Prevalence and Correlates of Caregiver-Reported Mental Health Conditions in Youth With Autism Spectrum Disorder in the United States
Notice bibliographique
Résumé
OBJECTIVE: Mental health conditions (MHCs) have substantial personal and economic costs for children with autism spectrum disorder (ASD); yet, a current population-based prevalence estimate is lacking. METHODS: This study included 42,283 caregivers of children (ages 3-17 years) from the 2016 population-based National Survey of Children's Health. Prevalence and correlates of caregiver-reported MHCs were estimated in children with ASD and compared with those in children with intellectual disability (ID), children with special health care needs (SHCN), and "all others" (no ASD, SHCN, or ID). RESULTS: 77.7% of children with ASD had ≥ 1 MHC; 49.1% had ≥ 2. The most common MHCs were behavior/conduct problem (60.8%), anxiety problem (39.5%), attention deficit disorder (ADD)/attention-deficit/hyperactivity disorder (ADHD) (48.4%), and depression (15.7%). Substance abuse was the only MHC less common in ASD. MHCs were more common in youth with ASD versus SHCN, "all other" youth, and those with ID. MHCs were common in ASD by ages 3-5 years (44.8% ≥ 1 condition) and increased with age (85.9% ≥ 1 condition, ages 12-17 years). Among children with ASD, girls had twice the odds of an anxiety problem, those with ID had 4 times the odds of behavior/conduct problem, and those with childhood adversity had greater odds of an anxiety problem (odds ratio [OR] = 2.66) and ADD/ADHD (OR = 1.99). CONCLUSIONS: Caregiver-reported MHCs are prevalent in children with ASD in the US from a young age and characterize > 85% by adolescence. There is an outsized need for effective MHC assessment and treatment of these youth that demands expedient innovation in both MHC and developmental disability policy and practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».