Post-acute sequelae of SARS-CoV-2 with clinical condition definitions and comparison in a matched cohort
Notice bibliographique
Résumé
Disease characterization of Post-Acute Sequelae of SARS-CoV-2 (PASC) does not account for pre-existing conditions and time course of incidence. We utilized longitudinal data and matching to a COVID PCR-negative population to discriminate PASC conditions over time within our patient population during 2020. Clinical Classification Software was used to identify PASC condition groupings. Conditions were specified acute and persistent (occurring 0-30 days post COVID PCR and persisted 30-120 days post-test) or late (occurring initially 30-120 days post-test). We matched 3:1 COVID PCR-negative COVIDPCR-positive by age, sex, testing month and service area, controlling for pre-existing conditions up to four years prior; 28,118 PCR-positive to 70,293 PCR-negative patients resulted. We estimated PASC risk from the matched cohort. Risk of any PASC condition was 12% greater for PCR-positive patients in the late period with a significantly higher risk of anosmia, cardiac dysrhythmia, diabetes, genitourinary disorders, malaise, and nonspecific chest pain. Our findings contribute to a more refined PASC definition which can enhance clinical care.
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) | 0,000 | 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 | 0,002 |
| 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 ».