← Archive
lm-002875 · 2026-08

ADHD 的連續配置空間：從亞臨床特徵到臨床診斷

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

ADHD 的連續配置空間：從亞臨床特徵到臨床診斷

英文題名： The Continuous Configuration Space of ADHD: From Subthreshold Traits to Clinical Diagnosis
系列： ADHD 動態配置與認知拓撲系列，第 8 篇
版本： v0.1
日期： 2026-08-17
作者： Neo.K（許筌崴）
協作： GPT-5.6 Sol
文件性質： 理論建模／認知科學命題／研究綱領
文獻檢索截點： 2026-08-17

0. 醫學、分類與證據邊界聲明

本文不是臨床研究、診斷工具、治療指南、流行病學研究或醫療建議。

本文提出的「連續配置空間」「診斷決策區域」「亞臨床配置」「局部聚類」「配置距離」「功能損害流形」等概念均屬待驗證理論命題，不代表已被醫學界確認的 ADHD 病理機制或正式診斷模型。

原作者並非醫學、精神醫學、神經科學、遺傳學或臨床心理專業研究者。本文不提供新的臨床、人體、遺傳、神經影像、流行病學或心理實驗數據；所有實證性背景均來自公開同行評審研究與正式分類資料。

本文不得被用於：

  • 自行診斷 ADHD；
  • 將「亞臨床特徵」直接等同正式 ADHD；
  • 將未達診斷標準者稱為「隱藏 ADHD」；
  • 以數學距離取代專業臨床判斷；
  • 推翻或修改既有個人醫療診斷。

本文最重要的邊界為：

ADHD-like traits≠clinical ADHD diagnosis.\boxed{ \text{ADHD-like traits} \neq \text{clinical ADHD diagnosis}. }

以及：

continuous liability≠absence of clinically useful categories.\boxed{ \text{continuous liability} \neq \text{absence of clinically useful categories}. }

一個疾病或症候群即使建立在連續風險與症狀分布上，臨床仍可以基於功能損害、持續性、跨情境性、發展史、鑑別診斷與治療需要建立有實用價值的類別判定。

核心限制：

dimensional ontology≠automatic diagnostic equivalence.\boxed{ \text{dimensional ontology} \neq \text{automatic diagnostic equivalence}. }

摘要

ADHD 長期同時具有兩種看似競爭的描述。臨床分類需要回答「是否符合 ADHD 診斷」，因此使用類別式決策；人口、遺傳、症狀與生活品質研究則反覆顯示，inattention、hyperactivity／impulsivity 與相關功能困難廣泛分布於一般人口中，且未必存在自然、陡峭的生物學或功能斷點。

2024 年 Arildskov 等人在 1,967 名一般人口學童中檢驗 ADHD traits 與 psychosocial quality of life 的關係，未發現高 trait 區域存在突然的 QoL 崩落門檻，結果更接近線性下降。2025 年 van der Laan 等人的大型 genome-wide association meta-analysis 整合 290,134 次 ADHD symptom measures、70,953 名獨立個體與 ADHD diagnosis GWAS，結論支持 clinical ADHD 位於由 ADHD symptoms 索引的 continuous liability 高端。2025 年 Knyspel 等人分析 10,454 名 21 歲雙生子，psychometric bifactor model 支持 ADHD symptoms 的 general dimension，同時保留 inattention 與 hyperactivity 的 secondary dimensions；遺傳層面又顯示這些維度不能簡化為單一完全同質因素。

然而，連續性並不排除局部結構。2026 年 Pan 等人的 JAMA Psychiatry 多中心兒童研究，在 normative morphometric similarity network deviations 上辨識出三個可外部驗證的 ADHD biotypes，並明確指出其結果同時提供 dimensional 與 categorical insights。2024 年 Nature Genetics 的 14,084 名已診斷 ADHD 個案研究亦顯示，不同共病與診斷歷程群體具有不同 polygenic profiles，支持 ADHD 內部存在遺傳異質性。

基於上述證據，本文提出「Continuous Configuration Space Hypothesis, CCSH」。令個體在時間 tt 的 ADHD-related configuration 為：

ci,t∈ΩC⊆Rd.\mathbf c_{i,t} \in \Omega_C \subseteq \mathbb R^d.

其中 ci,t\mathbf c_{i,t} 不代表診斷，而是由注意配置、抑制、工作記憶、喚醒、獎勵、情緒調節、切換、時間組織、情境敏感度等候選維度構成的中層狀態向量。

臨床診斷則表示為另一層決策算子：

Di,t=Γ(yi,t,Ii,t,Hi,Xi,t),\mathcal D_{i,t} = \Gamma \left( \mathbf y_{i,t}, I_{i,t}, H_i, X_{i,t} \right),

其中 y\mathbf y 為可觀察症狀， II 為功能損害， HH 為發展史， XX 為跨情境與鑑別診斷等臨床資訊。

因此：

c can be continuous while D is categorical.\boxed{ \mathbf c \text{ can be continuous while } \mathcal D \text{ is categorical}. }

本文定義「subthreshold／亞臨床」不是「其實已經有 ADHD」，而是：

Γ(⋅)=0\Gamma(\cdot)=0

的前提下，仍可能存在部分 ADHD-related traits 或功能困難。這些個體可能需要支持，但支持需要不等於 ADHD 診斷成立。

本文進一步提出：高維配置空間可以同時具有連續密度、局部聚類、不同功能損害曲面與任務依賴邊界；臨床 diagnosis 是在此空間之上建立的決策層，而不是自然界必然存在的一條單一歐氏幾何切線。

最終可證偽問題為：

Does a high-dimensional continuous-plus-cluster model predict impairment, course, and treatment-relevant outcomes better than either a pure binary model or a pure single-axis spectrum?\boxed{ \text{Does a high-dimensional continuous-plus-cluster model predict impairment, course, and treatment-relevant outcomes better than either a pure binary model or a pure single-axis spectrum?} }

關鍵詞： ADHD、dimensional model、categorical diagnosis、subthreshold、continuous liability、biotype、heterogeneity、functional impairment、polygenic risk、configuration space

1. 問題：ADHD 到底是「類別」還是「光譜」？

這個問題若只允許：

Category∨Dimension,\text{Category} \lor \text{Dimension},

本身可能就是錯誤二分。

因為我們其實至少在問三個不同問題。

第一：

症狀與風險在一般人口中如何分布？

第二：

生物、認知或行為資料中是否存在可重現的局部群集？

第三：

臨床上何時應建立一個可操作的診斷決策？

這三個問題可以得到不同答案。

因此：

population distribution≠latent clustering≠clinical classification.\boxed{ \text{population distribution} \neq \text{latent clustering} \neq \text{clinical classification}. }

2. 連續性與類別性可以同時成立

假設某個底層 liability：

z∈R.z \in \mathbb R.

它可以連續分布：

z∼p(z).z \sim p(z).

臨床卻仍可設定：

z>θz>\theta

作為某一決策規則的一部分。

因此：

z continuous⇏clinical categories meaningless.\boxed{ z\text{ continuous} \not\Rightarrow \text{clinical categories meaningless}. }

同樣：

diagnostic category useful⇏z naturally binary.\boxed{ \text{diagnostic category useful} \not\Rightarrow z\text{ naturally binary}. }

3. 2024 QoL 研究：沒有看到自然跳變點

Arildskov 等人研究：

N=1967N=1967

名 6–11 歲一般人口學童。

研究檢驗：

ADHD traits→psychosocial QoL\text{ADHD traits} \rightarrow \text{psychosocial QoL}

是否在高 trait 區突然出現明顯非線性下降。

結果沒有找到：

θnatural\theta_{\text{natural}}

式的明顯 QoL 跳變點。

較符合：

trait severity↑⇒QoL↓\text{trait severity}\uparrow \Rightarrow \text{QoL}\downarrow

的漸進關係。

因此：

functional burden may be dimensional.\boxed{ \text{functional burden may be dimensional}. }

但這不表示：

diagnostic threshold\text{diagnostic threshold}

毫無臨床功能。

4. 症狀門檻與損害門檻不是同一件事

早期 impairment research 已指出：

symptom severity\text{symptom severity}

與：

functional impairment\text{functional impairment}

彼此相關但不相同。

因此：

Ssymptom≠Iimpairment.\boxed{ S_{\text{symptom}} \neq I_{\text{impairment}}. }

一個人可以：

Ssymptom↑S_{\text{symptom}}\uparrow

但當下：

IimpairmentI_{\text{impairment}}

受到環境支架保護。

反過來也可能有：

SsymptomS_{\text{symptom}}

不極端，

但：

Iimpairment↑I_{\text{impairment}}\uparrow

因為任務與環境要求高度不匹配。

5. 成人 ADHD 的 impairment assessment 本身仍在發展

2024 年 Fuermaier 等人調查 92 名參與 ADHD clinical practice／research 的國際專業人士。

研究發現：

  • 成人 ADHD impairment measurement 使用工具高度多樣；
  • 部分工具的 psychometric properties 可能不足；
  • 臨床與研究者對現行實務存在不滿；
  • 仍需要更好的 impairment assessment。

因此：

impairment is clinically essential but not trivially measured.\boxed{ \text{impairment} \text{ is clinically essential but not trivially measured}. }

這使任何以單一 symptom cutoff 取代完整功能評估的理論都過度簡化。

6. 2025 Genetics：Clinical ADHD 位於 Continuous Liability 高端

2025 年 van der Laan 等人進行大型 GWAS meta-analysis。

其 symptom data 包含：

290,134290,134

次 ADHD symptom measurements，

來自：

70,95370,953

名獨立個體，

涵蓋多個：

  • raters；
  • ages；
  • instruments。

研究再與 ADHD diagnosis GWAS 整合。

其整體結果支持：

clinical ADHD lies toward the extreme of a continuous liability indexed by ADHD symptoms.\boxed{ \text{clinical ADHD lies toward the extreme of a continuous liability indexed by ADHD symptoms}. }

這是一個重要的遺傳層支持。

但：

genetic continuity\text{genetic continuity}

不表示：

one-gene-one-axis model.\text{one-gene-one-axis model}.

7. Polygenic 不等於單維

若疾病風險來自許多 genetic variants：

G=∑k=1mwkgk,G = \sum_{k=1}^{m} w_k g_k,

也不能推出：

phenotype=f(G)\text{phenotype} = f(G)

只有一個維度。

因為：

  • 不同 genes 可能作用於不同 pathways；
  • gene–environment interaction 存在；
  • pleiotropy 存在；
  • developmental stage 不同；
  • co-occurring conditions 不同。

所以：

continuous genetic liability≠unidimensional phenotype.\boxed{ \text{continuous genetic liability} \neq \text{unidimensional phenotype}. }

8. 2025 Twin Study：General Dimension 與 Secondary Dimensions 共存

Knyspel、Morneau-Vaillancourt 與 Eley 分析：

N=10,454N=10,454

名 21 歲雙生子。

psychometric bifactor model 支持：

GADHDG_{\text{ADHD}}

這個 general symptom dimension，

同時保留：

Iinattention,I_{\text{inattention}}, HhyperactivityH_{\text{hyperactivity}}

等 secondary dimensions。

因此：

general ADHD dimension+meaningful subdimensions\boxed{ \text{general ADHD dimension} + \text{meaningful subdimensions} }

比單一 scalar 更合理。

遺傳與環境分解也沒有支持「所有 ADHD symptoms 共享一個完全同質遺傳因素」的簡單模型。

9. 從一維光譜升級為高維空間

本文因此不採：

x∈Rx \in \mathbb R

作為完整 ADHD representation。

而採：

c=(c1,c2,…,cd)∈ΩC⊆Rd.\boxed{ \mathbf c = (c_1,c_2,\ldots,c_d) \in \Omega_C \subseteq \mathbb R^d. }

候選維度可包含：

c=(A,I,WM,R,N,S,E,T,X,Ccontext,…).\mathbf c = ( A, I, WM, R, N, S, E, T, X, C_{\text{context}}, \ldots ).

例如：

  • attention allocation；
  • inhibitory control；
  • working memory；
  • reward sensitivity；
  • novelty sensitivity；
  • arousal regulation；
  • emotion regulation；
  • temporal organization；
  • switching／executive control；
  • context sensitivity。

這些不是正式臨床維度，只是中層候選坐標。

10. 配置空間不是診斷空間

本文定義：

ΩC=configuration space.\Omega_C = \text{configuration space}.

臨床觀察空間則為：

ΩY=observable symptom／impairment space.\Omega_Y = \text{observable symptom／impairment space}.

兩者間存在 mapping：

F:ΩC×ΩE→ΩY.F: \Omega_C \times \Omega_E \rightarrow \Omega_Y.

其中：

ΩE\Omega_E

包含 task、environment、development、support。

因此：

c≠y.\boxed{ \mathbf c \neq \mathbf y. }

11. Clinical Diagnosis 是另一層算子

定義臨床判定：

D=Γ(y,I,H,X).\mathcal D = \Gamma \left( \mathbf y, I, H, X \right).

其中：

  • y\mathbf y：症狀與行為表型；
  • II：功能損害；
  • HH：發展史；
  • XX：跨情境性、鑑別診斷與其他臨床資訊。

輸出：

D∈{0,1}.\mathcal D \in \{0,1\}.

這裡的二元值只是抽象化「未符合／符合診斷」決策。

它不是對 DSM 或 ICD 的重建，也不是臨床計分器。

12. Continuous Input 可以產生 Categorical Output

即使：

y\mathbf y

與：

II

是連續的，

Γ\Gamma

仍可產生：

00

或：

1.1.

因此：

continuous phenotype→categorical clinical decision\boxed{ \text{continuous phenotype} \rightarrow \text{categorical clinical decision} }

在數學上完全自然。

13. Clinical Threshold 是 Decision Threshold，不必是 Natural Cliff

若：

r(y,I,H,X)r(\mathbf y,I,H,X)

為某種抽象 clinical-evidence score，

可概念化：

Γ=I[r≥θD].\Gamma = \mathbb I \left[ r\geq\theta_D \right].

這不表示：

θD\theta_D

在自然界中必然對應一個：

biological discontinuity.\text{biological discontinuity}.

其功能可以是：

  • 提高診斷一致性；
  • 決定醫療服務入口；
  • 支持風險／效益判斷；
  • 建立可溝通類別。

14. 診斷類別可以有效，即使邊界不是自然斷崖

很多實際系統都使用 decision threshold。

例如：

continuous measurement→action category.\text{continuous measurement} \rightarrow \text{action category}.

因此：

operational threshold≠ontological cliff.\boxed{ \text{operational threshold} \neq \text{ontological cliff}. }

這是本文對 category–dimension 爭論最重要的修正。

15. Subthreshold 的最小定義

本文使用：

subthreshold\text{subthreshold}

只表示：

存在部分 ADHD-related traits／difficulties，但目前不符合完整正式 ADHD 診斷要求。

抽象表示：

Γ(⋅)=0\Gamma(\cdot)=0

但：

∥yADHD-related∥>0.\|\mathbf y_{\text{ADHD-related}}\|>0.

因此：

subthreshold≠undiagnosed clinical ADHD by definition.\boxed{ \text{subthreshold} \neq \text{undiagnosed clinical ADHD by definition}. }

16. Subthreshold 也可能有真正功能困難

可以存在：

Γ=0,\Gamma=0,

但：

I>0.I>0.

此時：

support need≠diagnostic status.\boxed{ \text{support need} \neq \text{diagnostic status}. }

一個人可能需要：

  • organization support；
  • sleep intervention；
  • educational accommodation；
  • environmental restructuring；
  • psychological treatment for another condition；

而不代表 ADHD diagnosis 必然成立。

17. 2025 Subthreshold Review 的啟示與限制

2025 年 Ogundele 等人的 narrative review 討論 subthreshold autism／ADHD。

作者主張，若未達正式 NDD criteria，但存在顯著、持續的 impairment，可以考慮記錄 subthreshold condition。

這是一項臨床討論與作者建議。

它不是：

DSM／ICD 已新增正式 subthreshold ADHD diagnosis.\boxed{ \text{DSM／ICD 已新增正式 subthreshold ADHD diagnosis}. }

因此本文只採用：

clinically relevant below-threshold difficulties\text{clinically relevant below-threshold difficulties}

這個較弱概念。

18. 不要把「接近診斷區」叫做「其實已經有」

若個體：

ci\mathbf c_i

與某臨床群體平均 configuration：

μADHD\boldsymbol\mu_{\text{ADHD}}

很接近，

也不能推出：

Di=1.\mathcal D_i=1.

所以：

d(ci,μADHD)↓⇏ADHD diagnosis.\boxed{ d \left( \mathbf c_i, \boldsymbol\mu_{\text{ADHD}} \right) \downarrow \not\Rightarrow \text{ADHD diagnosis}. }

19. Configuration Distance

若有標準化 configuration coordinates，可定義：

dC(ci,cj).d_C \left( \mathbf c_i,\mathbf c_j \right).

例如 Mahalanobis distance：

dM=(ci−μ)⊤Σ−1(ci−μ).d_M = \sqrt{ (\mathbf c_i-\boldsymbol\mu)^{\top} \Sigma^{-1} (\mathbf c_i-\boldsymbol\mu) }.

但：

dMd_M

只能表示多維統計距離。

它不是：

diagnostic probability.\text{diagnostic probability}.

20. 相似配置可以有不同診斷結果

若：

ci≈cj,\mathbf c_i \approx \mathbf c_j,

但：

Ii≠Ij,I_i\neq I_j,

或：

Hi≠Hj,H_i\neq H_j,

或：

Xi≠Xj,X_i\neq X_j,

可以：

Γi≠Γj.\Gamma_i\neq\Gamma_j.

因此：

configuration similarity≠clinical equivalence.\boxed{ \text{configuration similarity} \neq \text{clinical equivalence}. }

21. 不同配置也可以產生相似表型

反過來：

ci≠cj\mathbf c_i \neq \mathbf c_j

可能仍有：

yi≈yj.\mathbf y_i \approx \mathbf y_j.

例如 attention failure 可以來自：

  • arousal instability；
  • distractor competition；
  • working-memory failure；
  • sleep-like lapse；
  • high switching；
  • motivational mismatch。

因此：

same phenotype←multiple configurations.\boxed{ \text{same phenotype} \leftarrow \text{multiple configurations}. }

22. Many-to-One Mapping

形式上：

F:ΩC→ΩYF: \Omega_C \rightarrow \Omega_Y

可能是 many-to-one。

即：

F(c1)=F(c2)F(\mathbf c_1) = F(\mathbf c_2)

而：

c1≠c2.\mathbf c_1\neq\mathbf c_2.

這是 ADHD heterogeneity 的一個自然數學表示。

23. One-to-Many Across Contexts

同一配置：

c\mathbf c

在不同環境：

e1,e2e_1,e_2

可產生：

F(c,e1)≠F(c,e2).F(\mathbf c,e_1) \neq F(\mathbf c,e_2).

因此：

same person+different context→different phenotype.\boxed{ \text{same person} + \text{different context} \rightarrow \text{different phenotype}. }

這與前七篇的 dynamic-configuration model 相容。

24. 密度，而不是天然牆壁

令一般人口 configuration density：

ρ(c).\rho(\mathbf c).

ADHD-related diagnosed sample density：

ρD(c).\rho_D(\mathbf c).

可能：

ρD\rho_D

在某些空間區域較高，

但未必存在：

∂ΩD\partial\Omega_D

這種完全沒有重疊的天然硬牆。

因此：

density enrichment≠perfect separability.\boxed{ \text{density enrichment} \neq \text{perfect separability}. }

25. Local Clusters 可以存在於 Continuous Space

假設：

ρ(c)\rho(\mathbf c)

具有多個局部峰：

μ1,μ2,…,μK.\boldsymbol\mu_1, \boldsymbol\mu_2,\ldots,\boldsymbol\mu_K.

則：

continuum+clusters\boxed{ \text{continuum} + \text{clusters} }

可以同時成立。

這就是 2026 JAMA Psychiatry biotype study 對本篇最重要的啟示。

26. 2026 Biotypes：不是「三種真正 ADHD」的最終答案

Pan 等人在 pediatric datasets 中使用 normative modeling 與 semisupervised clustering。

discovery cohort：

446446

名 ADHD 兒童與：

708708

名 controls。

external validation cohort 包含：

554554

名 ADHD cases。

得到三個 biotypes：

  1. severe-combined＋emotional dysregulation；
  2. predominantly hyperactive／impulsive；
  3. predominantly inattentive。

研究結論明確稱其提供：

dimensional and categorical insights.\boxed{ \text{dimensional and categorical insights}. }

但本文不把三個 biotypes 視為正式新診斷。

27. Biotype 不等於 Clinical Subtype

目前影像 biotype：

BkneuroB_k^{\text{neuro}}

與臨床 subtype：

BkclinicalB_k^{\text{clinical}}

不能直接等同。

因此：

data-driven biotype≠validated clinical diagnostic type.\boxed{ \text{data-driven biotype} \neq \text{validated clinical diagnostic type}. }

仍需：

  • replication；
  • individual-level reliability；
  • treatment prediction；
  • longitudinal stability；
  • cost-benefit evaluation。

28. Normative Modeling 的重要觀念

Pan 等人的方法先建立：

normative distribution\text{normative distribution}

再計算個體 deviation：

zi=xi−μnormσnorm.z_i = \frac{ x_i-\mu_{\text{norm}} }{ \sigma_{\text{norm}} }.

這比單純：

ADHD mean−control mean\text{ADHD mean} - \text{control mean}

更接近個體化。

因此本篇引入：

individual deviation profile.\boxed{ \text{individual deviation profile}. }

29. 配置偏差向量

定義：

zi=(zi1,zi2,…,zid).\mathbf z_i = \left( z_{i1}, z_{i2}, \ldots,z_{id} \right).

每一維是相對 reference population 的 deviation。

但：

zi\mathbf z_i

不代表 pathology map。

它只是：

relative position.\text{relative position}.

30. 正常範圍本身不是單一點

reference population 不是：

c=0.\mathbf c=\mathbf0.

而是分布：

pref(c).p_{\text{ref}}(\mathbf c).

所以：

normal variation≠zero variation.\boxed{ \text{normal variation} \neq \text{zero variation}. }

31. 診斷不能由「偏離平均」直接得到

一個人可能：

∣zk∣≫0|z_k|\gg0

但沒有 impairment。

另一人：

∣zk∣|z_k|

不極端，

卻在特定生活需求下有嚴重功能困難。

因此：

statistical atypicality≠clinical disorder.\boxed{ \text{statistical atypicality} \neq \text{clinical disorder}. }

32. 遺傳異質性支持「一個 ADHD 裡有很多路徑」

2024 Nature Genetics 對：

14,08414,084

名 diagnosed ADHD individuals 進行 case-only genetic heterogeneity research。

研究顯示不同 ADHD-adjacent profiles，例如：

  • ADHD＋ASD；
  • ADHD＋substance use disorder；
  • adulthood-first-diagnosed ADHD；

具有可區分的 polygenic score patterns。

因此：

same diagnostic label≠same polygenic profile.\boxed{ \text{same diagnostic label} \neq \text{same polygenic profile}. }

33. 遺傳異質性不等於可以基因診斷個人

即使群體層：

PGSA≠PGSB,PGS_A\neq PGS_B,

也不能推出：

individual diagnosis=f(PGS).\text{individual diagnosis} = f(PGS).

現階段：

polygenic association≠clinical diagnostic test.\boxed{ \text{polygenic association} \neq \text{clinical diagnostic test}. }

34. 高維配置空間的多尺度結構

本文將 ADHD-related space 暫分四層：

34.1 Trait Layer

ΩT.\Omega_T.

連續 symptoms／traits。

34.2 Cognitive Configuration Layer

ΩC.\Omega_C.

認知與狀態維度。

34.3 Functional Layer

ΩI.\Omega_I.

日常功能損害。

34.4 Clinical Decision Layer

ΩD.\Omega_D.

正式診斷與醫療決策。

因此：

ΩT≠ΩC≠ΩI≠ΩD.\boxed{ \Omega_T \neq \Omega_C \neq \Omega_I \neq \Omega_D. }

35. 不能用一條 Axis 代替四層

錯誤模型：

x=ADHD amount.x = \text{ADHD amount}.

更合理：

X=(t,c,i,h,e).\mathbf X = \left( \mathbf t, \mathbf c, \mathbf i, \mathbf h, \mathbf e \right).

其中：

  • t\mathbf t：traits；
  • c\mathbf c：cognitive configuration；
  • i\mathbf i：impairment profile；
  • h\mathbf h：developmental history；
  • e\mathbf e：environment／context。

36. Functional Impairment 是向量

成人功能至少可以包含：

i=(Iacademic,Iwork,Ifinancial,Irelationship,Idaily,Isafety).\mathbf i = \left( I_{\text{academic}}, I_{\text{work}}, I_{\text{financial}}, I_{\text{relationship}}, I_{\text{daily}}, I_{\text{safety}} \right).

因此：

II

不必只有一個總分。

37. 不同人可以在不同功能域跨門檻

例如：

Iwork>θ,I_{\text{work}}>\theta,

但：

Irelationship<θ.I_{\text{relationship}}<\theta.

另一人相反。

所以：

functional impairment=profile,\boxed{ \text{functional impairment} = \text{profile}, }

而不是純 scalar。

38. Impairment Surface

給定 configuration：

c\mathbf c

與 context：

e,\mathbf e,

定義：

I=Φ(c,e).I = \Phi \left( \mathbf c,\mathbf e \right).

這形成：

impairment surface.\boxed{ \text{impairment surface}. }

同一 configuration 在不同 context 對應不同高度。

39. Clinical Region 不是單純球體

若將 formal diagnosis region 抽象表示為：

RD⊂ΩT×ΩI×ΩH,\mathcal R_D \subset \Omega_T \times \Omega_I \times \Omega_H,

它不應被想像成：

∥c−μ∥<r\|\mathbf c-\boldsymbol\mu\|<r

的簡單球體。

臨床規則通常包含：

  • symptom pattern；
  • impairment；
  • duration；
  • developmental onset；
  • cross-setting evidence；
  • differential diagnosis。

所以：

RD is a decision region, not a Euclidean cluster.\boxed{ \mathcal R_D \text{ is a decision region, not a Euclidean cluster}. }

40. Subthreshold Region

可概念化：

Rsub={x:Γ(x)=0∧∥yADHD-related∥>0}.\mathcal R_{\text{sub}} = \left\{ x: \Gamma(x)=0 \land \|\mathbf y_{\text{ADHD-related}}\|>0 \right\}.

但：

Rsub\mathcal R_{\text{sub}}

內部同樣高度異質。

可能包括：

  • transient traits；
  • mild persistent traits；
  • impairment from another condition；
  • compensated profiles；
  • developmental variation；
  • measurement noise。

因此：

subthreshold≠one latent disorder.\boxed{ \text{subthreshold} \neq \text{one latent disorder}. }

41. Near-Threshold Instability

若某人：

r≈θD,r\approx\theta_D,

小幅 measurement／context change 可造成：

Γt=0\Gamma_t=0

與：

Γt+1=1.\Gamma_{t+1}=1.

這不必表示：

biology suddenly changed.\text{biology suddenly changed}.

而可能只是：

classification near a decision boundary is sensitive to context and measurement.\boxed{ \text{classification near a decision boundary is sensitive to context and measurement}. }

42. 診斷變化不等於身份翻轉

一個人某時：

Γt=1\Gamma_t=1

後來：

Γt+1=0\Gamma_{t+1}=0

可能反映：

  • symptom remission；
  • developmental change；
  • treatment；
  • context；
  • measurement；
  • criterion differences。

因此：

diagnostic status over time≠immutable cognitive identity.\boxed{ \text{diagnostic status over time} \neq \text{immutable cognitive identity}. }

43. Adult Review 的重要提醒：即使不再符合診斷，困難仍可能存在

2025 World Psychiatry 成人 ADHD 綜述指出，部分 childhood-onset ADHD individuals 到成年後可能仍有 impairing symptoms，即使不再滿足完整 formal diagnostic criteria。

這再次支持：

diagnostic threshold crossing≠all-or-none disappearance of traits.\boxed{ \text{diagnostic threshold crossing} \neq \text{all-or-none disappearance of traits}. }

44. Persistent Trait Without Diagnosis

可能：

Γt=0,\Gamma_t=0,

但：

yt≠0.\mathbf y_t\neq\mathbf0.

這並不矛盾。

類別判定變化可以與連續 trait persistence 同時存在。

45. Transdiagnostic Overlap

ADHD-related dimensions 與：

  • autism；
  • anxiety；
  • depression；
  • sleep disorders；
  • learning disorders；
  • substance-related conditions；

可能共享部分：

ΩC\Omega_C

區域。

因此：

shared dimension≠same disorder.\boxed{ \text{shared dimension} \neq \text{same disorder}. }

46. 診斷仍需要 Differential Information

若兩種 disorder：

D1,D2D_1, D_2

在某些 configuration 維度重疊，

則需要：

XX

中的其他 evidence 進行區分。

所以高維 dimensional model 不是：

diagnosis-free model.\text{diagnosis-free model}.

反而更需要嚴格 differential diagnosis。

47. Pure Spectrum Model 也會失敗

若只寫：

everyone is a little ADHD,\text{everyone is a little ADHD},

會產生嚴重概念錯誤。

因為：

trait presence\text{trait presence}

與：

persistent clinically significant disorder\text{persistent clinically significant disorder}

不是同一件事。

因此本文明確拒絕：

everyone is on the ADHD spectrum⇒everyone has ADHD.\boxed{ \text{everyone is on the ADHD spectrum} \Rightarrow \text{everyone has ADHD}. }

48. Pure Binary Model 也會失敗

反過來若只寫：

ADHD∈{0,1}ADHD\in\{0,1\}

並假設兩群所有底層特徵完全分離，

也無法容納：

  • symptom continuum；
  • subthreshold impairment；
  • remission；
  • context dependence；
  • genetic continuity；
  • within-diagnosis heterogeneity。

所以：

binary decision≠binary ontology.\boxed{ \text{binary decision} \neq \text{binary ontology}. }

49. Continuous-Plus-Cluster Model

本文提出：

ΩC=continuous space with possible local density structure.\boxed{ \Omega_C = \text{continuous space with possible local density structure}. }

概念上可以用 mixture density：

p(c)=∑k=1Kπkpk(c).p(\mathbf c) = \sum_{k=1}^{K} \pi_k p_k(\mathbf c).

但：

KK

不預設為 3。

2026 biotype study 找到 3 群，不代表自然界永遠只有 3 群。

50. Cluster Stability

若存在 cluster：

Ck,C_k,

需要檢驗：

Stability⁡(Ck)\operatorname{Stability}(C_k)

跨：

  • cohort；
  • age；
  • culture；
  • sex；
  • medication；
  • scanner／instrument；
  • time。

如果 cluster 不穩定，就不能臨床本體化。

51. Cluster Membership 也可以是機率

不必：

x∈C1x\in C_1

或：

x∈C2.x\in C_2.

可以：

P(Ck∣x).P(C_k\mid x).

因此：

fuzzy membership\boxed{ \text{fuzzy membership} }

可能比硬分類更符合異質資料。

52. Category、Dimension 與 Cluster 的三層統一

本文最終統一：

Dimension→describes variation\boxed{ \text{Dimension} \rightarrow \text{describes variation} } Cluster→describes local structure\boxed{ \text{Cluster} \rightarrow \text{describes local structure} } Category→supports decisions\boxed{ \text{Category} \rightarrow \text{supports decisions} }

三者不是競爭對手。

53. Clinical Diagnosis 的價值不依賴於「自然斷點」

診斷可以提供：

  • treatment access；
  • communication；
  • prognosis；
  • support eligibility；
  • research inclusion；
  • risk management。

所以：

clinical usefulness≠proof of natural-kind discreteness.\boxed{ \text{clinical usefulness} \neq \text{proof of natural-kind discreteness}. }

54. 反過來，Dimension 也不能自行決定 Treatment

知道：

ci\mathbf c_i

位於某個連續位置，

並不能直接推出：

treatmenti.\text{treatment}_i.

治療還取決於：

  • impairment；
  • preference；
  • comorbidity；
  • risk；
  • evidence base；
  • contraindications；
  • goals。

所以：

dimensional description≠clinical prescription.\boxed{ \text{dimensional description} \neq \text{clinical prescription}. }

55. CCSH 十二項核心命題

CC-H1：連續性命題

至少部分 ADHD-related traits：

TkT_k

在一般人口中近似連續分布。

CC-H2：診斷非等同性命題

Tk>0⇏D=1.T_k>0 \not\Rightarrow \mathcal D=1.

CC-H3：症狀—損害分離命題

Ssymptom≠Iimpairment.S_{\text{symptom}} \neq I_{\text{impairment}}.

CC-H4：高維命題

ADHD-related variation 不能被單一 scalar 完整表示。

CC-H5：Continuous-Plus-Cluster 命題

continuous variation+local clustering\text{continuous variation} + \text{local clustering}

可以同時存在。

CC-H6：Many-to-One 命題

不同 configurations 可產生相似 phenotype。

CC-H7：Contextual One-to-Many 命題

同一 configuration 在不同 context 可產生不同 phenotype。

CC-H8：Subthreshold Non-Identity 命題

subthreshold traits≠hidden clinical ADHD by definition.\text{subthreshold traits} \neq \text{hidden clinical ADHD by definition}.

CC-H9：Decision-Boundary 命題

正式診斷 boundary 可以具有臨床效用，而不要求 underlying natural cliff。

CC-H10：Fuzzy-Biotype 命題

biotype membership 若存在，可能是 probabilistic 而非硬分割。

CC-H11：Transdiagnostic Overlap 命題

部分 cognitive dimensions 可以跨診斷共享，但共享不取消 differential diagnosis。

CC-H12：增量價值命題

若高維 continuous-plus-cluster model 在控制 symptom score 與現行 diagnosis 後，不能提高 impairment／course／treatment-outcome prediction：

ΔR2≈0,\Delta R^2\approx0,

則 CCSH 應被簡化。

56. 實驗一：Population Density Mapping

在大型一般人口樣本測：

ci.\mathbf c_i.

估計：

p(c).p(\mathbf c).

檢查：

  • unimodal；
  • multimodal；
  • heavy-tail；
  • manifold；
  • local clusters。

不預先切 ADHD／control。

57. 實驗二：Symptom–Impairment Surface

同時測：

yi\mathbf y_i

與：

ii.\mathbf i_i.

建模：

i=F(y,e).\mathbf i = F(\mathbf y,\mathbf e).

檢驗：

∂I∂S\frac{ \partial I }{ \partial S }

是否在高 symptom 區突然改變。

58. 實驗三：Threshold Robustness

對同一 dataset 改變：

θD.\theta_D.

觀察：

  • classification stability；
  • impairment prediction；
  • treatment response；
  • false positive／negative trade-off。

如果小幅 threshold change 造成 outcome validity 崩潰，現行 boundary 需要更多研究。

59. 實驗四：Normative Configuration Modeling

建立：

pref(c∣age,sex,…).p_{\text{ref}}(\mathbf c\mid age,sex,\ldots).

計算 individual deviation：

zi.\mathbf z_i.

再測：

zi→Ii.\mathbf z_i \rightarrow I_i.

不直接用 z\mathbf z 做 diagnosis。

60. 實驗五：Cluster Replication

在 discovery cohort 建：

C1,…,CK.C_1,\ldots,C_K.

在 external cohort 檢驗：

ARI⁡,\operatorname{ARI}, NMI⁡,\operatorname{NMI}, stability⁡.\operatorname{stability}.

若 cluster 不可外部重現，不應稱 biotype。

61. 實驗六：Longitudinal Boundary Crossing

追蹤：

ct,yt,It,Γt.\mathbf c_t, \mathbf y_t,I_t,\Gamma_t.

檢查：

Γt:0→1\Gamma_t: 0\rightarrow1

時，底層 configuration 是否真的出現非連續改變。

若沒有：

diagnostic transition≠configuration phase transition.\boxed{ \text{diagnostic transition} \neq \text{configuration phase transition}. }

62. 實驗七：Subthreshold Outcome Study

建立：

  1. low-trait controls；
  2. subthreshold traits without impairment；
  3. subthreshold traits with impairment；
  4. clinical ADHD。

比較：

  • course；
  • function；
  • help-seeking；
  • comorbidity；
  • intervention needs。

這可以真正回答：

subthreshold\text{subthreshold}

是否具有獨立臨床意義。

63. 實驗八：Cross-Diagnostic Configuration Mapping

同時納入：

  • ADHD；
  • autism；
  • anxiety；
  • depression；
  • sleep disorders；
  • controls。

建立：

ΩC.\Omega_C.

檢驗：

shared dimensions\text{shared dimensions}

與：

diagnosis-specific combinations.\text{diagnosis-specific combinations}.

64. 實驗九：Treatment-Outcome Geometry

測：

P(Rtreat∣c).P \left( R_{\text{treat}} \mid \mathbf c \right).

若 configuration space 能預測 treatment response，而 diagnosis alone 不能，才具有 precision-medicine 潛力。

在此之前：

configuration model≠treatment selector.\boxed{ \text{configuration model} \neq \text{treatment selector}. }

65. 模型失敗條件

CCSH 應被削弱，如果：

  1. ADHD-related trait distributions 反覆呈現清晰自然雙峰；
  2. symptom–impairment relation 在獨立樣本中存在穩定自然斷點；
  3. 單一 scalar model 已足以解釋 cognition、impairment 與 course；
  4. clusters 無法外部重現；
  5. high-dimensional model 嚴重 overfit；
  6. subthreshold group 與 low-trait controls 在所有 clinically relevant outcomes 都無差異；
  7. configuration variables 無法提高 treatment／course prediction；
  8. dimensional measurements 無法跨文化或跨年齡穩定操作化。

若：

PCCSH,out≤Pbinary,out,P_{\text{CCSH,out}} \leq P_{\text{binary,out}},

且：

PCCSH,out≤Psingle-axis,out,P_{\text{CCSH,out}} \leq P_{\text{single-axis,out}},

則高維模型沒有保留必要。

66. 最重要反例一：Formal ADHD Diagnosis 仍有 Validity

2024 Nature Reviews Disease Primers 等現代綜述仍強調：

standard diagnostic criteria can identify a reliable and clinically meaningful ADHD syndrome.\boxed{ \text{standard diagnostic criteria can identify a reliable and clinically meaningful ADHD syndrome}. }

所以本文不是：

ADHD diagnosis is arbitrary and meaningless.\text{ADHD diagnosis is arbitrary and meaningless}.

更精確：

the underlying liability may be continuous while the diagnostic construct remains clinically valid.\boxed{ \text{the underlying liability may be continuous while the diagnostic construct remains clinically valid}. }

67. 最重要反例二：不是所有 Continuum 都必須是一維

2025 adult twin data 正好顯示：

general dimension+secondary dimensions.\text{general dimension} + \text{secondary dimensions}.

因此本文拒絕：

ADHD spectrum=one straight line.\boxed{ \text{ADHD spectrum} = \text{one straight line}. }

68. 最重要反例三：Biotype Evidence 不等於終結 Spectrum

2026 JAMA study 的 clustering 建立在：

normative dimensional deviations\text{normative dimensional deviations}

之上。

所以其方法本身說明：

clusters can emerge inside a dimensional framework.\boxed{ \text{clusters can emerge inside a dimensional framework}. }

這不是 category 對 dimension 的勝利。

69. 最重要反例四：Subthreshold 不是偷渡診斷

即使：

I>0I>0

且：

Γ=0,\Gamma=0,

也不能由本文推出：

Γ 應改成 1.\Gamma\text{ 應改成 }1.

臨床可能需要：

  • 重新評估；
  • 其他診斷；
  • 非診斷型支持；
  • 追蹤；
  • 環境調整。

所以：

need for help≠need for a specific diagnosis.\boxed{ \text{need for help} \neq \text{need for a specific diagnosis}. }

70. 與前七篇整合

第 1 篇提出：

Ct=dynamic configuration.\mathbf C_t = \text{dynamic configuration}.

第 2–6 篇逐層展開：

Nt,Zt,Πt,Xt,Gt,Qt,P^t,Pt.\mathbf N_t, \mathbf Z_t, \Pi_t, \mathbf X_t, \mathcal G_t, Q_t, \widehat P_t, P_t.

第 7 篇加入生命史：

Dt,St,Kt,Vt.D_t,S_t,K_t,V_t.

本篇現在把所有個體狀態嵌入：

ΩC⊆Rd.\boxed{ \Omega_C \subseteq \mathbb R^d. }

並將臨床 diagnosis 明確放在另一層：

D=Γ(y,I,H,X).\boxed{ \mathcal D = \Gamma \left( \mathbf y, I, H, X \right). }

因此整套理論第一次明確區分：

ontology of variation\boxed{ \text{ontology of variation} }

與：

clinical decision rule.\boxed{ \text{clinical decision rule}. }

71. 系列目前的統一表示

底層狀態：

ci,t∈ΩC.\mathbf c_{i,t} \in \Omega_C.

環境耦合：

yi,t=F(ci,t,ei,t).\mathbf y_{i,t} = F \left( \mathbf c_{i,t}, \mathbf e_{i,t} \right).

功能損害：

ii,t=Φ(ci,t,ei,t,di,t).\mathbf i_{i,t} = \Phi \left( \mathbf c_{i,t}, \mathbf e_{i,t}, \mathbf d_{i,t} \right).

臨床判定：

Di,t=Γ(yi,t,ii,t,Hi,Xi,t).\boxed{ \mathcal D_{i,t} = \Gamma \left( \mathbf y_{i,t}, \mathbf i_{i,t}, H_i, X_{i,t} \right). }

所以：

c continuous∧D categorical\boxed{ \mathbf c \text{ continuous} \quad\land\quad \mathcal D \text{ categorical} }

完全可以同時成立。

72. 本文不主張的內容

本文不主張：

  1. ADHD diagnosis 沒有意義；
  2. ADHD 不是疾病／障礙；
  3. 診斷 threshold 可以任意取消；
  4. everyone has ADHD；
  5. every ADHD-like trait is pathological；
  6. subthreshold 等於 hidden ADHD；
  7. near-threshold 等於一定應被診斷；
  8. functional impairment 可以忽略；
  9. genetics 已證明 ADHD 只有單一 continuum；
  10. 2026 biotypes 是 ADHD 最終三分類；
  11. brain imaging 已可進行個人 ADHD diagnosis；
  12. polygenic scores 已可用於個人 diagnosis；
  13. high-dimensional configuration 可取代 DSM／ICD；
  14. 診斷 category 與 dimension 必須二選一；
  15. shared transdiagnostic traits 代表不同 disorders 都是一樣；
  16. statistical atypicality 等於 clinical disorder；
  17. clinical diagnosis 等於固定終身身份；
  18. 本模型可用來替任何人判斷「接近 ADHD 幾成」。

73. 結論

「ADHD 是類別還是光譜？」若被理解成二選一，已經不足以描述現有證據。

較完整的模型是：

continuous high-dimensional variation+possible local clusters+categorical clinical decisions.\boxed{ \text{continuous high-dimensional variation} + \text{possible local clusters} + \text{categorical clinical decisions}. }

2024–2025 的 population、QoL、twin 與 GWAS evidence 支持 ADHD-related symptoms 與 liability 的連續性；2026 的 biotype research 又顯示連續 normative deviations 中可以出現可重現局部結構。

因此 clinical ADHD 可以被概念化為：

a clinically meaningful decision region constructed over continuous and heterogeneous variation,\boxed{ \text{a clinically meaningful decision region constructed over continuous and heterogeneous variation}, }

而不是：

a point where human cognition suddenly changes species.\text{a point where human cognition suddenly changes species}.

但這個說法不削弱 diagnosis。

它反而要求更加精確地區分：

trait,\text{trait}, configuration,\text{configuration}, impairment,\text{impairment}, developmental history,\text{developmental history}, diagnosis.\text{diagnosis}.

尤其：

subthreshold traits≠clinical ADHD.\boxed{ \text{subthreshold traits} \neq \text{clinical ADHD}. }

一個人可以具有 ADHD-related traits 而不符合 ADHD；也可以在未達 ADHD 診斷時具有真正需要處理的功能困難。

本文最終提出：

ΩC=continuous configuration space,\boxed{ \Omega_C = \text{continuous configuration space}, } ρ(c)=population density with possible local structure,\boxed{ \rho(\mathbf c) = \text{population density with possible local structure}, }

以及：

D=Γ(symptoms,impairment,history,context,differential evidence).\boxed{ \mathcal D = \Gamma \left( \text{symptoms}, \text{impairment}, \text{history}, \text{context}, \text{differential evidence} \right). }

最終可證偽問題是：

Does a high-dimensional continuous-plus-cluster model predict impairment, course, and treatment-relevant outcomes better than either a pure binary model or a pure single-axis spectrum?\boxed{ \text{Does a high-dimensional continuous-plus-cluster model predict impairment, course, and treatment-relevant outcomes better than either a pure binary model or a pure single-axis spectrum?} }

如果不能，CCSH 應被簡化。

如果可以，ADHD 就可以同時保持臨床診斷的操作價值，又允許底層研究從二元標籤進入更精細的配置幾何。

參考文獻

  1. Arildskov, T. W., Thomsen, P. H., Sonuga-Barke, E. J. S., Lambek, R., Østergaard, S. D., & Virring, A. Is Attention-Deficit/Hyperactivity Disorder (ADHD) a Dimension or a Category? What Does the Relationship Between ADHD Traits and Psychosocial Quality of Life Tell Us? Journal of Attention Disorders. 2024;28(7):1035–1044. DOI: 10.1177/10870547231222228.

  2. Arildskov, T. W., Sonuga-Barke, E. J. S., Thomsen, P. H., Virring, A., & Østergaard, S. D. How much impairment is required for ADHD? No evidence of a discrete threshold. Journal of Child Psychology and Psychiatry. 2022;63(2):229–237. DOI: 10.1111/jcpp.13440.

  3. van der Laan, C. M., Ip, H. F., Schipper, M., et al. Genome-wide association meta-analysis of childhood ADHD symptoms and diagnosis identifies new loci and potential effector genes. Nature Genetics. 2025;57:2427–2435. DOI: 10.1038/s41588-025-02295-y.

  4. Knyspel, J., Morneau-Vaillancourt, G., & Eley, T. C. Using Bifactor Twin Modeling to Assess the Genetic and Environmental Dimensionality of Adult ADHD Symptoms. Behavior Genetics. 2025;55:1–11. DOI: 10.1007/s10519-024-10204-y.

  5. Pan, N., Long, Y., Qin, K., et al. Mapping ADHD Heterogeneity and Biotypes by Topological Deviations in Morphometric Similarity Networks. JAMA Psychiatry. 2026;83(5):478–490. DOI: 10.1001/jamapsychiatry.2026.0001.

  6. Schork, A. J., et al. Polygenic profiles define aspects of clinical heterogeneity in attention deficit hyperactivity disorder. Nature Genetics. 2024;56:234–244. DOI: 10.1038/s41588-023-01593-7.

  7. Cortese, S., Bellgrove, M. A., Brikell, I., Franke, B., Goodman, D. W., Hartman, C. A., et al. Attention-deficit/hyperactivity disorder (ADHD) in adults: evidence base, uncertainties and controversies. World Psychiatry. 2025;24(3):347–371. DOI: 10.1002/wps.21374.

  8. Ogundele, M. O., et al. Subthreshold Autism and ADHD: A Brief Narrative Review for Frontline Clinicians. Pediatric Reports. 2025;17(2):42.

  9. Fuermaier, A. B. M., Gontijo-Santos Lima, C., & Tucha, O. Impairment Assessment in Adult ADHD and Related Disorders: Current Opinions From Clinic and Research. Journal of Attention Disorders. 2024;28(12):1529–1541. DOI: 10.1177/10870547241261598.

  10. Faraone, S. V., et al. Attention-deficit/hyperactivity disorder. Nature Reviews Disease Primers. 2024;10:11. DOI: 10.1038/s41572-024-00495-0.

  11. Mattheisen, M., et al. Differences in the genetic architecture of common and rare variants in childhood, persistent and late-diagnosed attention-deficit hyperactivity disorder. Nature Genetics. 2022.

  12. World Health Organization. ICD-11 for Mortality and Morbidity Statistics. Attention deficit hyperactivity disorder classification. Accessed 2026-08-17.

文獻使用聲明

本文僅使用上述研究建立截至 2026-08-17 的外部實證邊界。

本文提出的 CCSH、configuration space ΩC\Omega_C 、configuration density ρ(c)\rho(\mathbf c) 、clinical decision operator Γ\Gamma 、subthreshold region Rsub\mathcal R_{\text{sub}} 、impairment surface Φ(c,e)\Phi(\mathbf c,\mathbf e) 、continuous-plus-cluster model 與 multi-layer geometry，均為本文理論構件，不應被誤認為上述研究作者的原始結論。

不同研究包含一般人口學童、成人 twins、clinical ADHD、pediatric neuroimaging cohorts、genetic cohorts、professional surveys 與 narrative reviews。本文不把它們視為單一大型實驗的直接累加證據。

狀態： v0.1，理論稿
新增原始臨床／人體數據： 無
醫學用途： 無
下一篇： 《情境匹配與性能反轉：ADHD 配置何時成為障礙，何時可能成為優勢？》