The effect of SARS-CoV-2 on the nervous system: a review of neurological impacts caused by human coronaviruses
Notice bibliographique
Résumé
The COVID-19 pandemic has affected millions of people worldwide. While coronaviruses typically have low rates of neurotropic effects, the massive transmission of SARS-CoV-2 suggests that a substantial population will suffer from potential SARS-CoV-2-related neurological disorders. The rapid and recent emergence of SARS-CoV-2 means little research exists on its potential neurological effects. Here we analyze the effects of similar viruses to provide insight into the potential effects of SARS-CoV-2 on the nervous system and beyond. Seven coronavirus strains (HCoV-OC43, HCoV-HKU1, HCoV-229E, HCoV-NL63, SARS-CoV, MERS-CoV, SARS-CoV-2) can infect humans. Many of these strains cause neurological effects, such as headaches, dizziness, strokes, seizures, and critical illness polyneuropathy/myopathy. Certain studies have also linked coronaviruses with multiple sclerosis and extensive central nervous system injuries. Reviewing these studies provides insight into the anticipated effects for patients with SARS-CoV-2. This review will first describe the effects of other coronaviruses that have caused severe disease (SARS-CoV, MERS-CoV) on the nervous system, as well as their proposed origins, non-neurological effects, and neurological infection mechanisms. It will then discuss what is known about SARS-CoV-2 in these areas with reference to the aforementioned viruses, with the goal of providing a holistic picture of SARS-CoV-2.
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 | 0,013 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 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 ».