Mental sundhed kriser hos unge med IDD'er

Cirka 7 millioner unge i USA har intellektuelle og udviklingsmæssige handicap (IDD'er), og omkring 10% af unge med IDD'er bliver hvert år indlagt på hospitaler på grund af en mental sundhedskrise (MHC). Med utilstrækkelige samfundstjenester til at støtte unge med IDD'er og mindre end halvdelen af ​​amerikanske mentale sundhedsfaciliteter, der leverer tjenester til dem, har akutafdelinger (ED'er) boarding rater for børn med IDD'er 2-3 gange højere end jævnaldrende uden IDD'er, en del af en national ungdom mental sundhed krise. Der er et kritisk behov for at identificere unge med IDD'er i risiko for MHC'er før debut. Maskinlæringsbaseret elektronisk sundhedsjournal (EHR) analyse og helgenomsekventering (WGS) vil blive brugt til at identificere biopsykosociale og genomiske risikofaktorer, der sætter unge med IDD'er i fare for MHC'er, således at risikopatienter kan identificeres tidligt og forbedrede modeller af den psykiatriske pleje kan udvikles. Demografiske, biomedicinske, socioøkonomiske og servicebrugsdata vil blive udtrukket fra Rady Children's Hospital San Diego (RCHSD) EHR for 150 unge med IDD'er, der præsenteres for ED for MHC'er. Denne eksperimentelle gruppe vil blive sammenlignet med to historiske grupper af unge fra RCHSD EHR: 1)~4000 unge med IDD'er og psykiatriske komorbiditeter, men ingen historie med MHC'er og 2) ~4000 unge med IDD'er uden nogen psykiatrisk historie. En maskinlæringsbaseret netværksmodel vil blive brugt til at klassificere psykiatriske resultater for unge med IDD'er og udføre "leave-one-out" krydsvalidering for at estimere ydeevnen af ​​disse modeller og beregne metrics for klassifikationsydelse. WGS vil blive afsluttet for kohorten af ​​150 unge, og neuropsykiatriske polygene scores (PGS) vil blive udledt, og deres effektstørrelser sammenlignes med to grupper af unge med IDD'er fra Simons Simplex Collection: 1) ~50 unge med IDD'er og alvorlige psykiatriske komorbiditeter og 2) ~1000 unge med IDD'er og minimale eller ingen psykiatriske følgesygdomme. Antallet af patogene sjældne varianter vil også blive sammenlignet på tværs af kohorter. Ved at anvende maskinlæringsmetoder til EPJ-data, der udnytter WGS, vil en kombination af faktorer blive identificeret, der forudsiger psykiatriske udfald hos unge med IDD'er med høj nøjagtighed for at muliggøre tidligere intervention.