🧠 Neuroscienze, ADHD, Autismo e Dopamina
Analisi critica di 7 ricerche sulla relazione tra schermo, sviluppo cerebrale e neurosviluppo
📊 Panoramica e Sintesi Narrativa
📄 Paper 1: Huang et al. (2025)
Tempo-schermo elevato prima dei 2 anni predice maturazione accelerata della corteccia visuale e prefrontale dorsolaterale → rallentamento della deliberazione decisionale → aumento di ansia a 13 anni. Finestra CRITICA: effetti limitati a 0-2 anni; schermo a 3-4 anni non predittivo.
- Disegno: Coorte prospettica GUSTO (Singapore), N=168 (follow-up), 13 anni
- Esposizione: Tempo-schermo a 6, 18, 24 mesi (report parentale)
- Outcome primario: Maturazione corticale (4.5-7.5 anni) via sMRI; deliberazione a 8.5 anni (Cambridge Gambling Task); ansia a 13 anni (SCARED)
- Meccanismo: Accelerazione maturazione visiva → sovra-integrazione corteccia visiva-prefrontale → rigidità circuito decisionale
- Fattore protettivo: Lettura genitore-bambino mitigava effetto
2. Attrition massiccia: 86% dei partecipanti persi dal follow-up (N=168 su >1200). Bias di selezione grave.
3. Misurazione tempo-schermo: Solo report parentale, nessuna validazione oggettiva. Bias differenziale se genitori con ansia over-segnalano.
4. Outcome ansia: SCARED misurato a 13 anni, outcome primario non chiaramente longitudinale (backward-looking?) vs. trasversale.
5. Confonditori critici non controllati: Genetica (DRD2, COMT, 5-HTTLPR), temperamento infantile, qualità relazionale genitore-bambino, inquinamento urbano (Singapore).
6. Neuroimaging: N=168 borderline per morphometry. Nessuna specificazione se risultati localizzati a aree predittive di ansia (amigdala, insula) o solo corteccia visiva generica.
Messaggio nuanced per genitori: non "schermi = male a 0-2 anni, bene dopo", ma "tipo, modalità, contesto di utilizzo importa". Lettura condivisa come fattore protettivo concreto (non supplemento agli schermi). Policy pediatriche di "no screen time <2 anni" supportate moderatamente, ma evidenza non sufficientemente robusta per proibizione assoluta.
📄 Paper 2: Shou et al. (2025)
Ogni ora aggiuntiva di tempo-schermo a 9-10 anni predice aumento sintomi ADHD a 11-12 anni (β=0.032), mediato da riduzione cortical thickness in polo temporale destro, giro frontale superiore sinistro, giro frontale medio rostrale sinistro. Effetto robusto controllando per activity levels, BMI, depressione, ADHD baseline.
- Disegno: Coorte nazionale USA (ABCD), baseline N=10.116 (9-10 anni), follow-up N=7.880 a 2 anni
- Esposizione: Tempo-schermo da ABCD Youth Screen Time Survey (6 modalità: TV, video, gaming, texting, video chat, social media)
- Outcome: ADHD symptoms via Conners Parent Rating Scale (CPRS-R); cortical thickness via sMRI 3T (SPM12/FSL)
- Campione: Diversità deliberata (43% minoranze), bilanciamento socioeconomico
- Mediazione: Cortical thickness 3 regioni specifiche mediano relazione schermo → ADHD
2. Fonte misure diverse: Comportamento da parent-rated CPRS (viziato); tempo-schermo da self-report o parent? Incoerenza source.
3. Confusione inversa: DRD4 7-repeat allele (ADHD genetico) associato con ridotta dopamina basale → suscettibilità a stimoli forti come schermi. Confusione genetica non esclusa.
4. Specifiche regioni non plausibili: Polo temporale destro (social processing) ridotto da schermo solitario? Contro-intuitivo. Riduzione tipicamente associata a ADHD, ma collegamento specifico a tempo-schermo incerto.
5. ADHD "sintomi" non diagnosi: Outcome è CPRS score (continuo), non diagnosi clinica categoriale. Incremento 3.2 punti per ora su scala 0-100 è clinicamente rilevante?
6. Disaggregazione tipo schermo mancante: Aggraziamento di 6 modalità (TV, gaming, social media) maschere neurobiologia diversa di ciascuna.
7. Attrition 22%: Senza confronto baseline chi ha completato vs. abbandonato, possibile attrition bias.
Anamnesi di intake rivista per ADHD: chiedere esplicitamente tempo-schermo. Cautela nel diagnostic threshold: bambino con CPRS elevato potrebbe avere "screen-induced symptoms" (temporali, reversibili), non ADHD vero. Trial di screen reduction come primo approccio prima di farmaci. Stratificazione del rischio: sottogruppi vulnerabili (temperamento difficile, ADHD familiare) potrebbero necessitare counseling personalizzato.
📄 Paper 3: Bläschke et al. (2026) ⚠️ PREPRINT
Tempo-schermo elevato a 9-10 anni è associato ad alterazione delle traiettorie timing puberale durante follow-up (accelerazione oppure ritardo, eterogeneo per sesso e baseline development). Meccanismo proposto: circadian disruption (blue light) → suppressione melatonina → perturbazione HPG axis (gonadotropins, sex steroids).
- Disegno: Coorte longitudinale ABCD, N=10.786, baseline 9-10 anni, follow-up annuale fino a 15-16 anni (6 waves)
- Esposizione: Tempo-schermo ABCD Youth Screen Time Survey
- Outcome: Puberty assessed via Pubertal Development Scale (PDS, self-report)
- Analisi: Latent growth curve modeling (LGC) per traiettorie pubertal timing
- Moderatori: Effetti eterogenei per sesso, baseline puberty status
2. Misura puberty: self-report only: Adolescenti auto-valutano stadi puberali. Viziato da bias di consapevolezza corporea (adolescenti su schermo potrebbero essere meno body-aware oppure hyper-focused).
3. Confusione BMI/adiposity: Tempo-schermo associato con BMI elevato. Sovrappeso → adipose tissue → aromatase → estrogen → pubertal outcomes. BMI non chiaramente disaggregato da tempo-schermo effect.
4. Reverse causality: Adolescenti che iniziano pubertà precedentemente potrebbero ritirarsi negli schermi (ansia sociale). Causalità indeterminata.
5. Assenza biomarkers ormonali: Nessuna misura di LH, FSH, testosterone, estradiol. Outcome è solo auto-percezione, non biologia vera.
6. Sleep non misurato: Circadian disruption plausibile, ma nessuna quantificazione oggettiva di sonno (durata, timing, qualità).
7. Outcome "alterazione traiettoria" non clinicamente definito: Qual è il threshold di deviazione clinicamente rilevante? Preprint non specifica.
NON utilizzare per messaging sanitario finché peer-reviewed. Se confermato in peer review, implicazioni sarebbero: endocrinologia pediatrica monitorare adolescenti con tempo-schermo elevato per deviazioni pubertal trajectories; studi meccanicistici su melatonin-GnRH pathways urgenti; RCT di sleep hygiene + blue-light reduction per intervento.
📄 Paper 4: Gabarron et al. (2025)
Interventi digitali per ADHD (neurofeedback EEG, cognitive training, gaming, VR, app) mostrano efficacia variabile: neurofeedback SMD = −0.51 (moderato); esercizio/VR SMD = −0.40; cognitive training SMD = −0.20 a −0.30 (piccolo, incostante). Adverse events riportati in 30.1% delle review. Non dovrebbe sostituire first-line treatment (farmaci + comportamentale).
- Disegno: Umbrella review sistematica (PRISMA-compliant) di 26 systematic reviews
- Interventi sintetizzati: Neurofeedback (EEG), WMT, EFT, videogiochi, VR, esercizio fisico digitale, app-based CBT/mindfulness
- Effect size: SMD estratti da meta-analisi sottostanti dove disponibile
- Outcome: ADHD rating scales (parent/teacher/self), continuous performance, working memory, quality of life
- Partecipanti aggregati: ~34.442 (in tutti i trials inclusi nelle 26 review)
2. Eterogenità non quantificata: SMD aggregati nascondono I^2. Se I^2 > 75%, aggregazione è sconsigliata.
3. Outcome bias, non-blinding: Studi comportamentali prone a expectancy effects. Cortese et al. ha documentato: neurofeedback non-blinded SMD = −0.51, ma blinded SMD ~0 (null). Effetto potrebbe essere entirely measurement bias.
4. Adverse events sotto-segnalati: 70% delle review NON hanno riportato adverse events. Sono assenti o non monitorati sistematicamente?
5. Follow-up breve: Durata típica 8-12 settimane. Persistono gli effetti dopo cessazione intervento?
6. Population specificity: Non stratificato per ADHD subtype, comorbidity. Cognitive training potrebbe funzionare per inattention, non hyperactivity.
7. No cost-effectiveness: Neurofeedback ~€5-10K; methylphenidate ~€50-100/mese. Rapporto costo-efficacia non calcolato.
8. Publication bias non valutato.
Non first-line: Interventi digitali non dovrebbero essere raccomandati come trattamento primario ADHD. Farmaci + interventi comportamentali genitoriali rimangono standard. Ruolo complementare: Per bambini che preferiscono tecnologia oppure con limited access a clinician-delivered therapy, app-based CBT potrebbe essere "better than nothing". Neurofeedback con cautela: SMD più alto, ma qualità metodologica spesso bassa; rischi non completamente documentati.
📄 Paper 5: Muris et al. (2025)
PARADOSSO AUTISTICO: Persone con ASD mostrano tassi PIU (Problematic Internet Use) 15-25% vs. 5-10% in non-ASD (d = 0.6-0.8, effetto GRANDE). MA: tassi social media use MINORE in ASD vs. controls (d = −0.28, contrintuitivo). Motivazioni diverse: ASD users motivati da coping, ansia sociale reduction, special interests; neurotipici da social connection.
- Disegno: Due meta-analisi sistematiche PRISMA-compliant
- Part I (PIU): ~35 studi, N aggregato ASD ~3.500, control ~3.500
- Part II (Social media): ~28 studi, N aggregato ASD ~2.500, control ~2.800
- Outcome Part I: Severity PIU (via scale validate: IAT, BSMAS, etc.), prevalence, fattori di rischio
- Outcome Part II: Tempo social media, pattern uso, motivazioni
- Moderatori: Age, gender, comorbidity (ADHD, ansia), severity ASD
2. Scale PIU contaminate per ASD: Item come "anxious when not online" potrebbero riflettere ASD-specific use (internet è primary social outlet), non addiction vera. False positive bias.
3. No disaggregazione tipo sito/app: Gaming, hobby communities, YouTube, social media aggregati. Motivazioni radicalmente diverse; effect size potrebbe essere driven da gaming addiction, non healthy community engagement.
4. Social media paradosso non investigato: Perché ASD usa MENO social media? Evitamento consapevole? Fattore protettivo? Genitori scoraggiano? No qualitative data.
5. Reverse causality: PIU → ASD symptoms, oppure ASD symptoms → PIU? Longitudinal evidence assente.
6. Confusione autism traits vs. autism diagnosis: Studi eterogenei: alcuni recruited diagnosis clinica; altri usato autism rating scales in general population. Phenotype pollution.
7. Comorbid ADHD non disaggregato: 30-80% ASD hanno comorbid ADHD, which è independently risk factor per PIU. Confusione critica.
8. Outcome heterogeneity alta: >35 studi, diverse scale, cut-off diversi. I^2 probabilmente alto; aggregazione SMD discutibile.
Assessment disaggregato: Non assumere "ASD + high internet use" = addiction. Approfondire motivazione (coping vs. compulsion?), functional impairment vera (vs. just high engagement?), qualità special interests online (learning + community support vs. escalating gambling?). Intervento nuanced: Non automaticamente "reduce screen time". Supportare uso salutare di special interests; teach self-regulation senza demonizzazione; address underlying anxiety/loneliness (internet è function, non causa).
📄 Paper 6: Cardillo et al. (2025)
PSMU (Problematic Social Media Use) complessivo SIMILE in ASD vs. controls. MA PATTERN PREDITTIVI OPPOSTI: In ASD: performance anxiety (paura di valutazione sociale) → PSMU (β=0.45). In controls: rejection anxiety (paura di esclusione/solitudine) → PSMU (β=0.52). Cross-over: performance anxiety non predice PSMU in controls; rejection anxiety non predice in ASD.
- Disegno: Cross-sectional caso-controllo
- ASD group: N=76 (mean ~12.5 anni, 65% maschi, diagnosis clinica via ADOS/ADI-R)
- Control group: N=107 (mean ~12.8 anni, 62% maschi, matched approssimativamente)
- Misure: PSMU (likely BSMAS o simile), Social Anxiety Scale (SASC/CSAS con subscales: performance anxiety vs. rejection anxiety), ASD severity (SRS)
- Analisi: Bivariate correlations, multiple regression, test di cross-group interaction
2. Selection bias: ASD da cliniche specialty (diagnosed, access to care, motivated families). Non rappresentativo di tutti gli ASD (undiagnosed, low-resource).
3. Matching inadequate: "Matched where possible" è vago. SES, IQ, comorbidity controls non chiaramente equalized. SES associato con sia social media use che ansia.
4. Dicotomizzazione semplificata: "Performance vs. rejection anxiety" è overly simplistic. Adolescente potrebbe avere entrambi. Multicollinearità potrebbe confondere regression; effect "performance anxiety" in ASD potrebbe essere parzialmente confuso con overall anxiety severity.
5. PSMU non clinicamente definito: Qual è il threshold clinicamente rilevante? Adolescente ASD 3h/giorno community fan art (special interest) score alto su BSMAS ma ha NO functional impairment.
6. Scale di ansia non validate per ASD: SASC/CSAS item potrebbe misfire in ASD. "Worried what others think" → ASD potrebbe non care (autistic indifference), non riflesso in scale.
7. No qualitative data: Perché performance anxiety → PSMU in ASD? Monitoraggio della percezione? Rehearsal? Community-seeking? Black box.
8. Piccolo N per interaction analysis: Potenza statistica modesta per rilevare interazioni anxiety type × group (N=183 totale, 76 ASD).
Assessment disaggregato di ansia: In ASD, indagare performance anxiety specifica ("paura di mostrare incompetenza"). In neurotipici, focus su rejection anxiety ("paura di solitudine/esclusione"). Intervento target-specific: ASD → exposure therapy per performance anxiety, behavioral rehearsal, acceptance di imperfection. Neurotipici → enhance sense of belonging, facilitate genuine peer connections offline.
📄 Paper 7: De et al. (2025)
Social media algorithms sono engineered per massimizzare engagement tramite personalizzazione continua di contenuto. Questa personalizzazione attiva pathway dopaminergici reward ad alta frequenza (VTA → nucleus accumbens). Negli adolescenti (neurosviluppo sensibile a reward), ciò genera cicli dopaminergici che recapitolano addiction (tolerance, withdrawal, loss of control). Varianti genetiche DRD2, COMT modulano suscettibilità.
- Disegno: Review narrativa (NON sistematica). Nessun protocollo pre-registered, nessun PRISMA.
- Scope: Multi-disciplinare: neurobiologia adolescenza, algoritmi, dopamine pathways, addiction, genetica
- Temi sintetizzati: Heightened reward sensitivity adolescenza; algorithmic recommendation optimization; dopamine mesolimbic system; parallels con substance addiction; DRD2/COMT polymorphisms
- Framework proposto: Algorithm (personalized content) → dopamine reward → compulsive engagement → algorithm re-personalizes → tolerance/withdrawal → addiction phenotype
2. Causalità vs. correlazione non disambiguata: Affermazione "algoritmi → dopamine → addiction". Evidenza tipicamente correlazionale. Salti inferenziali (adolescenti hanno heightened NAcc reactivity; algoritmi exist; dopamine release occurs → diretta causazione).
3. Dopamine oversimplificazione: Dopamine non è monolitico. Mesolimbic (reward) vs. mesocortical (cognition) vs. nigrostriatal (motor) systems diversi. Quale è attivato? Dopamine ≠ automaticamente addiction (dopamine involved in many non-addictive behaviors). Dopamine release non equivale patologico.
4. Genetic factors oversemplified: DRD2 7-repeat ↓ dopamine receptor expression → reduced dopaminergic tone. Paradossically associated con addiction (seek more dopamine to compensate). COMT Val/Val produce MENO dopamine. Mechanism della connection addiction unclear. Epigenetics, gene-environment interactions, polygenic risk scores non addressed.
5. "Addiction" criteria non rigorosamente applicate: DSM-5 IGD criteria (preoccupation, tolerance, withdrawal, loss of control, continued use despite harm). Review asserts social media meets these, but: withdrawal è clinical (comme opioid) oppure just frustration? Loss of control è assoluto oppure adolescenti CAN control se incentive. Harm è complesso (depression, anxiety, loneliness but also genuine social connection, creative expression).
6. Adolescent development reframed come patologia: Heightened reward sensitivity in adolescence è NORMAL, evolutionarily adaptive. Review reframes normale neurobiology come vulnerability to addiction.
7. Algoritmi not monolitico: Design choices vary. TikTok vs. YouTube long-form hanno dopamine profiles diversi. De et al. treats all algorithms equally addictive.
8. Alternative perspectives missing: Engagement potrebbe essere rewarding perché connette a genuine peer needs (social belonging, competence), non pathological hijacking. Dopamine release è APPROPRIATE response a legitimate rewards, non exploitation.
9. Protective factors, resilience non discussed: Not all adolescenti exposed develop addiction. Resilience factors? Assente.
10. No balanced industry responsibility discussion.
Per policy: Se social media = "engineered dopamine delivery", regolare algoritmi come drug distribution. Ban addictive design features (infinite scroll, streaks, variable rewards). Stronger age gates.
Per clinici: Assess PSMU non solo su hours, ma su loss of control, continued use despite harm, withdrawal, underlying motivations (coping vs. addiction?). Intervento non just "reduce screen", ma address underlying needs, build offline alternatives, dopamine-boosting activities (exercise, offline social interaction).
Per genitori: Psychoeducation: adolescent brain vulnerable a reward-driven engagement (NOT moral weakness). Collaborative approach: set goals jointly, problem-solve barriers to offline activities.
🔗 Temi Trasversali e Connessioni
1. Il Ruolo dello Studio ABCD
Dataset Fondamentale: Cohorte Nazionale USA (21 siti, N>10.000)
Shou et al. (ADHD/brain structure) e Bläschke et al. (pubertal timing) entrambi utilizzano ABCD Study baseline. Questo è attualmente il LARGEST longitudinal neuroimaging dataset di bambini/adolescenti USA (9-10 anni, follow-up multi-year). Punto critico: Ciò significa che molti risultati relativi a schermo/ADHD/pubertà negli USA adolescenti sono derivati dal MEDESIMO dataset. Replicazione in altre coorti (UK Biobank, German KiGGS) urgente per validazione generalizability.
2. Cambiamenti Strutturali Cerebrali: Convergenza e Specifiche Regionali
Maturazione Accelerata vs. Riduzione Cortical Thickness
Huang (0-2 anni): Accelerazione maturazione corticale visuale/prefrontale (gyrification index, cortical thickness aumentati).
Shou (9-10 anni): Riduzione cortical thickness in polo temporale destro, giro frontale superiore/medio sinistro.
Interpretazione: Possibile che tempo-schermo precoce ACCELERA inizialmente maturazione, ma successivamente (preadolescenza) ciò risulta in RIDUZIONE dovuta a synaptic pruning esagerato? Oppure sono effetti di periodi diversi non direttamente comparabili. Meccanismo non chiarito.
3. Pathway Dopaminergici in ADHD vs. Autismo vs. Addiction
Asse Dopaminergico Comune ma Manifestazioni Diverse
De et al. propone social media algoritmi = "dopamine delivery". Ma:
- In ADHD, deficit dopaminergico baseline (ridotta dopamina nucleus accumbens) → ipofocus, necessità di stimolo ad alta intensità (schermo attrae). Schermo perturba ulteriormente regulation dopaminergica.
- In autismo, dopamine sistema potrebbe essere diverso (some autistic profiles associated con ipodopamine). Attrazione a special-interest internet (non social media) potrebbe riflettere dopaminergic coping (self-soothing via hyperfocus).
Insight: Dopamine non è categoria monolitica di pathology; è mediatore di comportamento adattativo e disadattativo a seconda di context e neurobiology individuale.
4. Periodi Critici e Sensibilità Developmentale
0-2 anni (Huang), 9-10 anni (Shou, Bläschke), Adolescenza (De)
Tre finestre critiche identificate:
• 0-2 anni: Maturazione corticale visiva, attachment, regolazione emotiva precoce (Huang).
• 9-10 anni: Preadolescenza, pre-pubertal; cortical thickness changes, executive function consolidation (Shou, Bläschke).
• Adolescenza (13-17): Pubertà, reward sensitivity peak, prefrontal maturation still ongoing (De, Cardillo, Muris).
Connessione: Finestre diverse, meccanismi diversi. Intervento e messaging devono essere age-stratificati, non generic "schermo è cattivo".
5. Neurodiversità: Autismo Differisce da ADHD
Internet Use Profiles Opposti
Paradosso Muris: ADHD gravita verso schermo (stimolo ad alta frequenza, dopamina-seeking). Autismo gravita verso special-interest internet (comunità, hyperfocus), ma MENO verso social media mainstream (d = −0.28). Cardillo: Meccanismo diverso di ansia: ADHD-linked rejection anxiety; ASD-linked performance anxiety (paura di commettere errori sociali). Implicazione clinica: Interventi non uno-size-fits-all. Autismo non è "ADHD più grave"; è neurodiversità qualitatively diversa.
6. Limitazioni Comuni Across Papers
Tre Problemi Ricorrenti
1. Causalità indeterminata: Tutti gli studi correlazionali o longitudinali osservazionali. Reverse causality (sintomi → schermo) non escluso in alcuno.
2. Tempo-schermo misurazione grezza: Self/parent-report, no objective logging. Aggregazione di modalità diverse (TV, gaming, social media, texting) maschere mechanismi specifici.
3. Outcome bias: Parent-rated, teacher-rated, self-report measures prone a viez. Pochi studi usano objective indicators (academic achievement, offline peer relationships, sleep architecture, physical activity).
⚠️ Limitazioni Metodologiche Globali
Macro-Limitazioni
1. Causalità vs. Correlazione (Omnipresente)
Nessuno dei 7 papers fornisce prova causale diretta. TUTTI sono correlazionali oppure longitudinali osservazionali senza randomizzazione. Reverse causality è biologicamente plausibile in TUTTI: bambini con temperamento difficile/inattentività iniziale potrebbero self-select verso schermo per auto-soothing; bambini con ansia pubblicare potrebbero usare social media per "practice" interazioni; adolescenti con predisposizione genetica a dopamine-seeking potrebbero gravitate verso algoritmi. Ciò potrebbe spiegare TUTTE le associazioni.
2. Misurazione di Esposizione (Tempo-Schermo)
Problema fondamentale: Tempo-schermo è misurato via self/parent-report, senza validazione oggettiva (device logs, accelerometry, eye-tracking). Ciò introduce:
• Misclassificazione differenziale: Genitori con ansia over-segnalano; genitori meno consapevoli under-segnalano.
• Mancanza di dettagli: TV passiva vs. app interattiva vs. gaming multiplayer hanno neurobiologia radicalmente diversa, ma aggregati in "screen time".
• Timing impreciso: Luminanza schermo, tempo di giorno (blue light serale), durata sessioni, frequenza interrupzioni — TUTTE relevanti neurobiologicamente — non catturate.
3. Outcome Measurement: Parent-Rated, Non-Blinded
Molti outcome sono parent-rated (Conners CPRS, Pubertal Development Scale): soggettive, viziati da bias genitoriale, depressione materna, stress familiare. Poiché il genitore sa probabil quantità di schermo usato dal bambino, expectancy effect è probabile (genitore con bambino heavy-user si aspetta peggiore ADHD sintomi, così segnala più alto). Blinding è assente.
4. Confonditori Biologici: Genetica Non Controllata
Critico: Varianti genetiche di dopamine receptors (DRD2, COMT, DAT1), serotonin (5-HTTLPR), BDNF correlano sia con ADHD/ansia/autism-like traits CHE con attraction a stimolo ad alta intensità (schermo). Nessuno dei papers misura genetica in modo completo. Questo introduce confusione massiccia: associazione schermo → ADHD potrebbe essere confusa da genetica condivisa (entrambi driven da fattori genetici indipendenti).
5. Confonditori Ambientali: Sleep, Attività Fisica, Qualità Relazionale
Schermo a sera → circadian disruption → sleep deprivation → ADHD-like symptoms, ansia aumentata, pubertal disruption. Sleep è CONFOUNDER massiccio, raramente controllato adeguatamente. Allo stesso modo, bambini che usano schermo molto probabilmente passano meno tempo in attività fisica, gioco all'aperto, interazione face-to-face. Questi sono MEDIATORI oppure CONFONDITORI? Non chiarito.
6. Attrition e Selection Bias
Huang: 86% attrition. Shou: 22% attrition. Se chi ha completato è sistematicamente diverso (più motivato, ricco, meno psicopatologia), allora risultati non generalizzano. Nessuno dei papers fornisce comprehensive baseline comparison tra chi completa vs. abbandona.
7. Eterogenità Diagnostica: ASD, ADHD, "Autistic Traits" Mescolati
Muris: Alcuni studi recruited ASD diagnosi clinica; altri usato autism rating scale in general population. Cardillo: ASD reclutati da cliniche specialty (biased verso diagnosed, well-resourced). Questo introduce phenotype pollution: alta-functioning ASD con low support needs non è equivalente a ASD con severe support needs. Associazioni derivate possono non generalizzare.
8. Comorbidità Non Disaggregata
30-80% di persone con ASD hanno comorbid ADHD. ADHD è independently risk factor per PIU, PSMU, schermo-seeking. Se studi non stratificano per comorbidità, associazione "ASD → PIU" è confusa da "ADHD → PIU". Raro vedere controllo adeguato per comorbidità.
9. Preprint Status (Bläschke)
Bläschke et al. non peer-reviewed. Ciò significa: nessuno scrutinio di esperti, possibili errori gravi non identificati, validità sconosciuta. Non dovrebbe essere usato per policy fino a peer review completion. Questo è singolare nel dataset di 7 papers analizzati — gli altri 6 sono peer-reviewed.
10. Publication Bias
Studi con risultati nulli difficili da pubblicare. È probabile che trials con nessun effetto di schermo → outcome non sono in letteratura. Questo bias upward effect size aggregato. Nessuno dei papers esamina funnel plots oppure conduce sensitivity analyses per publication bias.