Clinical Heterogeneity in ME/CFS. A Way to Understand Long-COVID19 Fatigue
Notice bibliographique
Résumé
The aim of present paper is to identify clinical phenotypes in a cohort of patients affected of Myalgic Encephalomyelitis/Chronic Fatigue Syndrome. Ninety-one patients and 22 healthy controls were studied with the following questionnaires, in addition to medical history: visual analogical scale for fatigue and pain, DePaul questionnaire (post-exertional malaise, immune, neuroendocrine), Pittsburgh sleep quality index, COMPASS-31 (dysautonomia), Montreal cognitive assessment, Toulouse-Piéron test (attention), Hospital Anxiety and Depression test and Karnofsky scale. Co-morbidities and drugs-intake were also recorded. A hierarchical clustering with clinical results was performed. Final study group was made up of 84 patients, mean age 44.41 ± 9.37 years (66 female/18 male) and 22 controls, mean age 45 ± 13.15 years (14 female/8 male). Patients meet diagnostic criteria of Fukuda-1994 and Carruthers-2011. Clustering analysis identify five phenotypes. Two groups without fibromyalgia were differentiated by various levels of anxiety and depression (13 and 20 patients). The other three groups present fibromyalgia plus a patient without it, but with high scores in pain scale, they were segregated by prevalence of dysautonomia (17), neuroendocrine (15), and immunological affectation (19). Regarding gender, women showed higher scores than men in cognition, pain level and depressive syndrome. Mathematical tools are a suitable approach to objectify some elusive features in order to understand the syndrome. Clustering unveils phenotypes combining fibromyalgia with varying degrees of dysautonomia, neuroendocrine or immune features and absence of fibromyalgia with high or low levels of anxiety-depression. There is no a specific phenotype for women or men.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».