Studying the post-COVID-19 condition: research challenges, strategies, and importance of Core Outcome Set development
Notice bibliographique
Résumé
BACKGROUND: A substantial portion of people with COVID-19 subsequently experience lasting symptoms including fatigue, shortness of breath, and neurological complaints such as cognitive dysfunction many months after acute infection. Emerging evidence suggests that this condition, commonly referred to as long COVID but also known as post-acute sequelae of SARS-CoV-2 infection (PASC) or post-COVID-19 condition, could become a significant global health burden. MAIN TEXT: While the number of studies investigating the post-COVID-19 condition is increasing, there is no agreement on how this new disease should be defined and diagnosed in clinical practice and what relevant outcomes to measure. There is an urgent need to optimise and standardise outcome measures for this important patient group both for clinical services and for research and to allow comparing and pooling of data. CONCLUSIONS: A Core Outcome Set for post-COVID-19 condition should be developed in the shortest time frame possible, for improvement in data quality, harmonisation, and comparability between different geographical locations. We call for a global initiative, involving all relevant partners, including, but not limited to, healthcare professionals, researchers, methodologists, patients, and caregivers. We urge coordinated actions aiming to develop a Core Outcome Set (COS) for post-COVID-19 condition in both the adult and paediatric populations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,510 | 0,606 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,012 | 0,015 |
| Science ouverte | 0,008 | 0,017 |
| Intégrité de la recherche | 0,003 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».