Prevalence and predictors of persistent post-COVID-19 symptoms
Notice bibliographique
Résumé
BACKGROUND: The pandemic has affected hundreds of millions of people; early reports suggesting high rates of prolonged symptoms may be prone to selection bias. METHODS: In a program caring for all SARS-CoV-2 positive inpatients and outpatients between March to October 2020, and offering universal 90-day follow-up, we compared those who died prior to 90 days, not responding to follow-up, declining, or accepting follow-up. Among those seen or declining follow-up, we determined the prevalence and predictors of persistent symptoms. RESULTS: Among 993 patients, 21 (2.1%) died prior to 90 days, 506 (50.9%) did not respond, 260 (26.1%) declined follow-up because they were well, and 206 (20.7%) were fully assessed. Of 466 who responded to follow-up inquiry, 133 (28.5%) reported ≥1 persistent symptom, including constitutional (15.5%), psychiatric (14.2%), rheumatologic (13.1%), neurologic (13.1%), cardiorespiratory (12.0%), and gastrointestinal (1.7%). Predictors differed for each symptom type. Any persistent symptom was more common in older patients (adjusted odds ratio [aOR] 1.11, 95% CI 1.04 to 1.18/5 years), those diagnosed in hospital (aOR 2.03, 95% CI 1.24 to 3.33) and those with initial constitutional and rheumatologic symptoms. Patients not responding to follow-up were younger and healthier at baseline. CONCLUSION: Persistent symptoms are common and diverse 3 months post-COVID-19 but are likely over-estimated by most reports.
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 | 0,009 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».