Psykiske helsekriser hos ungdom med IDD

Omtrent 7 millioner ungdommer i USA har intellektuelle og utviklingshemminger (IDDs), og omtrent 10 % av ungdommene med IDD blir innlagt på sykehus på grunn av en psykisk helsekrise (MHC) hvert år. Med utilstrekkelige samfunnstjenester for å støtte ungdom med IDD og mindre enn halvparten av amerikanske mentalhelseinstitutter som tilbyr tjenester for dem, har akuttmottak (EDs) boarding rater for barn med IDD 2-3 ganger høyere enn jevnaldrende uten IDD, en del av en nasjonal ungdom psykisk helsekrise. Det er et kritisk behov for å identifisere ungdom med IDD i fare for MHC før debut. Maskinlæringsbasert elektronisk helsejournal (EHR) analyse og helgenomsekvensering (WGS) vil bli brukt til å identifisere biopsykososiale og genomiske risikofaktorer som setter ungdom med IDD i fare for MHC slik at risikopasienter kan identifiseres tidlig og forbedrede modeller av psykiatrisk omsorg kan utvikles. Demografiske, biomedisinske, sosioøkonomiske og tjenestebruksdata vil bli hentet fra Rady Children's Hospital San Diego (RCHSD) EPJ for 150 ungdommer med IDD-er som presenteres for ED for MHCs. Denne eksperimentelle gruppen vil bli sammenlignet med to historiske grupper av ungdom fra RCHSD EHR: 1)~4000 ungdommer med IDDs og psykiatriske komorbiditeter, men ingen historie med MHCs og 2) ~4000 ungdommer med IDDs uten noen psykiatrisk historie. En maskinlæringsbasert nettverksmodell vil bli brukt til å klassifisere psykiatriske utfall for ungdom med IDD og utføre kryssvalidering for å estimere ytelsen til disse modellene og beregne beregninger for klassifiseringsytelse. WGS vil bli fullført for kohorten på 150 ungdom og nevropsykiatriske polygene skårer (PGS) vil bli utledet og deres effektstørrelser sammenlignet med to grupper av ungdommer med IDD fra Simons Simplex Collection: 1) ~50 ungdommer med IDD og alvorlige psykiatriske komorbiditeter og 2) ~1000 ungdommer med IDD og minimale eller ingen psykiatriske komorbiditeter. Frekvensen av patogene sjeldne varianter vil også bli sammenlignet på tvers av kohorter. Ved å bruke maskinlæringsmetoder på EPJ-data som utnytter WGS, vil en kombinasjon av faktorer bli identifisert som forutsier psykiatriske utfall hos ungdom med IDD med høy nøyaktighet for å tillate tidligere intervensjon.