Profilering af sårbarhed og modstandsdygtighed for psykisk sygdom efter virale infektioner: Oversættelse af epidemiologi til dyb-fænotypisering. (Viral-MI)

Den israelske kohorte består af to databaser fra Clalit Health Services (CHS) registre fra Israel (CHS1 n=50.000, CHS2 n=69.594). CHS er den største af fire opererende sundhedsorganisationer, der leverer sundhedsydelser til alle borgere i Israel, og dækker mere end 50% af Israels befolkning. CHS-databaserne gennemgår periodiske opdateringsprocesser og er blevet valideret af registeralgoritmen såvel som af mange videnskabelige organisationer, der anvender databasen. Diagnoserne for kroniske sygdomme er baseret på realtidsinput fra sundhedsudbydere, apoteker, medicinske behandlingssteder og administrative computeriserede operativsystemer. Psykiatriske diagnoser er baseret på ICD-9 og ICD-10 klassifikationerne. For at evaluere sandsynligheden for MI efter infektion og postinfektionsresultater (CHS1) vil personer med en høj belastning af tidligere infektioner blive identificeret og matchet i et 1:1-forhold til kontroller efter alder og køn. Sandsynligheden for MI-start på tværs af et bredt spektrum af psykiatriske lidelser vil blive undersøgt blandt de højbelastede og kontrolgrupper, inklusive depression, BD, angst og psykotiske lidelser. Inklusionskriterier: personer forsikret af CHS siden fødselen og med mindst 10 års opfølgning; eksklusionskriterier inkluderer ophør af forsikring og mangel på successiv medicinsk opfølgning. For at evaluere sandsynligheden for psykiatrisk tilbagefald blandt personer med eksisterende psykisk lidelse efter infektion (CHS2) vil en kohorte på 34.797 personer med skizofreni matchet tilfældigt til alder og køn HC uden diagnose af skizofreni blive udnyttet. Inklusionskriterier for denne prøve er en aktiv diagnose af skizofreni i CHS-registre under analysestadier, og bopæl er i CHS-sygehusets indfangningsområder (for at sikre, at psykiatrisk indlæggelse er fuldt registreret); eksklusionskriterier inkluderer mangel på aktiv diagnose og bopæl uden for CHS's indfangningsområde. På tværs af begge kohorter er socioøkonomisk status, familieforhold, civilstand, antal søskende, rygning, fedme, diabetes, hypertension, hyperlipidæmi, kronisk obstruktiv lungesygdom og iskæmisk hjertesygdom, såvel som sundhedsudnyttelse og andre demografiske variable blevet indsamlet. Følgende infektioner vil blive overvejet på tværs af begge kohorter: Epstein Barr-virus, Cytomegalovirus, Toxoplasma Gondii, COVID-19 og herpesvirus. Mål for inflammation inkluderer neutrofil/lymfocyt-forhold og systemisk inflammatorisk indeks.

For at demonstrere en sammenhæng mellem infektioner, med et særligt fokus på virale, alvorlig MI og postinfektionsalvorlige resultater (Mål 1), vil vi beregne hazard ratios (HR'er) for at vurdere risikoen for SMI-udvikling eller psykiatrisk tilbagefald efter infektion ved hjælp af Cox proportional hazard-regressionsmodeller i alle tre kohorter (CHS1, CHS2). Incidensrater og rå og justerede modeller, der kontrollerer for demografiske og kliniske faktorer, vil blive rapporteret. Den proportionale hazard-antagelse vil blive testet som korrelationen mellem Schoenfeld-residualer og overlevelsetid, med signifikansniveau på p<0,05, der angiver ikke-proportionalitet. Estimeret fremskrivning af den kumulative sandsynlighed for alvorligt udfald blandt personer med eksisterende SMI vil blive opnået ved Kaplan-Meier-analyse. Forvirrende, modererende og mediationsmønstre af miljømæssige (socio- og sociodemografiske) og biologiske (inflammatoriske, polygen risiko-score (PRS) for MI og immunrelaterede tilstande) mekanismer vil blive vurderet ved hjælp af PROCESS-makroen, en simuleringsbaseret strategi baseret på genprøvetagning (bootstrapping) teknikker. Direkte og indirekte effekter, standardfejl og konfidensintervaller vil blive estimeret baseret på bootstrap-fordelingen fundet med 10.000 bias-korrigerede genprøver. PRS vil blive beregnet efter metoden beskrevet af Purcell et al. Analyser vil blive udført baseret på den rettede acykliske graf (DAG) kausalramme, hvilket sikrer gennemsigtige modelantagelser og minimerer bias. Alle tre databaser leverer landsdækkende repræsentative data og har bevist deres effektivitet i karakterisering af MI-kohorter og sammenhænge med miljøfaktorer, som vist af højindflydelsespublikationer.