blue Sky:      24th International Conference, AI2ED 2022, Durham, UK, July      27–31, 2022, Proceedings, Part II (pp. 209–214). Springer. https://doi.org/10.1007/978-3-031-11647-6_38

32. Zawacki-Richter, O., Marín, V. I., Bond, M.,      & Gouverneur, F. (2022). AI for students with learning disabilities: A      systematic review. In M. Rodrigo, N. Oshima, A. Matsuda, & A. Ogan      (Eds.), Artificial Intelligence in Education. Posters and Late      Breaking Results, Workshops and Tutorials, Industry and Innovation Tracks,      Practitioners, Doctora3l Consortium and Blue Sky:      24th International Conference, AI4ED 2022, Durham, UK, July      27–31, 2022, Proceedings, Part II (pp. 209–214). Springer. https://doi.org/10.1007/978-3-031-11647-6_38

33. Loughborough University. (2024, February 25). New AI tool could improve care planning for patients with      learning disabilities. News-Medical.net. https://www.news-medical.net/news/20240225/New-AI-tool-could-improve-care-planning-for-patients-with-learning-disabilities.aspx

34. Chen, J., Sun, Y., Zhang, Y., & Liu, Y.      (2024). Exploring the application of AI in the education of children with      autism: A public health perspective. Frontiers in Psychiatry,     15, 1521926. https://doi.org/10.3389/fpsyt.2024.1521926

35. Al Thani, D., Al Tamimi, A., O’Brien, E.,      & Khandoker, A. (2022). Wearable technology for      monitoring behavioral and physiological responses in children with autism      spectrum disorder: A literature review. ResearchGate. https://www.researchgate.net/publication/358792933_Wearable_technology_for_monitoring_behavioral_and_physiological_responses_in_children_with_autism_spectrum_disorder_A_literature_review

36. López-Nores, M., Blanco-Fernández, Y.,      Pazos-Arias, J. J., & Gil-Solla, A. (2024). A decade of apps for ADHD      management: A scoping review. Behaviour &      Information Technology. Advance online publication. https://doi.org/10.1080/0144929X.2024.2421225

37. National Institute of Mental Health. (n.d.). Science updates about autism spectrum disorder (ASD).      Retrieved April 1, 2025, from https://www.nimh.nih.gov/news/science-updates/autism-spectrum-disorder-asd

Learning Disabilities Association of America.      (n.d.). Support and resources for parents. Retrieved April      1, 2025, from https://ldaamerica.org/parents/

38. U.S. Food and Drug Administration. (2021, June      2). FDA authorizes marketing of diagnostic aid for autism      spectrum disorder [Press release]. https://www.fda.gov/news-events/press-announcements/fda-authorizes-marketing-diagnostic-aid-autism-spectrum-disorder

39. U.S. Food and Drug Administration.      (2019, April 19). FDA permits marketing of first medical device for      treatment of ADHD [Press release]. 5https://www.fda.gov/news-events/press-announcements/fda-permits-marketing-first-medical-device-treatment-adhd      (Note: The official FDA approval date is April 19,      2019, which differs from the 2020 date mentioned in the original      document's table/footnote for the Monarch eTNS system).

40. National Institute for Health and Care      Excellence. (2021). Autism spectrum disorder in adults: Diagnosis and      management (NICE 6Clinical Guideline CG142). https://www.nice.org.uk/guidance/cg142

41. College Board. (n.d.). Documentation guidelines: Learning disorders.      Accommodations. Retrieved April 1, 2025, from https://accommodations.collegeboard.org/request-accommodations/provide-documentation/by-disability/learning-disorders