After the virus has cleared—Can preclinical models be employed for Long COVID research?
Notice bibliographique
Résumé
Severe Acute Respiratory Syndrome Coronavirus (SARS-CoV-2) can cause the life-threatening acute respiratory disease called COVID-19 (Coronavirus Disease 2019) as well as debilitating multiorgan dysfunction that persists after the initial viral phase has resolved. Long COVID or Post-Acute Sequelae of COVID-19 (PASC) is manifested by a variety of symptoms, including fatigue, dyspnea, arthralgia, myalgia, heart palpitations, and memory issues sometimes affecting between 30% and 75% of recovering COVID-19 patients. However, little is known about the mechanisms causing Long COVID and there are no widely accepted treatments or therapeutics. After introducing the clinical aspects of acute COVID-19 and Long COVID in humans, we summarize the work in animals (mice, Syrian hamsters, ferrets, and nonhuman primates (NHPs)) to model human COVID-19. The virology, pathology, immune responses, and multiorgan involvement are explored. Additionally, any studies investigating time points longer than 14 days post infection (pi) are highlighted for insight into possible long-term disease characteristics. Finally, we discuss how the models can be leveraged for treatment evaluation, including pharmacological agents that are currently in human clinical trials for treating Long COVID. The establishment of a recognized Long COVID preclinical model representing the human condition would allow the identification of mechanisms causing disease as well as serve as a vehicle for evaluating potential therapeutics.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».